1. 为什么我要认真聊聊 WorkBuddy 这个 AI 工作台第一次听说 WorkBuddy 是在一个技术群里有人甩了张截图说腾讯出了个 AI 工作台能把日常那些零碎的活儿——写文档、查资料、跑脚本、整理表格——全塞进一个对话框里搞定。当时我的第一反应是又一个套壳聊天机器人但真正用下来我发现这东西的定位跟普通对话式 AI 完全不是一回事。它更像是一个可编排、可扩展、能记住你习惯的 AI Agent 运行环境而不是一个只会聊天的窗口。WorkBuddy 是腾讯推出的 AI 工作台产品核心能力围绕AI Agent展开。你可以把它理解成一个“AI 员工的操作系统”底层接大模型中间层是任务编排和上下文管理上层通过Skill技能机制让 AI 学会各种具体本事。它跟 CodeBuddy 是同一体系下的不同侧重——CodeBuddy 更偏代码场景WorkBuddy 则面向更广泛的工作任务。很多人搜“workbuddy 和 codebuddy 的区别”其实一句话就能说清一个管写代码一个管干活。这篇文章适合谁看如果你是刚接触 AI Agent 的新手想找一个能上手实操的平台WorkBuddy 的门槛比从零搭一套 Agent 框架低得多如果你已经在用各种 AI 工具但觉得它们各管各的、数据不通、每次都要重新交代背景那 WorkBuddy 的 Skill 机制和持久化规则会让你眼前一亮如果你是开发者想搞清楚 models.json 怎么配、Skill 脚本怎么写、缓存目录能不能挪到 D 盘下面我也会把这些细节掰开揉碎讲。我前后花了大概三周时间从安装、配置、写 Skill、踩坑到日常使用基本把 WorkBuddy 的主要功能摸了一遍。这篇文章就是我的实战笔记不吹不黑好的地方说好坑的地方标清楚。你照着做能少走不少弯路。2. WorkBuddy 到底解决什么问题核心设计与思路拆解2.1 从“对话”到“干活”AI Agent 的本质差异普通 AI 对话产品的工作模式是你问一句它答一句上下文一长就忘换个话题就断片。WorkBuddy 的设计思路完全不同它把每一次交互都当作一个任务来处理。任务有目标、有上下文、有执行步骤、有产出物。这个区别听起来简单但实际用起来体验差很多。举个例子你让普通 AI “帮我整理一份周报”它会给你一个模板然后你得自己填。你让 WorkBuddy 做同样的事它会先问你几个关键信息这周做了哪些项目、有没有数据要贴然后调用相应的 Skill 去读取你之前存过的项目记录生成一份结构化的周报甚至能按你设定的格式导出。这就是AI Agent和聊天机器人的本质区别Agent 有记忆、有工具、有执行链路。WorkBuddy 把这个能力封装成了一个工作台形态。你打开它看到的不是一个空白对话框而是一个有侧边栏、有任务列表、有 Skill 管理入口的界面。这种设计降低了“从 0 到 1 搭建 AI Agent”的心理门槛——你不需要懂 LangChain、不需要配向量数据库先把现成的 Skill 用起来再慢慢学着自己写。2.2 Skill 机制WorkBuddy 的灵魂所在Skill 是 WorkBuddy 最核心的扩展机制。你可以把它理解成给 AI 装的“插件”或“技能包”。一个 Skill 本质上是一段描述 一组能力定义告诉 AI 在什么场景下该调用什么工具、按什么步骤执行、输出什么格式。为什么 Skill 这么重要因为大模型本身是通才但具体工作往往需要专才。你让一个通才去干财务对账的活它可能给你算错但你给它装一个“财务对账 Skill”里面写清楚对账逻辑、数据格式、异常处理规则它就能干得又快又准。Skill 就是把“通才”变成“专才”的转换器。WorkBuddy 的 Skill 体系有几个特点值得注意。第一Skill 可以用自然语言描述也可以用脚本实现门槛可高可低。第二Skill 可以组合调用一个复杂任务可以拆成多个 Skill 串联执行。第三Skill 有作用域概念你可以设定某个 Skill 只在特定项目或特定类型的任务中生效。这些设计让 WorkBuddy 既能满足轻量用户“拿来就用”的需求也能让重度用户深度定制。网上有人搜“skill 编码 247”“仓颉 skill”“数学建模 skill”说明大家已经在探索 Skill 的边界了。