1. 前言为什么值得认真研究 WorkBuddy如果你想找一个能真正帮你干活的 AI 助手——不只是聊天、写文案而是能操作电脑上的软件、读取文档、整理聊天记录、调用各种工具完成一整条业务流程——那 WorkBuddy 是你值得认真研究的那个工具。这篇是《WorkBuddy 实战蓝皮书》系列的第一篇入门篇面向刚接触 WorkBuddy 的新手用户也适合已经在用但想系统梳理基础概念的人。我尽量把这篇内容定位成看完就能上手的实战笔记而不是产品说明书。操作类的东西我按 Windows 11 环境来讲Linux 和 macOS 的差异会单独标注。整个系列后续还会覆盖进阶技能编写、本地模型部署、业务场景实战等内容这篇先把地基打牢。先说清楚一件事WorkBuddy 不是又一个聊天框。它更像一个桌面指挥官能理解你的意图然后把任务拆解成步骤调度不同的能力去执行。比如你丢给它一个需求把这周的项目周报整理出来它能自己去读文件夹里的文档、提取关键信息、按模板生成报告而不是等你一段一段地把材料喂给它。这种干活属性是它和普通 AI 助手最本质的区别。2. 入坑之前想清楚 WorkBuddy 解决什么问题2.1 WorkBuddy 到底是哪个类别的工具市面上的 AI 工具大致分三类第一类是纯对话助手你问它答知识面广但不碰你的电脑第二类是代码生成工具专注在 IDE 里帮你写代码第三类是 Agent 平台能编排工具、调用外部系统、执行多步骤任务。WorkBuddy 属于第三类但它和很多云端 Agent 平台不一样的地方在于它主打本地运行。本地运行意味着你的文件、对话记录、任务上下文都留在自己机器上不强制上传到云端隐私性更有保障也方便接入本地部署的模型比如用 Ollama 跑千问、Llama 这类开源模型。很多人关心 WorkBuddy 能不能离线用、能不能接自己的模型答案都是可以的这也是它在国内用户群里讨论度上升的核心原因。2.2 三个核心概念任务、技能、连接器入门最痛苦的环节就是面对一堆新名词。我帮你梳理一下其实核心就三个任务Task你给 WorkBuddy 下达的一个完整目标比如整理聊天记录并生成摘要。任务可以是一次性的对话也可以是有多步骤的流程。技能SkillWorkBuddy 内置或你自定义的专项能力包。每个 Skill 相当于给 AI 一本操作手册告诉它某种场景下该怎么拆解步骤、调用什么工具、输出什么格式。你甚至可以用自然语言直接定义一个新的 Skill。连接器Connector打通外部系统的通道比如文件系统、浏览器、数据库、第三方 API。连接器让 WorkBuddy 不只是想想而已而是真正能读写文件、访问网页、调用接口。用生活化的方式理解任务是你想做的事技能是 AI 大脑里的业务流程 SOP连接器是它的手脚。三者配合才能完成闭环。2.3 WorkBuddy 和 CodeBuddy 到底什么关系很多人在搜workbuddy codebuddy 区别这里一次说清楚。CodeBuddy 偏代码场景定位是 AI 编程助手熟悉 IDE、Git 流程、代码补全与审查WorkBuddy 偏通用办公和业务流程自动化面向的是处理实际工作事务的场景比如文档整理、表格处理、网页信息采集、多系统数据流转。两者属于同一个技术体系下的不同产品分支有相似的任务编排内核但适用人群和使用场景差异明显。如果你是写代码的CodeBuddy 更对口如果你的诉求是把每天重复的办公事务交给 AI 跑那 WorkBuddy 才是你要研究的东西。当然实际使用中并不冲突不少人是两个工具配合着用的。3. 环境准备与安装部署避开那些新手必踩的坑3.1 安装前的硬件和系统要求先说系统。WorkBuddy 官方支持 Windows 10/11、macOS 以及主流的 Linux 发行版包括国产的麒麟系统也有对应版本——我见过不少政务、能源、教育行业的用户就是看中这点才选的它。Windows 上建议用 Win10 1909 以上版本老版本系统容易遇到运行库缺失的问题。硬件方面我实测下来的经验是CPU 不用太豪华i5 及以上即可内存至少 16GB如果同时跑本地模型建议 32GB磁盘剩余空间至少留 20GB——不是工具本身占空间而是任务产生的对话记录、模型缓存、临时文件都会慢慢累积。另外如果你要用 GPU 跑本地大模型NVIDIA 显卡是首选显存 8GB 起步比较舒服。