单月10倍增长背后，商汤小浣熊的反精英叙事
一个月，近 10 倍增长。 coding agent 默认精英叙事，但办公 agent 需要反其道行之。
作者｜Cynthia
在科技产业，那些被奉为圭臬的宏大叙事，往往会占据最 20% 精英关注的主流媒体的发声渠道。
但有时候，一个时代里最大的机遇，反而在于如何服务好那些看不见的，占据 80% 的沉默大多数。
2026 年 4 月下旬，商汤科技旗下办公 Agent 小浣熊桌面客户端悄然开启内测；5 月中下旬，正式转入公测。 在短短一个月的时间里，小浣熊 C 端周活跃用户增长了 200 万，并仍在持续增长，总服务人数超过 2000 万。
而在企业端，小浣熊也已经在中国移动、中国电信、平安科技、麒麟软件、宁波银行、联想、360、零跑科技等数千家领军企业中实现落地。
那么，问题来了：当所有玩家都在卷千亿参数、万亿 token、大 Agent 概念的时候， 一个没有秀各种指标与夸张展示效果的产品，凭什么让千万用户与上千家企业留下来？
答案，可能藏在一个被所有人忽视的角落里——商汤没有想过要做「精英」产品。
01
商汤，没有完美用户幻觉
要理解小浣熊的产品哲学，得先理解从 CV 时代一路走来的商汤。
2018 年，中国的人工智能行业正处在 CV（计算机视觉）最烈火烹油的顶峰。当时的学术界和资本圈，开口闭口都是算法精度和高深莫测的数学公式。但就在那个风头最劲的档口，商汤科技却干了一件让同行颇为惊讶的异类差事——他们带头给高中生、甚至是小学生编起了教科书。
在给小学生写的那本教材里，商汤的「主编」们拿掉了多余的代码和矩阵公式，只剩下一个最原始的问题：我们怎么教机器认识一只猫？
在那个全球视觉算法精度争夺战最惨烈的时刻，这家顶尖的 AI 公司之所以愿意蹲下身子，用最简单的方式去跟十岁的孩子对话，是因为他们在一线落地时发现，那些最高深的技术，在实际应用，总会撞上了一堵无形的墙。
决定一个视觉识别项目成败的，往往不是实验室里最后那 0.1% 的算法提升，而是小区的保安、工厂的质检员能不能弄明白产品怎么用。
教会用户怎么用好一个产品，有时候比技术本身带来的改变更大。这是商汤存在基因里的肌肉记忆。
于是，当历史在八年后押上同一个韵脚，大模型时代来临，这套经验被重新编译后注入到了小浣熊里。
02
80% 的职场人，还停留在豆包时代
2026 年的中国 AI 行业，存在一个所有人都知道、但所有人都在回避的事实： 80% 的职场人还不会用 AI。 而那些被资本和媒体追逐的超级 Agent 们，真实日活可能还不到目标用户的零头。
为什么？因为 99% 的 AI 办公产品经理，在设计产品时都会假设： 我们遇到的都是「完美用户」。 产品经理理所当然的一位用户懂 AI、会写优雅的 Prompt、知道 AI 的能力边界，甚至精通 Skills 编写，对各种行业黑话如数家珍。
但现实是，80% 乃至 90% 的用户还处在「豆包时代」——他们需要的是最直接的输入与最确定的输出。
在用户画像上，他们是更广泛的办公人群：老师、医生、销售、一线业务人员、运营、市场。他们不需要理解 Transformer 架构，也没有那么多时间学习复杂的 AI 概念
一个县城医院的医生，他只想把两百份体检报告里的异常指标一键抓取出来，研究什么是爱马仕或者 loop，几乎天方夜谭。
一个每天被客户催回复的汽车销售，他只想十分钟内赶出一份周报，让他去系统里学习怎么勾选知识库组件，完全是反人性的设计。
针对这一背景，小浣熊的产品设计中，做的第一件事就是 杀死产品经理幻想「完美用户」的傲慢 。
打开小浣熊的桌面端，用户随处可见这种「反精英」的设计哲学。
比如，最显眼的一个设计是，针对不同用户需求，小浣熊把空白聊天框了变成明确任务入口。
对普通用户来说，一个万能的空白聊天框是有压力的。小浣熊直接从数据分析、PPT、文档、任务规划、周报、邮件、资料整理等高频办公场景切入，把 AI 能力拆进具体任务里。用户不需要理解大模型，只需要知道：「我要做一份 PPT」、「我要分析一张表」，点击根据相关引导一步步完成交互即可。
紧接着，小浣熊会通过让 AI 主动反问，把用户表达需求的成本降到最低。
很多 AI 产品追求的是用户一句话说完，AI 立刻给结果。但在办公场景里，用户的一句话往往是不完整的。同一份材料，给老板看、给客户看、给内部团队看，输出方式完全不同。
小浣熊会像一个靠谱助理一样，先确认：任务目的、受众、格式、执行方式和交付标准，主动把用户的「你帮我分析一下」进一步拆成：背景、目标、数据范围、输出格式、重点关注维度等要素。然后通过一步步引导交互，让用户在低认知负担下完成一次更高质量的提问。
如此一来，即使普通用户即使一开始表达不完整，也能通过交互逐步靠近一个可执行的任务。
