文首备注：本文中的 Agent 是具备自主思考、决策、行动和反馈的模型应用，不是 Dify、Coze 之类工作流智能体应用。
7 月以来，Kimi、Qwen、GLM 等模型厂牌陆续发布了聚焦 Agent 能力的大模型。
这篇文章，是我使用一个简单数据分析任务，对它们Agent能力横向测评的过程记录。
结论放在最前面：除了 K2 以外，一个能打的都没有。
测评模型
除了开篇列出的厂牌，字节、腾讯和百度 6 月以来也都发布/开源了自家的模型，但是在介绍宣传中没提 Agent 能力，所以本次测评没选。
测评模型 List：
- Kimi K2
- 阿里 Qwen3-coder-480b
- 智谱 GLM-4.5
以下是摘自他们的官方文档的介绍：
Kimi-K2
2025-07-11发布
Kimi K2 是一款具备更强代码能力、更擅长通用 Agent 任务的 MoE 架构基础模型，总参数 1T，激活参数 32B。
Qwen3-coder-480b
2025-07-22发布
Qwen3-Coder-480B-A35B-Instruct 在 Agentic Coding、Agentic Browser-Use 和 Agentic Tool-Use 上取得了开源模型的 SOTA 效果，可以与 Claude Sonnet4 媲美。
GLM-4.5
2025-07-28发布
国产综合评测第一，推理、代码、智能体等综合能力达开源模型SOTA！
测评任务和背景
测评环境：Dify-1.7.1 版本
测评工具：Agent 策略节点
测评任务：提供一个包含 12 个字段、1000行数据的 Excel 表格，交代表格的基础信息和分析要求。由模型根据 ReAct 自动完成。
关于 Dify 是啥，不赘述。
Agent 策略节点介绍一下
- Agent 节点是 Dify Chatflow/Workflow 中用于实现自主工具调用的组件。它通过集成不同的 Agent 推理策略，使大语言模型能够在运行时动态选择并执行工具，从而实现多步推理
- 测评任务选择了
junjiem/mcp_see_agen的节点，提供 Function Calling 和 ReAct 的 Agent 策略集合（支持 MCP SSE / StreamableHTTP 发现和调用工具）
简单说，就是把模型、工具和提示词封装在了一个节点中，你可以配置模型、工具，输入指令后，模型会根据任务需求自动选用、使用工具，自主迭代直到完成任务。
ReAct 是 Agent 的核心工作逻辑
测评选择的 Agent 策略使用了开发者提供的默认调度提示词模板，位置在@junjiem/dify-plugin-agent-mcp_sse/prompt。太长了，就不贴出来了。
Agent 节点配置了两个工具：
- 代码解释器：用来运行模型生成的代码。
- mcp-server-chart：一个生成可视化图表的 MCP
Agent 节点的指令提示词（指挥模型干活的附属指令，理论上是多余的）：
扮演一个资深的数据分析师，充分理解用户的分析要求，挖掘要求背后的业务需求，调用可用的工具高效完成数据分析。在执行分析任务之前，确保你已经查看了数据的结构，理解了每个字段的意义，有了清晰的单变量、双变量和多变量分析计划。
最终生成分析报告时，确保整合了每一轮分析生成的图表（均为图片URL），以 Markdown 格式输出。
注意：`generate_`相关的工具仅用于分析结果的可视化呈现。
测评的任务也需要详细介绍一下
分析任务提示词：
附件路径下的 Excel 表格内，是我导出的市场部营销活动的数据表格，请充分挖掘表格中各项数据的价值，为我生成一份可视化数据分析复盘报告。
提供的数据为模拟数据，12 个字段、1000 行数据，表头如下：
数据分析任务，是我个人觉得考验大模型推理、工具调用和长上下文注意力最好的方式，原因有四：
- 需要频繁写代码、调用执行器、读取运行结果，即考验代码能力、又考验工具调用能力；
- 必须分步处理，有计划的写代码、分析、处理分析结果，考验模型的规划能力；