3.2 从下载到安装Windows 与 Linux 的实操记录下载安装这块网上教程五花八门但很多都过时了。我建议一律去官网下最新版安装包别用第三方下载站的绿色版破解版一方面版本老另一方面这种工具类软件被植入后门太常见了。Windows 安装流程很简单双击安装包一路下一步就行。两个注意点安装路径不要带中文和空格我见过有人装在D:\软件\WorkBuddy下某些连接器加载动态库时直接报错改成D:\WorkBuddy就好。杀毒软件可能会拦截安装程序因为 WorkBuddy 会申请系统级权限来操作文件。这属于正常现象添加信任即可但前提是你确认安装包是从官网下载的。Linux 这边稍微麻烦一点。下载对应发行版的安装包后用 dpkg 或 rpm 安装。以 Ubuntu 为例sudo dpkg -i workbuddy_xxx_amd64.deb # 如果报依赖缺失执行 sudo apt-get install -f装完后首次启动如果缺少 GUI 库会启动失败。这时查看日志目录下的错误信息一般是缺 libgtk 或 libnss3用包管理器装上再启动就行。3.3 模型配置从云端 API 到本地模型拿到 WorkBuddy 之后第一件事就是配置模型。没有模型一切功能都是空谈。WorkBuddy 默认兼容 OpenAI 格式的 API这意味着只要你的模型服务提供 OpenAI 风格接口基本都能接进来。云端 API 的配置很简单在设置里填上 API Base 地址和密钥选择一个模型名称比如 GPT-4o 系列就能用。国内用户常用的还有各家国产大模型的 API同样走 OpenAI 兼容格式把地址改成对应服务的地址即可。注意有些服务商需要在模型名称前加特定前缀配置前先看服务商的文档。本地模型方面我推荐用 Ollama 作为中间层。先在 Ollama 里拉取目标模型ollama pull qwen2.5:14b ollama serve然后在 WorkBuddy 的模型配置中填http://localhost:11434/v1作为 API 地址模型名称填你在 Ollama 中拉取的模型名。实测下来日常办公任务用 7B 到 14B 参数量级别的模型就够用只有比较复杂的多步推理才需要上 32B。如果你要在无 GPU 的机器上跑千问 7B 的量化版也能凑合但响应速度会让人着急建议还是至少有 8GB 显存。3.4 数据目录的迁移C 盘告急怎么办这个几乎是每个重度用户都会遇到的问题。WorkBuddy 默认把任务对话历史、缓存文件存放在用户目录下的.workbuddy文件夹Windows 下就是C:\Users\你的用户名\.workbuddy。用久了之后这个目录会膨胀得很厉害尤其是有大量任务记录和附件缓存时几十个 GB 并不夸张。好在数据目录可以改。打开配置文件一般在安装目录下的config文件或应用内设置项找到数据路径配置项把它指向其他盘符比如D:\WorkBuddyData。修改前一定要先退出 WorkBuddy 进程再把原来的数据目录整体复制过去否则会丢历史对话。我自己就吃过这个亏改完路径没迁移旧数据结果启动后一片空白以为数据没了其实是新路径下没有旧数据把文件夹复制过去才恢复。另外这个目录不要放到移动硬盘或网络映射盘上。WorkBuddy 对任务记录的读写非常频繁网络盘延迟会导致任务执行时莫名其妙的超时。4. 首次启动与基础配置把工作台调整顺手4.1 注册登录与工作区概念安装完成后首次启动需要注册或登录账号。这个账号主要用于同步基础配置和部分云功能任务上下文默认是保存在本地的所以即使你换设备也不会自动同步聊天记录——至少在我的使用版本里是这样。如果你对数据隐私敏感这是好事。登录后进入主界面你会看到一个类似工作台的界面。WorkBuddy 的工作台可以理解成多个会话的容器每个任务对应一个独立的会话页签彼此不干扰。这种设计对多任务并行非常友好你可以在一个会话里跑文档整理在另一个会话里做网页数据采集两者各自的上下文独立维护不会串味。4.2 界面导览别忽略右下角的技能面板第一次打开 WorkBuddy界面看起来很简单中间是聊天区左侧是会话列表输入框在底部。但我建议你先别急着发消息花两分钟看看界面的几个关键区域模型选择器输入框上方的下拉菜单切换当前会话用的模型。