上周，Anthropic给Claude发了一张工牌。
按这个框架理解，Claude Tag的意义在于agent开始从个人工具变成组织能力。个人提效，你私下找AI写好分析再甩进群里就行。但组织提效需要agent直接作为团队一员参与协作，信息流动不再经过某个人的手中转。
今天，飞书发布了多维表格智能体。思路和 Claude Tag 有相似之处，都是让 agent 以团队成员的身份工作。不同的是，你可以从一张正在用的多维表格出发，比如一张客户跟进表，几次点击就能给它配一个智能体，选好它该懂的数据范围，接上能用的工具，然后它就以同事的身份出现在你的消息列表里，和真人同事排在一起。它不再是表格角落里那个“帮我分析一下”的侧边栏，而是一个谁都能@、随时能喊它干活的团队角色。
换句话说，飞书想让沉在表格里的业务数据、权限、流程和经验，变成一个可以持续干活的团队成员。
但为什么首先是表格？
1
进群不够，进表才能更好干活儿
国内企业里的协作上下文往往比较分散。讨论在群聊里，结论在文档里，状态和审批在表格和流程里。Agent 只进群，只能拿到一部分上下文。它要往前推业务，还得接触结构化的数据。
而很多公司每天的工作，就压在一张张表里。
销售跟进表、项目进度表、工单表、回款表、内容选题表、供应商管理表。它们看起来不性感，甚至有点土，但公司每天的动作、责任、风险和结果，都落在这些表的一行记录、一个字段、一个状态里。
国内很多企业的多维表格或在线表格，实际上承担着轻量级业务系统的角色。它们带权限、带协作、带流程，是很多团队日常运转的骨架。企业 Agent 要干活，第一站很可能就是这些业务表。
飞书做多维表格智能体的逻辑就在这里。飞书同时拥有 IM 和结构化数据两层，聊天归聊天，agent 要干活的时候，它可以直接扎根在业务数据上。
1
一张表怎么变成一个会干活的同事
一张业务表之所以重要，不只因为它存了数据，还因为它定义了协作关系。哪些字段代表什么业务含义，不同角色通过不同视图看到不同的侧面，权限决定了谁能动什么，状态标记着事情走到了哪一步。Agent 如果只是读表，它只是一个查询工具。如果它能理解这些结构，在权限边界内写回状态、触发提醒、沉淀规则，它才开始像一个团队成员。
举个销售场景的例子。团队要做一次产品宣发，需要从客户库里筛出100人以上的中大型客户，按行业和阶段分类，再给出邀请推荐。一个销售负责人在群里@智能体提了这个需求，它筛出了13家符合条件的客户，按行业和阶段做了分布统计。几乎同一时刻，另一名销售用一字不差的话问了同样的问题，得到的却是4家。
两个人用的是同一个agent，但它替每个人查数据时，戴的是每个人自己的工牌，该看到什么、不该看到什么，是数据底层就拦住的。对一个要被团队共用的AI同事来说，这种边界和它聪不聪明同样重要。
它也不总是等你开口。一个任务过了交付日期还没动静，不用等周会上才被提起，它可以自己按照定义好的主动工作原则冒出来，@上负责人说一句“这里有风险，建议你怎么办，要谁配合”。这些过去要靠人盯、靠开会才接得上的事，现在有人替你先接住了。
更进一步，那些原本只长在老员工脑子里的判断，什么样的客户算高风险、项目卡在哪种环节最危险，可以通过对话沉淀在智能体的记忆里，变成团队共享的经验。人来人走，这些判断留在了 agent 里。新人入职第一天，就接手了团队过去几个月攒下的手感。一张表，就这样从一个记录的地方，慢慢变成了行动发生的地方。
1
在群里@了一张 1398 行的表
内测期间我把网信办公开的生成式 AI 服务备案清单导入了一张多维表格，1398 条记录，覆盖 2024 年 4 月到 2026 年 4 月的 11 个批次。
“哪家公司备案的服务最多？”、“从 2024 年到现在，哪个批次增长最快？”它输出了一张环比变化表，定位到 2025 年 12 月。
