[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-14458084-56c8-41b6-a774-1a1b9374e1ae":3},{"id":4,"title":5,"summary":6,"original_url":7,"source_id":8,"tags":9,"published_at":20,"created_at":21,"modified_at":22,"is_published":23,"publish_type":24,"image_url":13,"view_count":25},"14458084-56c8-41b6-a774-1a1b9374e1ae","Kimi Work 桌面端发布：通用型本地 Agent 能否重新定义知识工作效率？","6月4日，月之暗面正式发布 Kimi Work——一款面向知识工作者的通用型本地 Agent。与此前主打对话辅助的 Kimi 不同，Kimi Work 直接切入任务执行层，能在电脑上拆解任务、调用工具、使用浏览器，并完成文档、表格、PPT 等工作产物的交付。\n\nKimi Work 由 Kimi Code 深度参与开发，支持 13 小时连续编码、300 个子 Agent 并行协作及 4000 余次自主工具调用。这意味着它不再是单次问答的生成式工具，而是一个可以独立完成复杂流程的数字同事。从技术实现看，Kimi Work 的多 Agent 并行架构值得关注——300 个子 Agent 可同时处理不同子任务，减少长流程任务中等待 Token 生成的效率损耗。对于整理资料、制作汇报材料等重复性高但流程明确的工作，这种架构理论上能显著提升单位时间产出。\n\n值得注意的是 Kimi Work 强调本地属性——任务在本地环境执行，数据不必上云。对于处理财务文档、人事信息等敏感内容，本地 Agent 的隐私优势较为明显，但这也意味着对终端算力有一定要求。\n\nAgent 从云端走向本地，是效率与隐私博弈的必然趋势。Kimi Work 开了个好头，但通用型 Agent 的真正门槛在于对复杂业务流程的理解深度——不是每个知识工作者的工作流都适合被拆解成标准化的 Agent 任务。未来，本地 Agent 与云端模型的协同模式可能成为主流，敏感操作本地执行，复杂推理云端完成，如何让这种协作足够流畅，将是下一阶段竞争的焦点。","https:\u002F\u002F36kr.com\u002Fnewsflashes\u002F3837454258391555","5e4fd3d1-9cb4-44a6-bae5-9ffb449c05c1",[10,14,17],{"id":11,"name":12,"slug":12,"description":13,"color":13},"5e628969-6d2a-437f-998a-104e4b16cfb1","ai-progress",null,{"id":15,"name":16,"slug":16,"description":13,"color":13},"e82b2d09-81b2-43d1-977e-e018443b3c14","coding-agent",{"id":18,"name":19,"slug":19,"description":13,"color":13},"01598627-1ea6-4b27-a5d8-874971571a71","llm","2026-06-04T04:00:00Z","2026-06-04T04:06:05.308463Z","2026-06-04T04:06:05.308480Z",true,"agent",3]