四个个人 AI 助手完成九项任务：一次用户测试

Claire Vo 在 2026 年 10 月用九项任务比较四个个人助手：Grok Bot、Dot、Muse 和 Claude Duet。这是她个人的探索性测试，不是标准化或独立复现的基准。

她询问助手常见任务，选择了重叠的用例。提示词简短，采用她平时的表达，涵盖工作、创意制作和家庭需求。

一个操作者代理通过电脑操作控制每个助手。Claude 操作 Dot，Codex 操作其他三个；自动化出错或需要推动时 Vo 也会介入。操作者不同是一个重要混杂因素。

Vo 尝试统一可用连接和技能，但忘记把 Muse 连接到一些业务工具。助手也有不同的历史和记忆，她评分时知道输出来自哪个系统。

九项任务包括 Slack 回复、短视频剪辑、修复 Sentry 错误、Figma 缩略图、收件箱待办整理、家庭报纸、儿童物理问题、买鞋和产品发布视频。

Vo 报告说，在她的配置中 Dot 和 Grok 完成了九项任务，而 Muse 和 Duet 各完成七项。Muse 缺少一些连接，Vo 也说自动化本身有时需要帮助；完成数量应结合这些背景理解。

她报告说 Muse 在多项任务中最快，Duet 常常较慢，各工具请求许可的次数也不同。速度和是否请求批准与正确性、适当性是不同的衡量维度。

在 Slack 回复任务中，Muse 没有访问权限。Vo 说可用草稿总体可用；她更喜欢 Dot 提到报酬和远程参加，因为这些符合她的个人偏好。

在短视频任务中，Duet 在这次运行中没有完成要求的下载和剪辑。Vo 更喜欢 Muse 的剪辑与布局，将 Dot 排在其次，不喜欢 Grok 叠加元素的部分效果。视觉排名带有主观性。

在 Sentry 错误修复任务中，Muse 没有 GitHub 连接。Vo 说 Dot 最接近预期修复，Duet 还发现另一个错误；她批评 Grok 的修复放松了校验。这是对单个问题的评价，不是通用编程基准。

在 Figma 缩略图任务中，她不喜欢 Muse 的设计，认为 Dot 和 Duet 可用但较保守，更喜欢 Grok 的新想法。结果取决于她的模板、素材和审美偏好。

有相应访问权限的工具都找到了收件箱任务，但 Vo 更喜欢 Grok 的文档格式。Muse 只能看到她的 Gmail；她觉得 Dot 的简短消息在这个工作流中不够有用。

对于家庭报纸，Vo 喜欢 Muse 的视觉呈现和 Grok 的组织方式。她说 Duet 只能访问工作日历并生成了提纲，而 Dot 的布局不符合她的喜好。访问权限不同会影响比较。

据 Vo 说，四者都正确回答了选取的速度—时间作业问题。她因为 Muse 响应快而更喜欢它；一个练习不能衡量整体教学可靠性。

买鞋任务中，她更喜欢 Grok 的比较，认为稍加引导的 Muse 也接近可用。Duet 遇到网站阻拦并弄错了要求的颜色；她认为 Dot 搜索不完整。

在产品发布视频任务中，Duet 制作了 Vo 最喜欢的版本。Grok 更多遵循既定风格，但布局溢出；Muse 缺少代码库访问权限并编造了细节，说明输出中的说法需要核对。

Vo 把自己的口头评价输入 Claude 生成最终排名，Grok 第一、Muse 随后。她说自己并不清楚展示的百分比如何计算；这些数字不应被当作可复现的准确率。

她的实际建议是按任务选择工具，并检查连接器、速度、输出呈现和审批行为。在这套配置中，她个人偏好用 Grok 处理若干工作任务，用 Muse 处理家庭任务。

在编程方面，Vo 说 Dot 和 Duet 在她的测试中结果最好，但她通常会直接使用底层编程工具。所有结论都局限于这里使用的提示词、访问权限、操作者和评价方式。