我习惯每个会话单独指定模型复杂任务用大模型简单任务用小模型省时省成本。技能Skill面板通常是一个图标入口打开后能看到当前可用的技能列表。新手的误区是直接对话让 AI什么都会但很多时候你需要先激活一个具体的技能AI 才会按相应流程执行。附件上传区域拖拽文件进去AI 才能读取本地文档。注意不是所有文件类型都能直接解析常见格式如 txt、md、docx、pdf、xlsx 基本都没问题。4.3 配置默认参数温度、超时和输出长度模型配置里有一组关键参数新手往往不注意但实际体验差很多Temperature温度控制回答的随机性办公场景建议设在 0.3 到 0.7 之间。太低会显得机械太高会产生大量废话尤其是做数据处理时温度太高会导致输出格式不规范。Timeout超时时间调大一点尤其在使用本地模型时。本地推理速度不稳定默认超时太短的话任务一复杂就报错中断。我通常设为 300 秒及以上。Max Tokens最大输出长度根据你的任务类型来。做长文总结时默认长度经常不够建议至少设为 4096。4.4 创建第一个任务从问候开始了解它的脾气配置完成后我建议你不要直接上复杂任务先跑一个健康检查式的对话。比如发一句请列出当前系统时间并检查工作目录下有哪些文件。这个任务看着简单但它能验证三件事模型连接是否正常、文件系统连接器是否生效、任务日志是否在正确记录。我看到很多新手一上来就丢一个帮我完成市场调研报告结果 AI 跑了一半卡住最后连是模型问题还是配置问题都分不清。由简入繁永远是排查问题的第一步。执行完这个任务后去数据目录里看看你会看到这次会话的原始记录文件。如果你能看懂记录文件里的内容恭喜你你已经比一半的新手更了解 WorkBuddy 了。5. 掌握 Skill 技能机制让 AI 按你的套路干活5.1 Skill 到底是什么为什么重要很多人把 WorkBuddy 当成更强的 ChatGPT来用对话体验确实不错但很快就发现它不听话——让它按特定格式输出它总是自由发挥。问题就出在没用 Skill。Skill 的本质是给 AI 的前置指令集。你在 Skill 里定义好角色、流程、输出格式、禁忌事项AI 在执行相关任务时会优先读取这些规则。打个比方普通对话是让一个聪明但没有工作经验的实习生干活Skill 就是你在开工前塞给他的《岗位操作手册》告诉他第一步干嘛第二步干嘛、遇到什么情况怎么处理、最终交付长什么样。5.2 怎么快速上手官方技能包WorkBuddy 内置了一些官方 Skill覆盖常见办公场景。建议新手把这些官方 Skill 挨个看一遍尤其是文档处理信息提取周报生成这类。看官方 Skill 的目的不只是用更是学习它的结构怎么描述指令、怎么定义输入输出、怎么分步骤。我自己的习惯是拿到一个 Skill 后先打开它的源文件看看里面的提示词是怎么写的然后复制一个副本改成自己的风格。这比你从零开始编写要快得多也更容易掌握规范的写法。5.3 自定义指令的编写技巧以能源托管专家为例有一个搜索热词是创建一个公共机构能源托管节能改造的专家提示词怎么写这正好适合用来说明 Skill 的写法。官方文档不会教你怎么做行业专家但思路是通用的。编写一个行业专家型 Skill核心是四个层次身份与知识边界明确告诉 AI 它是什么角色、具备哪些专业知识、不回答哪些问题。比如你是一个公共机构能源托管领域的资深工程师熟悉合同能源管理、节能诊断、用能审计、暖通系统与照明系统改造方案设计。你只回答与能源托管和节能改造相关的问题不讨论无关话题。工作流定义把你要 AI 执行的步骤写清楚。比如做节能诊断时第一步收集建筑基本信息第二步分析用能结构第三步提出改造建议第四步做经济性测算。输出模板规定最终输出格式。比如结论要有现状评估—问题清单—改造建议—投资测算—预期收益五个部分。约束与红线告诉 AI 不要凭空捏造数据不确定时要明确标注涉及具体政策文件时要说明以最新文件为准。写好之后把这个 Skill 保存到技能目录下然后在对话中激活。实测下来同样的模型加上专业 Skill回答质量能提升一个档次——不是因为模型变聪明了而是它的输出被规范在你的业务框架里了。5.4 几个高频实用 Skill 推荐根据社区讨论和我自己的实践下面这几个 Skill 的使用频率最高会议纪要生成输入原始录音转写文本自动按议题—结论—待办事项—责任人格式输出。行业研报拆解输入 PDF 或网页链接输出核心观点、数据摘要、竞品动态。