- 需要根据表头和分析需求，输出可进行的分析维度，考验文本理解和推理能力；
- 大量过程步骤生成的结果数据、结论几乎能撑满上下文窗口长度，考验超长上下文情境下的注意力水平（能否考虑到每一步输出的结果，呈现在最终的分析报告中）
测评工作流
使用 Dify 的 ChatFlow，包含四个节点：
- 开始节点，上传数据表
- 代码节点，提取上传 Excel 的路径
- Agent 策略节点，执行分析任务，最大迭代次数 30 轮
- 直接回复节点，输出结果
背景信息交代完毕，下面是测评结果。
测评结果
K2：输出完整报告，可复现
测评次数：3 次
运行时间:500s-600s
消耗token：200W-300W
迭代轮次：10 轮左右
任务结果：输出 5-6 个维度+分析结论的图文分析报告
K2 驱动的 Agent 节点的完整输入输出超级长，我放在文末的飞书文档了。
GLM-4.5：不能完成任务，重复读取表格
测评次数：3 次
运行时间：200s-300s
消耗 token：40W-60W
迭代轮次：30 轮耗尽
任务结果：一直重复“我要写代码看看表格内容”，直到迭代次数耗尽。
到第 30 次迭代的时候 GLM-4.5 甚至自己造了个工具read_excel……且不说 Agent 能力了，这连 Function Call 都不行……
(根据 Agent 策略的提示词和工具列表，action_name只有simple_code和mcp-server-chart下的generate_系列可选。)
GLM-4.5 驱动的 Agent 节点的完整输入输出也在飞书文档。
Qwen3-coder-480b：不能完成任务，重复读表
测评次数：5 次
运行时间：60s-400s
消耗 token：44W / 未显示
迭代轮次：30 轮耗尽
任务结果：一次一直重复思考+读表任务，一次重复修改代码报错，直到迭代次数耗尽；两次任务完成一半因为非要使用一个不允许的库报错终止。
第一次使用百炼云的 Key，一轮测试迭代了 30 轮“I am thinking about how to help you”+输出代码。（前面还有一次因为我提供的文件路径不对，迭代了 7 轮以后自行放弃），两次就消耗完了百炼云赠送的免费额度……
然后使用魔搭社区赠送的额度，测试了 4 次。
第一次测试在第 9 轮自动结束，过程看路径是对的，有在一步一步分析，从第九步开始，试图使用matplotlib库生成图表，报错后终止任务。
于是修改了代码解释器工具的描述为：运行一段代码并返回结果。当前 python 环境为沙盒环境，仅提供基础库和numpy、pandas、seaborn三个三方库。
再次测试，又用matplotlib库，然后在第四轮自行结束。
第三次测试，迭代 30 轮，重复“Let's start by loading the Excel file……”+输出代码，直到 30 次迭代耗尽
第四次测试，迭代 30 轮，死磕一个JSON blob format的错误，连续修改了 30 轮也没修好……（因为每次生成的代码跟之前的都一样）
部分输入输出的过程代码，放在飞书文档了。
MiniMax-M1：浅测一下，还不错
MiniMax 6 月份发布的 M1，也宣传转为 Agent 而生，所以也拿来测试了一下。
测了两次，第一次顺利完成任务了，只是输出的报告信息量不是很高；第二次因为系统原因崩溃，过程每一轮都在推进分析。
有一个很拧巴的点：M1会把接下来要正式输出的代码在思考过程中也输出一遍。
这就很费时，第一次测试，每一轮迭代的时间都接近 1 分钟；第二次有两轮甚至超过了 2 分钟。
而测评的其他模型，每一轮迭代都在 20s 以内。
总结一下
K2 是真强，已堪 Agent 重任。期待 K2 驱动的、面相国人的首个 Manus 类产品，引爆国内 Agent 生态。
M1 也很棒。
其他的，少些宣传，多些钻研吧。
测评的部分输入输出数据文档地址：https://bytesmore.feishu.cn/docx/AcgqdkS0vo31VRxMrt6cHhvgnMh