小微
入口较广入口最广（电商、出行、挂号、家政、证件、硬件设备），但流程常停在登录或首页，只办成设备控制与证件照，没转成订单。
1. V1 回顾
范围为 12 个场景、24 个 Case、4 个 Agent。V1 只回答三件事：能提供什么服务、真正办成了什么、卡在哪里。
千问
交易推进较深覆盖餐饮外卖、票务酒店、打车、导航，推进最深——餐饮到付款、打车到确认、酒店到预订，但指定平台或地址容易被改写。
阿宝
生活服务丰富覆盖酒店、打车、挂号、家政维修，生活服务最全，办成打车到确认、家政维修到付款边界，但条件承接会漂移，出现错门店、错商品。
豆包
内容能力更强以查询、解释、内容生成为主，外部服务入口少，仅办成证件照交付；意图和上下文都对，但流程停在文字建议。
2. V2 变化
2.1 评测范围扩大
12场景
→26场景
24Case
→52Case
新增服务范围
新增导航、快递、话费、生活缴费、办公、阅读、招聘和汽车养护等服务。
这些新增 Query 只能说明覆盖变广，不能直接证明 V1 到 V2 的模型进步。
2.2 本轮 MCP 覆盖
7 个场景 · 9 个小程序 · 14 个 Case
| 评测场景 | 已确认 MCP 小程序 |
|---|---|
| 外卖平台 | 美团 |
| 综合电商 | 京东购物 |
| 火车票 / 机票 | 同程旅行、航班管家 |
| 订酒店 | 艺龙会、亚朵 ATOUR |
| 运营商话费 | 腾讯手机充值 |
| 生活缴费 | 城市通 |
| 挂号问诊 | 粤妇幼 |
3. 回答三个问题
先看供给，再看办成，最后单独判断小微 MCP 的作用。每个判断都回到 Query 和真实页面。
3.1 服务供给：谁扩大了，方向有什么不同
支持只看是否进入 Query 对应的真实服务入口。
V1 → V2 六类任务对照（雷达图）六轴是 6 类任务，值为该类别下「能进入真实服务」的条数；图形只表示相对高低，页面不标分数。办没办成看下面结果端。
小微千问阿宝豆包
对比结论：阿宝和豆包的供给扩大最多。阿宝从 4 条增到 18 条，生活服务由 1 条扩到 6 条、专业办理从 0 条到 4 条；豆包从 1 条增到 7 条，出行服务 0→2、工具处理 0→2，开始出现交易与设备动作。小微 9→18、千问 5→13，属于原有方向的加密而非新方向。
整体结论
阿宝的供给扩大最明显：从酒店、打车、家政，进一步扩到票务、政务和挂号。豆包开始补打车和证件办理；千问仍集中在票务、出行和酒店；小微仍是广覆盖，但可比服务没有扩大，证件办理反而退步。
小微 · 广覆盖未扩大
原有电商、出行、挂号、家政和设备入口基本保持，证件办理出现退步。
千问 · 深耕票务出行
餐饮、票务、打车和酒店等入口保持稳定，没有新增可比服务。
阿宝 · 扩大最多
在原有生活服务基础上，新增火车票/机票、政务办事、挂号问诊。
豆包 · 开始补执行入口
从内容回答向真实服务延伸，新增打车、证件办理。
演进方向：小微继续做广覆盖与服务衔接；千问深耕票务和出行；阿宝从生活服务扩向更多交易与办事场景；豆包从内容能力开始补少数可执行服务。
控制变量案例：阿宝 · 火车票/机票
V1：停在对话查询，没有进入票务服务
V2：进入飞猪机票真实服务页展开查看 26 个场景的完整供给明细与截图
| V2 服务与 Query | 小微 | 千问 | 阿宝 | 豆包 |
|---|
支持：真实入口不支持：只有文字、入口错误或无法操作点击状态：查看对应截图
3.2 服务完成：谁真正办成得更多