我的建议是先从官方或社区现成的 Skill 用起感受一下它的工作方式再尝试自己写。一上来就啃 Skill 开发指南容易劝退。2.3 models.json模型配置的入口WorkBuddy 支持多模型切换配置文件就是models.json。这个文件决定了你的工作台能用哪些模型、每个模型的参数怎么设、默认用哪个。很多人安装完发现模型列表是空的或者想换一个更擅长某类任务的模型都得跟这个文件打交道。models.json 的结构不复杂核心就是模型名称、API 端点、密钥、参数这几项。但有几个细节容易踩坑一是不同模型的参数名可能不一样比如有的叫max_tokens有的叫max_output_tokens二是密钥的存放方式直接写在文件里方便但不够安全用环境变量引用更稳妥三是模型的能力标签比如是否支持函数调用、是否支持图片输入这些标签会影响 Skill 的调用逻辑。我个人的做法是在 models.json 里配两到三个模型一个主力通用模型一个擅长代码或逻辑的模型一个轻量快速模型用于简单任务。然后在不同 Skill 里指定用哪个模型这样既保证效果又控制成本。2.4 持久化规则让 AI 记住你的习惯WorkBuddy 有一个很实用的功能你可以给它定几条规则后续对所有任务都生效。比如“所有输出都用中文”“代码块必须标注语言”“不要用 emoji”“回答前先确认我的需求”。这些规则一旦设定就不用每次重复交代了。这个功能解决的是 AI 使用中最烦人的问题之一重复调教。普通对话产品每次开新会话都要重新说一遍“请用中文回答”“请分点说明”WorkBuddy 的持久化规则把这个过程一次性搞定。而且规则可以分组管理工作场景一套规则学习场景另一套切换起来很方便。我建议新手安装完 WorkBuddy 后第一件事就是去规则设置里把常用的几条加上。别小看这个动作它能让你后续每一次交互都省心不少。3. 从零开始WorkBuddy 安装与初始配置实操3.1 安装前的环境确认WorkBuddy 目前支持 Windows、macOS 和 Linux。安装包不大但安装前有几件事最好确认一下。首先是系统版本。Windows 建议 Win10 及以上macOS 建议 12 以上Linux 主要看发行版和桌面环境。我试过在 Ubuntu 22.04 上装过程顺利但如果你用的是比较老的发行版可能会遇到依赖库版本不够的问题。其次是磁盘空间。WorkBuddy 本体不大但它的缓存目录会随着使用逐渐膨胀。默认缓存目录在系统盘的用户目录下如果你系统盘空间紧张建议安装完第一件事就是把缓存目录改到 D 盘或其他数据盘。具体怎么改后面会讲。第三是网络环境。WorkBuddy 需要连接模型服务所以安装和首次启动时需要能正常访问相应的服务端点。如果你所在的环境有网络限制提前确认一下相关域名是否可达。3.2 安装步骤与首次启动安装过程本身很标准下载安装包、双击、选路径、等进度条走完。这里不赘述重点说首次启动后的几个关键动作。第一次打开 WorkBuddy它会引导你做初始配置。这个引导流程大概包括登录账号、选择默认模型、设置工作目录、导入或创建第一个 Skill。我的建议是不要跳过引导尤其是模型配置那一步。如果你在引导里没配好模型后面用的时候会发现 AI 不响应还得回头找 models.json 改。首次启动后界面大概分几个区域左侧是任务列表和 Skill 管理中间是主工作区右侧是上下文和产出物面板。这个布局跟很多 AI 工作台类似但 WorkBuddy 的侧边栏可以折叠主工作区支持多标签用起来比较灵活。提示安装完成后先别急着干活花十分钟把设置里的“规则”和“模型”两项过一遍后面会省很多事。3.3 models.json 配置详解models.json 通常位于 WorkBuddy 的配置目录下。Windows 一般在%APPDATA%\WorkBuddy\或安装目录的config文件夹里macOS 在~/Library/Application Support/WorkBuddy/Linux 在~/.config/workbuddy/。你可以通过设置界面里的“打开配置目录”快速定位。