新手教学、科普与入门 · AI与编程基础 · 2026-03-19

把 MiniMax M2.7 扔进真实业务里:它替我省了 BI 和程序员的钱

MiniMax M2.7如何颠覆传统业务开发?这篇实测告诉你AI如何真正替代BI和程序员。

核心内容:

  1. MiniMax M2.7在办公场景的突破:处理"圆明园式"复杂Excel数据
  2. 工程能力验证:从零开发管理系统并自主迭代的"自我进化"表现
  3. 多Agent协同测试:MaxClaw平台上的复杂技能流执行效果

回看 2025 年 Q2 到 2026 年 Q1,AI 的发展路径清晰得惊人:上下文扩充、成本降低,最终催生了 Agent 的爆发。在这场狂奔中,MiniMax 仅用 270 余天就迭代了五个模型版本,点亮了从上下文长度到 Agent 能力所有的“技能点”,甚至跑走完了上市流程——对于一家只有四百余名员工的公司,这本身就是一场 AI Native 组织的极限实验。

我们都在等待 MiniMax 证明一个问题:一个 AI-Native 型的创业组织,能跑多久,到达何种位置?

这也是我们为何必须测试一下 MiniMax M2.7 。

为了验证这一点,我在 3 月 18 日发布前一天拿到的测试资格,第一时间把 API 接入了 Cursor,同时在 MaxClaw 上加载了 MiniMax 自己开源的应用开发系列的 Skills,基本就算完成了所有测试准备。

这个过程我没考虑 Claude Code,也没选择 OpenClaw —— MiniMax 自始至终都是一家对 C 端 /D 端体验比较关注的 AI 平台型公司,那就不妨让这种体验再平权一些:价格高的、部署复杂的,咱都不考虑。

从官方消息来看,MiniMax M2.7 的更新重点有四类:

  1. 更真实的软件工程能力,包括 Agent 场景下的 Cowork 能力;
  2. 专业办公能力;
  3. 自我进化能力;
  4. 更好的互动娱乐表现,包括人设保持和情商;

除了互动娱乐表现,其他三项都在本次测试计划内。我避开了写游记、做网页等常规 Demo,设计了一套更贴近真实业务“烂摊子”的测试题:

  1. 输入端(办公测试):扔给它一份包含非标数据、公式断裂的“圆明园式” Excel,看它能不能像 BI 一样挖掘数据价值;
  2. 生产端(工程测试):不给详细需求文档,让它从零开发一套管理系统,并在报错中自主迭代,验证其“自我进化”能力;
  3. 协作端(MaxClaw 测试):体验多 Agent 协同,看它能否真正理解并执行复杂的技能流。

从数据处理到系统构建再到多智能体协作,最终指向一个终极问题:AI 能否真正“干活”而非“演示”? 测试结果,出乎我的意料。

当 Excel 变成“压缩包” 它比 BI 更懂业务谈及专业办公,一个事实情况是,大语言模型不能很好的处理表格数据。因此业内有许多大数据团队、BI 类产品,正在进行低调的二次创业,产品理念就是 AI + BI,处理 Excel 数据。

看起来, Excel 呈现的是一些结构化数据;实际上,Excel 更像一个“压缩包”,里面包含了公式、格式、引用关系、命名区域等杂七杂八的对象。而大模型的输入只是 Token 序列,两者之间存在结构性错位。

此外,当数据以 Excel 的形式输入大模型,消耗的 Token 量轻松翻倍,即使上下文窗口达到 100K ,很容易导致一个中等大小的 Excel 报表被截断。

最后,所谓的结构化数据,放在实际业务场景中,一般都是非结构化的……以媒体业务为例,内容类型的标准写法通常是:图文、视频、音频、博文……实际的填写情况一般是:头条、三条、单推、微博置顶三天……这种混乱是真实业务的常态,也是大模型最容易翻车的地方。

总结一下,在我们眼里一个结构精美的 Excel 报表,在大模型眼里可能就跟圆明园差不多——所以我特地准备了一份结构有“一点”复杂的真实业务报表,200 多行,100 多列,包含文字、数字、日期、公式、表格合并等要素,涵盖 InfoQ 过去一年的主要合作情况。

这份报表在经过基本的脱敏工作以后,我投喂过 ChatGPT 等一众主流 ChatBot,会被截断,无法正常解读;投喂过一家创业公司的 Agent 平台,导致对话卡死,无法回复,报了 Bug。现在又被我投喂给了 M2.7。

我们先来看看上下文问题。

Q1:现在你是我的业务助理秘书,附件是过去一年我业务的经营数据,现在你读到了多少行、多少列数据?MiniMax 比较精巧的一点是,官网默认访问 MiniMax Agent,而非一个 ChatBot,所以面对这个问题直接拉起 Agent 开始写 Python 脚本。

最终输出为:

这个数字证明,Excel 不但没有被截断,数据量比我预想的还要大。仔细检查表格后我才发现,在上百空行后,存在一个孤零零的误录入数据,此前一直没有被发现过:

Q2:此前所有的合作中,合作规模最大的五名客户的情况整理给我,子业务的合作直接统计到集团口径下,如飞书属于字节跳动旗下,飞书合作合并至字节跳动整体。**这其实是个非常模糊的提问,我并未说明所谓的合作规模用什么数据界定。同时子业务与集团的关系,需要模型自己去查证判断。

M2.7 没有被这份'烂数据'带偏——分类逻辑、金额汇总、集团归并全部正确。

Q3:文章、视频类内容分别合作了多少次?总体金额分别是多少?还有哪些数据趋势值得被关注?这属于业务经营的常规问题,但标准同样模糊,同时考验对数据的整体理解和分析。

M2.7 的数据解读无误:

同时模型也提供了业务发展的四个关键洞察,且都有数据佐证:

至此,数据分析的结论已经有了,但如何将结论以专业、直观的形式呈现,是办公场景的另一大挑战。于是我提出了第四个问题:

Q4:基于以上数据,帮我生成一个透视方案,展示每一个项目经理的季度项目承接金额,同时分析每一个项目经理服务的企业偏好,最终报告结论:是否有必要围绕某几家头部合作伙伴组建服务专班?**M2.7 调用了 Excel 处理技能,构建了透视表框架,准确设置了行、列及多个值字段,并按要求分项目经理创建了对比视图。最终交付物是一个结构清晰、可直接用于对比分析的工作报表稽核,以及一份关于专班组建策略的业务洞察和分析报告。

(受限于业务敏感数据,仅展示部分分析结果)

从读懂数据、理解业务逻辑,到直接生成可汇报的分析图表——对办公能力的考察可以告一段落了。尤其是 Excel 数据处理的能力考察,我觉得可以告一段落了,同时也给行业留下了几个问题:

  1. 我一度想采购智能 BI 产品做数据分析,但现在觉得用 MiniMax 就够了,如…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/shuziyuangong/2026031928691.html