只看有没有到达可执行终点：交易到确认/付款边界，查询有真实结果，内容有真实交付，设备有状态变化。参数对不对另看意图与上下文。
V1 → V2 六类任务对照（雷达图）六轴是 6 类任务，值为该类别下「走到确认 / 可执行终点」的条数；只比结果，不比参数对错。
小微千问阿宝豆包
对比结论：V1 四家合计只有 9 条走到确认，V2 升到 35 条。阿宝提升最大（2→12），小微次之（2→10），千问 4→9，豆包 1→4 仍最小。图形上四家的多边形在 V2 都明显外扩，阿宝外扩幅度最大。
整体结论
当前办成范围最广的是阿宝，也是提升最明显的一家，已从打车、家政进一步扩展到电商、票务、挂号、外卖、电影票、导航、快递、充值和租房等服务；小微办成范围居次，优势集中在餐饮、外卖、生活缴费、办公和设备控制；千问仍以票务和出行为主；豆包开始办成打车、导航、办公和证件照，但整体范围仍较小。
小微 · 覆盖较广，生活服务提升
继续保持设备控制优势，新增餐饮点单、打车和家政维修；目前还能办成外卖、电影票、导航、快递、生活缴费和办公，但证件照交付出现退步。
千问 · 稳在票务与出行
打车和酒店保持稳定，新增电商和火车票/机票；目前还能办成电影票、导航、快递、生活缴费和办公，但餐饮点单与证件照交付有所退步。
阿宝 · 办成最多，提升最大
在原有打车和家政维修基础上，进一步办成电商、火车票/机票和挂号；目前还覆盖外卖、买菜、电影票、导航、快递、话费充值和租房。
豆包 · 开始补齐执行能力
从证件照交付进一步扩展到打车、导航和办公，开始从内容回答走向真实服务，但目前能办成的范围仍然较小。
控制变量案例：豆包 · 打车
V1：只有文字说明，没有进入打车服务
V2：起终点、车型和价格确定，只剩确认叫车展开查看 26 个服务的办成明细与对应截图
| 服务与办成要求 | 小微 | 千问 | 阿宝 | 豆包 |
|---|
统计：清晰或多轮任一办成，该服务即算办成办成：确认/付款边界、真实查询结果、内容交付或设备状态变化点击状态：只展示与判定匹配的清晰/多轮截图
3.3 MCP：服务推荐更准、流程更顺，但还没有形成稳定的办成优势
选取一期和二期均有对应 Query 的外卖、电商、机票、酒店和挂号 5 个场景，先看小微自身变化，再看 V2 四家横向表现。
3.3.1 评测标准
本节选取一期和二期均有对应 Query 的外卖、电商、机票、酒店和挂号 5 个 MCP 场景。
评测分为两部分：
- 小微自身对比：比较小微从 V1 到 V2，接入 MCP 后服务是否更容易办成，流程是否更顺、耗时是否缩短。
- V2 横向对比：在相同 Query 下，对比小微、千问、阿宝和豆包的服务完成情况与流程体验。
这些场景在 V2 均已具备真实服务入口，供给只作为评测前提，不再单独比较。本节主要看三个方面：
服务完成是否到达用户可确认、可付款或可取得结果的终点。
流程顺畅是否完整承接用户条件，过程中是否出现绕路、中断、重复确认或需要用户手动接管。
推进效率在完成相同任务的前提下，比较整体耗时以及等待、返回和重复操作；更快结束但没有继续推进，不算效率提升。
一期与二期 Query 对照
同一业务场景对齐；Query 不要求逐字一致。
| 场景 | 第一期（V1）Query | 第二期（V2）Query |
|---|---|---|
| 外卖 | 用美团帮我点个吃的 → 附近评分高的店有哪些 → 那还是选个咖啡 | 帮我点个外卖 → 请一定要使用美团小程序 → 附近评分高的咖啡 → 送到现在这个地址 |