聊天记录整理处理微信或钉钉导出的对话文件自动提取任务、约定和时间点。周报生成根据本周的任务记录和文档修改记录生成结构化周报。UI 自动化助手通过屏幕操作指令控制界面元素适合重复性界面操作任务。新手一开始不用贪多把一两个 Skill 用到极致比收集一大堆 Skill 却不知道怎么用要强得多。6. 连接器与系统集成把 WorkBuddy 接到你的数据流里6.1 连接器在任务执行中扮演的角色如果 Skill 是 AI 的方法论那连接器就是 AI 的触手。没有连接器AI 只能基于你贴给它的文本做处理能力天花板非常低。有了连接器AI 才能去读你磁盘上的文件、访问网页、调用外部 API、操作数据库。WorkBuddy 的连接器体系设计得比较清晰每个连接器负责一类外部资源。我强烈建议新手把下面这几个连接器至少都试一遍文件系统连接器、网页抓取连接器、命令行连接器、以及你工作中最常用到的那个业务系统对应的连接器。6.2 文件系统连接器的正确打开方式文件系统连接器的作用是让 AI 按你的授权读取指定目录下的文件。这里有个关键点授权范围。默认情况下WorkBuddy 只能访问数据目录和它自己的工作目录。你要让它处理D:\Projects\报告下的文件必须先在连接器配置里把这个目录添加为可信路径否则 AI 会告诉你无权限访问。我见过不少人抱怨AI 读不了我的文档十有八九就是授权问题。配置路径时建议只给最小必要权限——用哪个目录就授权哪个目录不要图省事把整个盘都授权了。如果某个任务需要写入文件也要给 AI 明确指定输出目录避免它把生成的乱七八糟的中间文件写得到处都是。6.3 让 WorkBuddy 和 Obsidian 联动热词里有workbuddy obsidian这两个工具的组合确实是知识管理场景的绝配。Obsidian 的仓库本质是本地 Markdown 文件夹所以让 WorkBuddy 处理 Obsidian 笔记只需要做好两件事第一在文件系统连接器里把 Obsidian 仓库的根目录加入可信路径第二给 WorkBuddy 写一个知识库助手类 Skill告诉它笔记的组织规则、标签规范、双链格式要求。我用这个组合做每周笔记整理把一周内散乱记录的闪念笔记让 WorkBuddy 按主题归类、补全标签、生成索引页直接在 Obsidian 里形成结构化知识网络。以前这活儿要花我两三个小时现在十分钟就够了而且分类逻辑比我自己的强迫症还稳定。6.4 命令行连接器和 API 接入命令行连接器是最被低估的功能它让 WorkBuddy 能直接执行系统命令。比如你可以让 AI查看一下 8080 端口被哪个进程占用如果占用 kill 掉AI 会调起命令行执行查询并告诉你结果。这功能很强大但风险也大所以我建议命令行连接器的权限默认保持每次执行需确认的状态不要让 AI 静默执行高危命令。API 接入这块WorkBuddy 支持通过自定义连接器调用任意 HTTP API。配置方法很简单填上接口地址、请求方法、请求头和鉴权信息然后在 Skill 中引用该连接器即可。国内不少用户把企业微信、钉钉、飞书的 webhook 接进来做消息通知任务跑完自动推送结果到群里非常实用。7. 实战从零搭建一个个人工作台7.1 先想清楚你的工作台要干什么前面讲了这么多概念下面用一个完整的实战案例把它们串起来。假设你的场景是每天早上需要处理大量信息要收集行业新闻、整理待办事项、更新项目进度文档。这个需求拆解下来包含三个子任务网页信息采集、文档生成、文件更新。正好对应三个核心能力网页连接器、文本生成、文件系统写入。所以个人工作台的配置思路就是围绕这三件事来做。7.2 配置技能与连接器的具体步骤第一步新建一个 Skill命名为晨间工作流提示词里定义好完整流程读取D:\Work\Daily\目录下的待办清单文件用网页连接器抓取你指定的几个行业网站的最新新闻提取标题和摘要按今日待办 行业快讯 关注事项三个板块组织输出生成 Markdown 格式的晨报文件保存到D:\Work\Daily\晨报\目录文件名格式为晨报-YYYY-MM-DD.md。第二步在连接器配置中把D:\Work\Daily\目录加入文件系统可信路径并在网页抓取连接器中配置好你常看的新闻源 URL 列表。第三步在模型配置中确认使用的模型支持长上下文因为一次要处理多个来源的信息上下文窗口太短容易被截断。