一个典型的 models.json 结构如下{ models: [ { name: general-model, provider: custom, endpoint: https://api.example.com/v1/chat/completions, api_key: ${WORKBUDDY_API_KEY}, model_id: your-model-id, max_tokens: 4096, temperature: 0.7, capabilities: [chat, function_call] }, { name: fast-model, provider: custom, endpoint: https://api.example.com/v1/chat/completions, api_key: ${WORKBUDDY_API_KEY}, model_id: your-fast-model-id, max_tokens: 2048, temperature: 0.3, capabilities: [chat] } ], default_model: general-model }几个关键点解释一下。api_key用${环境变量名}的方式引用比直接写明文安全也方便在不同机器上同步配置。capabilities字段告诉 WorkBuddy 这个模型支持哪些能力比如是否支持函数调用。如果你的 Skill 依赖函数调用但模型没标这个能力Skill 可能不会正常工作。default_model指定默认用哪个不指定的话 WorkBuddy 可能会随机选或报错。改完 models.json 后需要重启 WorkBuddy 或手动触发配置重载。我遇到过改完没生效的情况后来发现是没重启。所以记住改配置先重启。3.4 缓存目录迁移到 D 盘这是很多人关心的问题WorkBuddy 的系统缓存目录能改到 D 盘吗答案是可以。缓存目录存放的是会话历史、临时文件、Skill 运行日志等。默认在系统盘时间长了可能占几个 G。迁移方法有两种。一种是在设置界面里找“存储位置”或“缓存目录”选项直接改成 D 盘的目标路径。另一种是手动改配置文件找到cache_dir或storage_path字段改成新路径然后把旧目录的内容复制过去。我建议用第一种方法界面操作不容易出错。改完之后重启确认新目录下有文件生成旧目录不再增长就说明迁移成功了。注意迁移前最好关掉 WorkBuddy避免文件占用导致复制失败。4. Skill 实战从使用现成技能到写出自己的第一个 Skill4.1 现成 Skill 的获取与安装WorkBuddy 的 Skill 来源主要有几个渠道官方内置、社区分享、自己编写。官方内置的 Skill 覆盖了常见场景比如文档总结、代码解释、数据整理、翻译润色等。社区分享的 Skill 则更加多样有人搜“数学建模 skill”“unity skill attack indicators”“倪海厦 skill”说明社区里已经有人在往垂直领域深耕了。安装现成 Skill 的方式通常有两种一种是通过 WorkBuddy 的 Skill 市场或插件中心直接搜索安装另一种是拿到 Skill 文件可能是 JSON 或脚本手动导入。手动导入时要注意 Skill 的依赖声明有些 Skill 依赖特定的模型能力或外部工具导入前先看清楚说明。我建议新手先从官方内置的 Skill 开始用熟悉一下 Skill 的交互方式。比如用“文档总结 Skill”处理一篇长文观察它是怎么分步骤执行的、输出格式是什么样的。用多了你自然就知道一个好的 Skill 应该怎么设计。4.2 Skill 的基本结构一个 Skill 通常包含几个部分名称和描述、触发条件、执行步骤、输入输出定义、依赖声明。用自然语言写的 Skill 更像一份“操作手册”告诉 AI 遇到什么情况该怎么做。用脚本写的 Skill 则更精确可以包含具体的代码逻辑。下面是一个简化版的 Skill 描述示例用自然语言定义了一个“会议纪要整理”技能名称会议纪要整理 描述将会议录音转写文本整理成结构化纪要 触发条件用户提供会议转写文本并要求整理纪要 执行步骤 1. 读取转写文本识别发言人 2. 提取每个发言人的核心观点 3. 按议题归类观点 4. 生成决议事项和待办列表 5. 