| 电商 | 想买个硬盘 → 2TB 的，要 Type-C → 京东和拼多多比一下，选便宜的 | 想买个硬盘 → 2TB，要 Type-C → 京东和拼多多比一下，选便宜的 → 就京东吧，下单 |
| 机票 | 帮我看下周末去北京的机票 → 要早上出发的 → 返程改到周日晚上 | 帮我看下周末去北京的机票 → 要早上出发的 → 就用航班管家下单 |
| 酒店 | 订个杭州的酒店 → 靠近西湖的 → 改成住两晚 → 要能免费取消的 | 订个杭州的酒店 → 靠近西湖 → 改成住两晚 → 要能免费取消的 |
| 挂号 | 杭州市萧山区第二人民医院肛肠外科挂号，2026 年 9 月 8 日 | 请一定要使用粤妇幼小程序，挂妇科 9 月 19 日上午的号；补充多轮：挂个号 → 消化内科 → 要明天上午的专家号 → 换成周二 |
3.3.2 评测结论
整体结论
MCP 对小微最明显的提升，首先体现在服务衔接和流程推进，而不是稳定办成。外卖、电商和酒店从 V1 到 V2 的耗时明显缩短，其中酒店由约 381 秒降至 127 秒；挂号也从打开服务首页进一步推进到绑卡和查询号源。机票是例外：两期均约 2 分钟，V2 虽进入指定小程序，却丢失路线和日期，流程与办成均未改善。横向来看，小微的优势主要是服务推荐更准确、条件承接更完整、流程更连贯；但在进入确认或付款终点方面，其他 Agent 在部分场景中仍推进得更深。因此，MCP 已经让部分场景的服务流程更快、更顺，但尚未形成稳定的办成优势。
3.3.3 评测详情（按场景）
外卖｜改善最明显，小微推进最完整
小微从推荐与选品推进到美团订单确认；横向看，小微条件保留更完整，阿宝虽到付款边界，但平台条件发生偏移。
小微：V1 → V2
130 秒 → 95 秒缩短 35 秒；条件承接更完整，平台调用与地址授权连续完成。
V1：停留在推荐与选品
V2：商品与地址进入订单确认V2：四家对比
小微：商品、平台和地址进入订单确认，办成。
千问：有商品结果，但没有形成待确认订单。
阿宝：到付款边界，算办成，但平台条件偏移。
豆包：仍以门店与操作建议为主，没有订单。
机票｜千问推进最深，小微进入服务后丢失条件
小微能够进入航班服务，但路线和日期没有继续带入；千问保留行程条件并推进到付款边界。本次多轮 Query 中阿宝未办成，但其清晰 Query 已到确认订单。
小微：V1 → V2
126.4 秒 → 129.6 秒增加 3.2 秒，整体耗时基本不变；两期均未形成订单，V2 进入指定小程序后反而丢失路线与日期。
V1：给出早去晚回航班候选，未形成订单
V2：进入小程序，但路线和日期回到默认状态V2：四家对比 · 多轮 Query
小微：进入服务，但路线和日期丢失，未办成。
千问：保留行程并进入付款边界，办成。
阿宝：本次多轮条件偏移；另一清晰 Query 办成。
豆包：停留在文字说明，没有进入订单。
酒店｜千问办成，小微仍停在选择阶段
小微能够进入酒店服务，但没有把酒店、日期和房型推进到预订确认；横向看，千问是四家中唯一到达预订终点的 Agent。
小微：V1 → V2
381.0 秒 → 126.9 秒缩短 254.1 秒、降幅约 67%；V2 更快进入正确酒店列表，但仍未核验免费取消，也没有形成可确认的房型订单。
V1：约 6 分钟后停在酒店详情，未核验免费取消
V2：更快进入酒店列表，仍未形成可确认订单V2：四家对比 · 多轮 Query
小微：进入酒店服务，未形成可确认的房型订单。