在场景方面，除了网页端与桌面客户端，小浣熊还把 AI 嵌入用户原有工作流，推出了 Quick Bar 的设计。
借助 Quick Bar，用户可以在任意文件、任意界面中唤醒小浣熊，而不是在 Excel、Word、PPT、飞书等每个应用里分别安装插件。
这样，用户不需要思考这个任务该去哪个 AI 工具里做，也不需要反复上传、复制、切换窗口。直接对眼前的内容进行总结、比对、提取、生成回答，横跨所有用户已有交互系统。
03
真正好的产品，不需要理想环境约束
在极客圈子里，最近一年多流行着一个黑话，叫「养虾」。
在小龙虾的设计里，它会需要频繁读取本地文件、修改目录、调用系统资源。一些对安全敏感的深度用户，为了防止 AI 把自己的私人照片或者公司绝密合同误删误改，甚至会专门配置一台单独的物理电脑，或者搭建一个复杂的虚拟隔离账户，像伺候名贵宠物一样来「养」这个 Agent。
小龙虾很好，但这个前提对普通办公用户并不现实。 他们不会为了用一个 AI 办公工具，再额外买一台电脑；也不会为了跑一个 Agent，专门维护一个复杂的隔离账户。
用小浣熊产品负责人贾安亚的话来说，产品不能要求用户先搭一个理想环境，再来享受 AI 能力。否则，AI 还没有开始提升效率，使用门槛就已经把大部分人挡在外面了。
因此，小浣熊在桌面端的设计，展现了一种极强的工程主义克制。它不要求用户提供一个完美的无菌室，而是通过产品优化，去实现连续的使用体验与安全保障。
首先，在读取数据上，小浣熊没有像多数「野蛮虾」一样去默认扫描整台电脑，而是采取了显式授权。用户明确划定一个文件夹作为它的工作领地，它就绝不跨雷池一步，彻底打消了用户对隐私外泄的恐惧。
更进一步，小浣熊还设计了操作回溯机制。桌面 Agent 在本地改了什么文件、删了什么字段，小浣熊在后台像行车记录仪一样一笔一笔记得清清楚楚。一旦结果不满意，用户一键就能开启「时光倒流」全部回撤。
而建立在这种绝对安全的基础上，小浣熊还做了一个绝大多数龙虾产品办不到的能力——多端打通。
在贾安亚看来，用户往往不会把所有任务都绑定在某一台机器、一个交互模式上。 在产品设计中，网页端、桌面端和移动端各自承担不同场景：网页端适合跨设备使用和高质量生成；桌面端适合围绕本地文件做深度处理；移动端适合碎片化查看和轻量生成。
但这不意味着数据的彻底隔离，在小浣熊的设计中，网页端提交的文件，在桌面端可以实时查看，桌面端沉淀的记忆，也可以复用在网页端的交互。形成不论何时、不论何地，不论何种形式，都能获得彼此丝滑承接，高质量办公。
这种不依赖理想环境的思路，不只体现在个人用户侧，也体现在企业落地里。
2026 年，中国企业在 AI 落地上的真实硬件环境，距离很多产品所设想的完美环境约束通常相距甚远。绝大多数中小企业甚至部分大型传统企业，根本没有动辄几百张 H100、A100 的重型算力集群，更没有清洗得一尘不染、标注得井井有条的标准化数据集。他们面对的是混杂在一起的 CRM 系统、历史遗留的 ERP 接口、字段错漏百出的 Excel 表格。
企业不会为了先适配 AI，把自己的系统、数据和硬件全部重做一遍。而为了适配这些非理想条件，小浣熊提供了多种交付形态：公有云个人版、企业 SaaS、私有化部署、一体机、AI Box、AIPC 等。不同企业可以根据自己的安全要求、硬件条件、预算和部署习惯选择不同方式。
在我们与商汤内部的一场闭门访谈中，商汤曾分享这样一个案例：某传统制造企业只有消费级显卡（如 RTX 4090 级别），算力预算极度紧张。为此，小浣熊没有硬推大参数模型，而是直接部署了一个 32B（320 亿参数）规模的轻量模型。面对客户内部打标混乱、字段含义语焉不详的复杂数据场景，小浣熊凭借着精细的工具调用与工程封装，硬是在简单和复杂场景里洗出了超过 95% 的综合精度。
04
打破第四堵墙
在戏剧理论中，通常默认舞台和观众席之间有一道看不见的墙，叫做「第四堵墙」。传统的软件模式里，这道墙同样坚不可摧：大厂的程序员在墙后闷头写代码，普通用户在墙前被动接受产品喂养。
但小浣熊从一开始就想拆掉这道墙。因为 在小浣熊的基因里，有一种极为罕见的、更主动去贴近用户的底层理念。
在调研小浣熊的过程中，一位叫肖恩的用户，高频出现在小浣熊团队从产品经理到技术再到运营团队每个人的口中。
作为一个在汽车供应链和市场营销里摸爬滚打了十几年的业务老兵，肖恩不是程序员，更不是人工智能专家。
注意到小浣熊，是因为有段时间他曾尝试用市面上的通用大模型做汽车私域和供应链数据分析，结果被那些层出不穷的幻觉和常识性错误折腾得精疲力竭。直到在朋友的推荐下使用了小浣熊的数据分析入口，那些填空式的引导和现成的提示词模板，让他第一次发现，AI 终于可以不再跟他鸡同鸭讲。