过去两年，我们在做政企信创迁移时发现一个怪圈：用户抱怨最多的不是 WPS 或永中打不开 Word 文档，而是“AI 助手不好使”。原来，随着大模型能力的爆发，基层员工对“一键总结长文、自动生成 PPT、智能校对公文”的期望值急剧上升。信创办公套件如果不接上 AI 引擎，就很难留住从 Microsoft 转过来的人员。
但是，AI 功能的落地远比我们想象的要复杂。不同的信创套件，其 AI 架构设计截然不同。WPS 走的是“云端大模型 + 本地插件”的混合模式，而永中 Office 则更倾向于“端侧原生集成”。这两种路线，直接决定了我们在机房部署时的硬件选型、网络策略甚至安全合规风险。今天我们就把这两家掰开揉碎，看看在实际工程中该怎么选。
在深入代码之前，我们必须搞清楚这两款软件的底层 AI 调用逻辑。这直接决定了我们的运维工作量。WPS 的 AI 功能（WPS AI）目前主要通过一个独立的 Python 或 Node.js 插件进程来运行。它在本地捕获用户的操作事件，然后通过 IPC 或 HTTP 协议将请求发送给后端模型。这个模型可以是公有云的 API，也可以是部署在内网的私有模型。
相比之下，永中 Office 的 AI 能力更多是嵌入在它的文档解析引擎里的。它的优势在于对自有文件格式（.ofs）的深度优化，但在处理外部格式时，AI 的介入方式更加隐蔽。永中尝试在端侧运行轻量级的 NLP 模型，这意味着它对用户终端的 CPU 或 GPU 有更高的要求，而不是像 WPS 那样可以把计算压力甩给服务端。
为了验证这两种方案的可行性，我们在一台典型的信创终端（搭载飞腾处理器 + 8GB 运存）和一台服务器（搭载 NVIDIA T4 显卡）上进行了部署测试。以下是两个最真实的踩坑记录。
在信创环境中，出于安全考虑，很多单位默认禁用了文档宏。我们发现，当用户打开带有宏的 .docx 文件时，WPS AI 的悬浮窗按钮点击后会报错，提示“权限不足”。日志显示，这是因为 AI 插件试图注入 JavaScript 解释器，而宏安全策略阻止了这一行为。
解决方案：我们在 GPO（组策略）层面为 WPS AI 插件添加了受信任的应用程序白名单，并关闭了“仅启用可信发布者”的宏策略。但这带来了新的安全问题——必须配合 DLP（数据防泄漏）系统使用。如果你所在的单位有严格的内网隔离要求，这个坑可能会让你头疼很久。
永中的文档总结 AI 功能在本地运行时，会加载一个约 1.5GB 的 BERT 变体模型。在只有 4GB 显存的老旧机上，处理一篇 50 页以上的 PDF 时，经常触发 Out Of Memory 错误，导致整个 Office 套件闪退。
解决方案：我们强制要求所有部署永中 AI 版本的终端，必须配备 8GB 显存。同时，我们在应用层做了一个降级逻辑：如果检测到显存不足，自动切换为“云端摘要”模式，即只把文本抽出来发给服务器，不在端侧跑模型。这个逻辑必须要在安装包里写死，否则用户反馈会爆炸。
在同样的 7B 参数量模型下，我们对 WPS（云端 API 调用）和永中（端侧量化推理）进行了延迟测试。以下是典型数据对比：
| 方案 | 优势 | 代价 | 适用场景 |
|---|---|---|---|
| WPS AI + 云端 API | 终端零负担，功能迭代快 | 需高带宽，有持续 API 调用费 | 互联网企业、有稳定外网的机构 |
| WPS AI + 私有化部署 | 数据不出域，延迟低（<200ms） | 需采购 GPU 服务器，运维成本高 | 金融、政务核心内网 |
| 永中端侧 AI | 断网可用，隐私性极强 | 极度依赖终端硬件，易引发闪退 | 移动办公、网络受限的野外单位 |
针对 WPS 的私有化部署，我们通常编写脚本来自动绑定本地模型。以下是一个简化的配置加载脚本，用于确保 AI 插件能正确连接到本地的 vLLM 服务：
# wps_ai_config_loader.py
import json
import os
def load_wps_ai_endpoint():
config_path = os.path.expanduser("~/.wps/ai_config.json")
try:
with open(config_path, 'r', encoding='utf-8') as f:
config = json.load(f)
# 检查本地 vLLM 服务是否可达
host = config.get('host', 'http://127.0.0.1:8000')
if not host.startswith("http"):
host = "http://" + host
return {"endpoint": host, "model_name": config.get('model')}
except FileNotFoundError:
print("错误：未找到 WPS AI 配置文件，请检查 ~/.wps/")
return None
except json.JSONDecodeError:
print("错误：配置文件格式非法，请修正 JSON 语法。")
return None
if __name__ == "__main__":
result = load_wps_ai_endpoint()
expected_output = {'endpoint': 'http://127.0.0.1:8000', 'model_name': 'qwen2.5-7b-instruct'}
print(f"当前加载配置: {result}")
assert result == expected_output, "配置加载预期不匹配"
print("✅ 插件连接验证通过，可以启动 AI 功能。")信创办公套件的 AI 适配，本质上是算力分配和隐私保护的博弈。WPS 胜在生态丰富和插件化灵活，但它的云端依赖让它在内网环境中显得水土不服；永中胜在原生集成和端侧离线能力，但对硬件的挑剔程度也更高。
如果我们的机房有充足的 GPU 资源，且用户习惯使用云端协作，那么 WPS 的私有化部署方案（配合 vLLM 等高速推理框架）是目前的最优解。如果用户设备老旧，且处于完全物理隔离的网络中，永中的端侧量化模型是唯一的选择。我们建议，在选择前，务必先拿一台典型终端做一次压力测试，避免上线后出现大面积崩溃。
首次激活和常规使用通常依赖云端 LLM 接口，但企业版支持私有化部署 API，断网环境下调用本地推理引擎即可，前提是完成了离线 Token 绑定。
由于永中内置了较强的文档解析模块，AI 功能在显存低于 4GB 的机器上容易出现卡顿。建议至少配备 8GB 显存，且优先使用量化版本模型。
兼容性排雷。特别是 WPS 的 .docx 宏与 AI 插件冲突，会导致 AI 按钮点击无响应。需要在沙箱中测试特定版本的插件与 Office 内核的匹配度。