千问：日期、房型和价格明确，并出现预订入口，办成。
阿宝：进入服务，但未形成可确认订单。
豆包：停留在推荐或操作说明，未办成。
电商｜流程更顺，但小微仍未办成
小微从较长的搜索与跳转推进到稳定的京东商品结果，但没有形成订单；横向看，千问和阿宝已经到付款边界。
小微：V1 → V2
143 秒 → 81 秒缩短 62 秒；从搜索反复、等待用户接管，变为连续进入稳定商品结果。
V1：搜索和跳转较长，未形成订单
V2：进入稳定商品结果，仍未下单V2：四家对比
小微：进入京东商品结果，未形成订单。
千问：到订单确认或付款边界，办成。
阿宝：到订单确认或付款边界，办成。
豆包：以商品建议为主，没有进入订单。
挂号｜进入服务更深，但清晰 Query 下四家都未办成
小微从官方小程序首页推进到健康卡和号源结果；横向看，小微到达的页面最深，但仍缺最终确认，其他三家也没有完成挂号。
小微：V1 → V2
22 秒 → 137 秒增加 115 秒；V2 推进更深，但中途需要填写验证并返回对话确认，不能视为流程更顺。
V1：进入官方服务，但停在首页
V2：进入健康卡与号源结果，仍未确认V2：四家对比
小微：到健康卡和号源结果，未确认挂号。
千问：给出说明或入口，未形成挂号结果。
阿宝：进入科室或号源选择，仍未确认。
豆包：主要停留在流程说明，没有挂号结果。
3.3 小微 MCP 有没有用，有用在哪里
先把场景聚成 5 类；每类分别比较已确认 MCP 与未确认 MCP Case 中，四个 Agent 在四项指标上的名次。
数字越小越靠前；同分并列。每组下方直接列出参与比较的具体 Case。
一句话总结：MCP 有用，但只帮在“办事”这一环：接了 MCP 的商品类场景里，小微四项指标都排第 1；没接 MCP 的场景里，“听懂需求”还是第 1，但“流程推进”和“办成”掉到第 3——MCP 帮的是把商品、规格、平台、地址带进真实订单，不是帮它听懂。
商品类
已确认：外卖平台、综合电商｜未确认：餐饮品牌、买菜生鲜、到店预约
已确认 MCP 4 Case
Case：外卖平台、综合电商；均含清晰与多轮。
上下文
1 小微2 千问3 阿宝4 豆包
意图
1 小微2 千问3 豆包4 阿宝
流程
1 小微2 阿宝3 千问4 豆包
服务完成
1 小微2 阿宝3 千问4 豆包
未确认 MCP 6 Case
Case：餐饮品牌、买菜生鲜、到店预约；均含清晰与多轮。
上下文
1 小微2 豆包3 千问3 阿宝
意图
1 小微2 豆包3 千问3 阿宝
流程
1 千问1 阿宝3 小微4 豆包
服务完成
1 阿宝2 千问3 小微4 豆包
出行住宿类
已确认：火车票/机票、订酒店｜未确认：电影票、门票/演出、打车、地图导航
已确认 MCP 4 Case
Case：火车票/机票、订酒店；均含清晰与多轮。
上下文
1 豆包2 小微2 千问4 阿宝
意图
1 阿宝1 豆包3 小微3 千问
流程
1 阿宝2 小微2 千问4 豆包
服务完成
1 小微1 千问3 阿宝4 豆包
未确认 MCP 8 Case
Case：电影票、门票/演出、打车、地图导航；均含清晰与多轮。
上下文
1 豆包2 小微3 阿宝4 千问
意图
1 豆包2 千问3 小微4 阿宝
流程
1 千问2 阿宝3 小微4 豆包
服务完成
1 千问2 小微3 豆包4 阿宝
生活服务类
已确认：运营商话费、生活缴费｜未确认：家政维修、查寄快递、租房找房、汽车养护
已确认 MCP 4 Case
Case：运营商话费、生活缴费；均含清晰与多轮。