输出格式议题、讨论要点、决议、待办、负责人 依赖需要文本处理能力建议使用支持长上下文的模型这个 Skill 没有写一行代码但已经能指导 AI 完成一个具体任务了。这就是 WorkBuddy Skill 机制的魅力用描述代替编程用规则代替硬编码。4.3 写第一个 Skill从需求到落地假设我要写一个“周报生成 Skill”。需求是每周五下午根据我这周在 WorkBuddy 里记录的任务和产出自动生成一份周报。第一步明确输入。周报的素材来自哪里可以是 WorkBuddy 的任务历史也可以是我手动贴进去的零散记录。我选择后者因为更可控。第二步定义输出格式。周报通常包括本周完成事项、进行中事项、下周计划、风险与求助。我要求输出 Markdown 格式方便直接复制到邮件或文档里。第三步写 Skill 描述。核心是告诉 AI 怎么从零散记录中提取信息、怎么归类、怎么措辞。比如“完成事项用过去时计划用将来时”“每项不超过两句话”“风险项要标注影响程度”。第四步测试和迭代。第一次写出来的 Skill 肯定不完美跑几遍看输出哪里不对改描述再跑。我大概迭代了五六次才得到一个比较满意的版本。注意Skill 描述里的指令要具体不要写“整理得好一点”这种模糊要求。AI 不知道什么叫“好一点”但知道什么叫“按时间顺序排列每项不超过 50 字”。4.4 Skill 组合与工作流编排单个 Skill 能解决单一任务但实际工作往往是多步骤的。WorkBuddy 支持 Skill 组合你可以把多个 Skill 串成一个工作流。比如“收集资料 → 总结要点 → 生成报告 → 格式排版”就是一条典型的工作流。编排工作流时要注意 Skill 之间的数据传递。上一个 Skill 的输出格式要能被下一个 Skill 正确解析。我踩过的坑是前一个 Skill 输出了一段带 Markdown 格式的文本后一个 Skill 期望的是纯文本结果解析出错。解决办法是在 Skill 描述里明确输出格式或者在中间加一个“格式转换”步骤。另外工作流里的错误处理也很重要。如果某个 Skill 执行失败是跳过继续还是中断整个流程这个要在编排时想清楚。我的习惯是关键步骤失败就中断并通知我非关键步骤失败就记录日志继续。5. 常见问题与排查技巧实录5.1 安装与启动类问题问题一安装后启动闪退。这种情况多半是依赖缺失或版本不兼容。Windows 上可以试试以管理员身份运行或者检查一下 .NET 运行时是否安装。macOS 上看看安全设置里有没有拦截。Linux 上检查一下图形库依赖。问题二启动后模型列表为空。九成是 models.json 没配好。检查文件路径对不对、JSON 格式有没有语法错误、api_key 引用的环境变量有没有设置。我遇到过因为多了一个逗号导致整个文件解析失败的情况排查了半天。问题三界面卡顿或响应慢。先看缓存目录是不是在系统盘且快满了迁移到数据盘通常能改善。如果还慢检查一下模型服务的网络延迟换个响应更快的模型试试。5.2 Skill 运行类问题问题一Skill 不触发。检查触发条件写得是否太窄或太宽。太窄了 AI 匹配不到太宽了乱触发。我建议触发条件里包含明确的场景关键词比如“当用户提到‘周报’且提供了本周记录时”。问题二Skill 执行到一半停了。可能是模型上下文超限或者某个步骤的输出格式不符合预期导致后续步骤无法解析。解决办法是拆分 Skill把长任务拆成短任务每个任务控制在模型上下文窗口内。问题三Skill 输出格式不对。在 Skill 描述里加一个输出示例告诉 AI “输出应该长这样”。示例比描述更直观AI 模仿示例的准确率更高。5.3 模型配置类问题问题一换模型后 Skill 不工作了。不同模型的能力标签不同新模型可能不支持函数调用或长上下文。检查 models.json 里新模型的 capabilities 字段确保它支持 Skill 所需的能力。问题二API 调用报错。常见原因有密钥过期、额度用完、端点地址写错、请求频率超限。逐个排查先确认密钥有效再确认端点可达最后看是不是被限流了。问题三响应速度忽快忽慢。可能是模型服务端的负载波动也可能是你的网络环境不稳定。可以配一个备用模型主模型慢的时候手动切换。