比较有意思一个测试是，备案清单里没有行业字段，没法按行业切入。我让智能体“给 2026 年 4 月这批记录新增一个行业分类字段并标注”。它读取表结构，新增了一个文本字段，逐条分析服务名称和公司名称，把 72 条备案记录标注成了网络安全、智能家居/厨电、在线教育、金融科技、通用 AI、医疗健康、数字文化创意等类别。几分钟完成，这在从前无法想象。
我把这个智能体拉进了一个飞书群，让同事直接@它。同事没有参与过这张表的整理，也没有打开过它。他先问了一句“你能帮我做什么”，智能体列出了能力范围，并且提到需要先开放访问权限才能输出完整结果。拿到权限后他问了“医疗方向的备案集中在哪些城市”，智能体给出了相应的回答，目前全库只有 1 条记录被标注为医疗方向，因为行业分类只覆盖了 2026 年 4 月那一批，其余批次还没有标注，同时给出了批量补全的建议。
一个人整理的数据结构，团队里其他人可以直接调用，并且可以管理权限，agent 还会主动说明数据的局限，有点 AI 同事的感觉了。
但“有点像同事”还不够，企业要把它放进业务里用，前提是它得稳定、准确地处理真实数据。飞书多维表格的AI能力最近在TableBench、FDABench、SpreadsheetBench三个学术界公开评测中都拿到了第一，分别对应复杂表格问答、跨源业务分析和真实表格操作。
1
给 AI 同事发工牌，本质上是一个组织设计问题
个人提效，一个人加上一个 AI 就够了。但组织提效要求 agent 的工作成果沉淀在系统里，而不是留在某个人手上。能自动巡检客户状态、按权限推送提醒、把经验变成团队共享的记忆，这些事只有在一个完整的平台环境里才做得到。
Claude Tag 让大家看到了一种可能，agent 作为团队成员参与协作，信息流动不再依赖个人中转。连 Anthropic 自己的 agent，要想当个同事，也得先找到一个能住下来的工作环境。飞书多维表格智能体沿着类似的方向，把 agent 放进了业务表。前者解决的是协作入口，后者解决的是业务怎么往前推。
但这件事比“给 agent 接一个平台”更深一层。你给一个 AI 同事什么数据、什么权限、什么边界，反映的其实是你怎么理解自己组织的运转方式。多维表格智能体把这个问题具体化了，一张表的结构本身就是对业务的定义，谁能看什么、谁该做什么、做到哪一步算完成，agent 按照这套结构工作，它的能力范围和行为边界就有了依据。这不只是一个技术选择，也是一个组织设计的动作。
飞书把通讯、文档、多维表格、审批、日历放在同一个平台里，又通过开放飞书 CLI，把这些能力变成 Agent 可以调用的工具。对 Agent 来说，这意味着它不只是能在聊天框里给建议，而是可以在授权范围内真正进入工作系统：读文档、查表格、发消息、看日程、触发流程，把动作落回到团队每天使用的业务工具里。
这也解释了为什么飞书 AI 的使用正在跟着新客户一起增长。2026 年以来，在飞书新增客户中，采购飞书 AI 能力的比例已经达到 9 成。这说明企业希望把 AI 放进已有的组织系统里，让它接触真实数据、遵守真实权限，并把结果沉淀回真实流程。
按 Gartner 的预测，今年年底会有四成企业应用嵌入任务型 AI agent，去年这个数字还不到 5%。需求在快速出现，但能给 agent 提供完整运行环境的平台并没有变多。没有这样的平台，再能干的 agent 大概率也只能停在个人效率那一层，够不到组织效率。
一个 Agent 能不能被@到，并不决定它能不能上岗。它能不能在组织的规则里工作，把成果留在系统里，才决定组织敢不敢把它当同事。
AI 同事需要的不只是大脑，也不只是一个聊天头像。它需要工位、工牌，和一张能干活的桌子。