上下文
1 千问1 阿宝3 小微3 豆包
意图
1 小微1 豆包3 千问4 阿宝
流程
1 阿宝2 小微3 千问4 豆包
服务完成
1 阿宝2 千问3 小微4 豆包
未确认 MCP 8 Case
Case：家政维修、查寄快递、租房找房、汽车养护；均含清晰与多轮。
上下文
1 豆包2 千问3 小微3 阿宝
意图
1 小微2 豆包3 千问4 阿宝
流程
1 小微2 阿宝3 千问3 豆包
服务完成
1 小微2 阿宝3 千问4 豆包
政务医疗类
已确认：挂号问诊｜未确认：政务办事、公积金/社保/医保
已确认 MCP 2 Case
Case：挂号问诊，包含清晰与多轮。
上下文
1 小微2 豆包3 千问3 阿宝
意图
1 阿宝2 小微3 千问3 豆包
流程
1 阿宝2 小微2 千问2 豆包
服务完成
1 小微1 阿宝3 千问3 豆包
未确认 MCP 4 Case
Case：政务办事、公积金/社保/医保；均含清晰与多轮。
上下文
1 小微2 豆包3 千问3 阿宝
意图
1 小微2 阿宝3 豆包4 千问
流程
1 小微1 阿宝1 豆包4 千问
服务完成
1 阿宝2 小微2 千问2 豆包
工具内容类
没有已确认 MCP 对照；仅展示未确认 MCP 组
已确认 MCP 无 Case
暂无已确认 MCP Case，不能比较。
未确认 MCP 12 Case
Case：办公工具、金融记账、证件办理、招聘求职、阅读、硬件设备；均含清晰与多轮。
上下文
1 豆包2 小微2 千问4 阿宝
意图
1 小微2 豆包3 千问4 阿宝
流程
1 豆包2 千问3 小微4 阿宝
服务完成
1 小微2 千问3 豆包4 阿宝
为什么先看商品类
商品类已确认 MCP 组中，小微在上下文、意图、流程、服务完成四项均位于第 1；未确认组中，意图和上下文仍为第 1，但流程和服务完成降到第 3。差异集中在“把条件带进订单”，不是“有没有听懂”。
已确认 MCP · 4 个 Case
- 外卖平台：美团黄焖鸡，指定地址和送达时间。
- 外卖平台多轮：平台、品类和地址逐轮补充。
- 综合电商：京东自营指定型号硬盘，使用 PLUS 券。
- 综合电商多轮：容量、接口、比价和下单平台逐轮补充。
未确认 MCP · 6 个 Case
- 餐饮品牌：瑞幸、喜茶，含清晰与多轮 Query。
- 买菜生鲜：商品、数量、地址和配送时效。
- 到店预约：门店取号、人数和排队进度。
同一个已确认 MCP Case：外卖平台 · 清晰 Query
小微：商品、地址进入订单确认，办成。
千问：生成商品卡，地址缺失，未到付款。
阿宝：进入点单，但平台和商品条件发生偏移。
豆包：只有门店与步骤建议，没有订单。
同一个未确认 MCP Case：买菜生鲜 · 清晰 Query
小微：条件听懂，但只有文字，未进购物车。
千问：有真实商品入口，但未锁定指定平台。
阿宝：进入订单页，但门店和商品不完整。
豆包：停留在购物清单和操作建议。
MCP 在商品类呈现出明确的正向迹象：它没有显著改变小微“听懂需求”的能力，却更容易把商品、规格、平台和地址带入真实订单链路。其他行业的结果并不一致，因此目前不能把全部提升都归因于 MCP。
4. 小微的核心问题：理解了需求，但没有把条件带进服务
小微多数时候能够正确理解并承接用户需求，也能调起对应的小程序；真正的问题出现在对话与服务页的交接环节：型号、金额、地址等关键条件没有稳定写入页面，导致流程停在搜索结果、条件选择或地址确认，无法继续推进到订单确认或付款。