5.4 常见问题速查表问题现象可能原因排查动作解决方向启动闪退依赖缺失/版本不兼容检查运行时和系统版本安装缺失依赖或升级系统模型列表为空models.json 配置错误检查文件路径和 JSON 语法修正配置并重启Skill 不触发触发条件设置不当检查触发关键词调整触发条件描述Skill 执行中断上下文超限/格式不匹配查看执行日志拆分 Skill 或加格式转换API 报错密钥/额度/端点问题逐项检查配置更新密钥或更换端点缓存占满系统盘默认缓存在 C 盘查看缓存目录大小迁移到数据盘5.5 几个我踩过的坑和独家技巧第一个坑Skill 描述里用了太多“请”“尽量”这类词。AI 对这类模糊指令的响应很不稳定。后来我改成“必须”“禁止”“按以下格式输出”效果立竿见影。指令要像写给执行者的操作手册而不是写给朋友的请求。第二个坑一次性配了太多模型。刚开始我觉得模型越多越好配了五六个结果每次切换都要想半天用哪个反而降低效率。后来精简到三个一个通用、一个快速、一个专精清爽多了。第三个技巧给 Skill 加版本号。每次修改 Skill 描述后在名称里加个版本标记比如“周报生成 v2”。这样出问题的时候能快速回滚到上一个版本也方便对比不同版本的效果差异。第四个技巧用 WorkBuddy 自己来调试 Skill。把 Skill 描述贴给 WorkBuddy让它帮你分析哪里可能有问题、哪里描述不够清晰。AI 检查 AI有时候能发现人眼忽略的细节。6. 进阶玩法把 WorkBuddy 用出花来6.1 多 Skill 协同的复杂工作流当你熟悉了单个 Skill 的写法后可以尝试更复杂的编排。比如我搭过一条“竞品调研”工作流第一个 Skill 负责从指定来源收集信息第二个 Skill 负责提取关键数据和观点第三个 Skill 负责对比分析第四个 Skill 负责生成报告并排版。整条流程跑下来大概两三分钟产出物直接可用。这种工作流的关键在于接口设计。每个 Skill 的输入输出要定义清楚像搭积木一样凹凸要对得上。我建议在写每个 Skill 之前先画一张流程图标清楚数据怎么流、格式怎么变。磨刀不误砍柴工。6.2 用规则系统打造个性化 AI 助手WorkBuddy 的规则系统可以玩出很多花样。除了基本的语言和格式规则你还可以设定角色规则、领域规则、安全规则。比如“你是一个资深财务分析师所有回答基于会计准则”“涉及金额的计算必须列出公式”“不确定的信息要标注‘待确认’”。规则可以分层全局规则对所有任务生效项目规则只对特定项目生效临时规则只在当前会话生效。合理利用分层能让 AI 在不同场景下表现出不同的专业度。6.3 WorkBuddy 与其他工具的配合WorkBuddy 不是孤岛。它可以跟笔记工具、代码编辑器、项目管理工具配合使用。比如用 WorkBuddy 生成初稿导出到文档工具里精修或者用 WorkBuddy 分析数据把结果贴到表格里做可视化。我常用的一个组合是WorkBuddy 负责“想”和“写”其他工具负责“存”和“展”。WorkBuddy 的产出物可以一键复制或导出格式保持得比较好省去了很多整理时间。6.4 关于 WorkBuddy 国际版和网页版WorkBuddy 有国际版和网页版功能上跟桌面版有重叠也有差异。国际版在模型选择和网络适配上可能更灵活网页版则胜在免安装、跨设备。我的建议是主力用桌面版功能最全临时用网页版方便快捷国际版看你的具体需求如果桌面版够用就不必折腾。7. 一些个人体会和后续可以折腾的方向用了这段时间我最大的感受是WorkBuddy 这类 AI 工作台的价值不在于模型本身有多强而在于它把“用 AI”这件事从“每次都要重新开始”变成了“越用越顺手”。Skill 和规则系统是它的护城河也是用户粘性的来源。如果你刚开始用我的建议是第一周先别急着写 Skill把内置功能用熟把规则配好把模型调顺。第二周开始尝试改现成的 Skill改着改着你就知道怎么写自己的了。第三周再动手写第一个原创 Skill从最简单的任务开始别一上来就搞复杂工作流。后续我打算折腾的方向有几个一是把常用工作流做成 Skill 模板分享给团队同事二是研究一下 Skill 的脚本化写法看能不能把一些重复性操作自动化三是试试把 WorkBuddy 接入到日常的文档和数据处理流程里看能不能进一步压缩手动操作的时间。这个领域变化很快今天好用的方法明天可能就有更好的替代。保持折腾保持记录比什么都重要。