电商｜声称下单，但商品没有进入结算
商品规格只变成搜索关键词，“选便宜的并下单”没有真正执行。
问题判断
对话里正确承接了“帮我下单”，页面却只完成搜索，回复中的流程进度与真实页面不一致。
充话费｜号码和金额理解正确，但金额没有带入页面
手机号进入了充值服务，50 元没有转成页面中的已选状态。
问题判断
号码完成了跨页面传递，但金额没有落成页面状态，用户必须再次手动选择。
打车｜地址没有稳定带入，最终仍需人工确认
起终点和舒适型需求已被理解，但地址条件在对话与服务页之间传递不稳定。
问题判断
地址条件无法稳定地从对话写入服务页，流程不能直接走到确认叫车，仍依赖用户接管。
最终结论小微当前的主要问题不是听不懂，而是“对话里理解了，服务页里没有落下去”；页面状态没有达到目标时，回复却已经声称完成了推进。
附录：各场景的“办成”标准
办成只判断有没有到达用户可以确认、付款、使用或核验的结果，不与参数正确性混在一起。
统一规则
清晰 Query 或多轮 Query 只要一个办成，该服务就记为办成。参数、平台、时间或地点是否正确，另在意图与上下文中判断；只到首页、列表页、登录/授权页，或仍需继续补充核心条件，均不算办成。
| 场景 | 办成标准 |
|---|---|
| 餐饮品牌 | 商品、规格和地址已确定，进入订单确认或付款边界。 |
| 综合电商 | 商品、SKU、渠道和价格已确定，进入订单确认或付款边界。 |
| 火车票/机票 | 日期、行程、班次和席别已确定，进入确认订单或付款边界。 |
| 打车 | 起终点、车型和价格已确定，出现可确认叫车的真实操作。 |
| 订酒店 | 酒店、日期、房型和价格已确定，进入预订确认或在线付款。 |
| 政务办事 | 进入正确官方流程，并到提交、预约或可核验回执。 |
| 挂号问诊 | 医院、科室、日期、号源和就诊人已确定，进入确认挂号或付款。 |
| 硬件设备 | 进入真实控制面板，并完成目标设备的状态变化。 |
| 到店预约 | 形成真实取号结果，并可查看排队号码或进度。 |
| 家政维修 | 服务、地址、时间和订单已确定，进入预约确认或付款。 |
| 证件办理 | 生成可下载、保存或打印的真实证件照成品。 |
| 外卖平台 | 平台、商品和地址已确定，进入订单确认或付款边界。 |
| 买菜生鲜 | 商品、数量和地址已确定，进入订单确认或付款边界。 |
| 电影票 | 影片、影院、场次、票数和座位已确定，进入付款边界。 |
| 门票/演出 | 城市、场次、票档和数量已确定，进入确认订单或付款。 |
| 地图导航 | 进入真实路线页，或给出完整且可核验的路线结果。 |
| 查寄快递 | 展示真实物流轨迹，或形成可确认的寄件订单。 |
| 运营商话费 | 手机号和金额已确定，进入充值确认或付款边界。 |
| 生活缴费 | 户号、账单和金额已确定，进入缴费确认或付款边界。 |
| 租房找房 | 展示符合核心条件的真实房源，并可进入房源详情。 |
| 汽车养护 | 服务、车辆、门店和时间已确定，进入预约确认或付款。 |
| 招聘求职 | 展示符合核心条件的真实职位，并可进入职位详情或投递。 |
| 公积金/社保/医保 | 进入正确官方账户，展示余额、参保或可核验查询结果。 |
| 办公工具 | 实际生成可编辑或可下载的文件。 |
| 金融记账 | 指定账目已写入真实账本并保存。 |
| 阅读 | 打开目标书籍，并恢复到上次阅读位置。 |
| 金融计算（V1） | 给出完整、可核验的计算过程与结果。 |