7.3 测试运行与结果检查配置完成后新建一个任务直接用一句话触发运行晨间工作流。系统会加载对应 Skill依次执行文件读取、网页抓取、文本整理、文件生成。第一次运行大概率不会完美。常见的现象是文件生成了但格式不符合预期或者网页抓取时有些站点反爬拦截导致内容为空。这时候查看任务日志定位是哪一步出了问题然后针对性调整 Skill 中的描述或者换一个更稳定的信息来源。我自己的经验是把 Skill 中的每一步尽可能写具体。不要写抓取新闻标题而是写访问每个 URL提取页面中 class 为 article-title 的元素文本去除 HTML 标签按来源分组。AI 对越明确的指令执行得越稳定。7.4 把工作流跑起来的进一步优化工作台跑通之后你还可以做三个优化设置定时触发让 WorkBuddy 每天早八点自动执行把结果推送到你的即时通讯工具以及在输出文件中加入统计分析比如本周重点事件追踪。定时触发在 WorkBuddy 中可以通过内置的计划任务功能实现。设置时注意执行时间避开系统资源高峰期也要保证执行期间电脑不休眠——我这台机器之前就因为自动睡眠导致定时任务录了一半就断了。8. 常见问题与排查技巧实录8.1 高频问题速查表我整理了社区里出现频率最高的几个问题方便你对症下药问题描述可能原因解决方法启动闪退或报错缺少运行库或显卡驱动过旧安装 VC 运行库更新显卡驱动模型响应超时云端 API 网络不稳定或本地模型推理慢调大超时时间本地模型换更小量化版本无法读取指定文件夹文件夹未加入可信路径在文件系统连接器中添加授权目录任务执行到一半中断上下文过长或某一步连接器报错查看任务日志定位具体步骤精简输入或调整 Skill对话记录丢失数据目录迁移未完成或路径配置错误恢复原数据目录确认配置指向正确找不到某个 SkillSkill 未启用或安装位置不对检查 Skill 管理界面确认文件放在正确的技能目录8.2 模型接入的三个典型报错模型配置是问题重灾区我单独拎出来讲。第一种报错是Connection refused或Invalid API key这属于网络或鉴权问题。检查 API 地址是否填对密钥是否正确以及本机防火墙是否拦截了出站请求。如果用本地模型确认 Ollama 服务确实在监听 11434 端口。第二种报错是Model not found说明你填写的模型名称和模型服务端实际提供的名称不一致。解决方法是先调用模型的列表接口看看可用模型叫什么再回来填。第三种报错是Request timed out本地模型比较常见。除了调大超时时间还可以检查是否多个程序同时在占用 GPU 显存。我遇到过 Ollama 和另一个推理服务抢显存导致 WorkBuddy 这边推理极慢关掉其他进程就恢复了。8.3 任务执行异常时的排查思路当任务执行结果和预期不符时不要急着改提示词。正确的排查顺序是第一看任务日志。WorkBuddy 会在数据目录下记录每一步的执行详情包括 AI 调用了哪些工具、读取了哪些文件、返回了什么结果。日志是定位问题的第一手资料。第二确认上下文完整。如果任务需要多轮交互检查 AI 是否真的拿到了你应该给它提供的所有信息。很多时候 AI 表现笨是因为它压根没看到关键文件或数据。第三缩小问题范围。把大任务拆成小步骤单独测试。比如晨间工作流跑出来新闻区是空的你就先单独测试网页抓取这一步是否正常别整个流程一起调试效率会高很多。8.4 数据安全与隐私的红线提醒最后说一个容易被忽略但很重要的事WorkBuddy 的任务上下文保存在本地但如果你接入了云端 API你发送给模型的数据会经过第三方服务器。敏感业务数据、客户信息、内部文档尽量走本地模型处理。我在做涉及客户信息的任务时一律使用本地部署的千问模型不接外部 API。另外Skill 中不要写真实的密码和密钥。虽然 WorkBuddy 的配置是本地保存但一旦你导出配置分享给同事或者把 Skill 上传到社区这些敏感信息就等于公开了。正确做法是用环境变量或单独的安全配置项来管理密钥Skill 中通过变量名引用。9. 实践后的几点体会把 WorkBuddy 从装上到真正融入日常工作我走了一些弯路也总结出三条经验。第一条是先跑起来再优化。不要花一周时间研究所有功能才开始用装好、配好模型、跑通一个最小任务你就已经超过了大多数停留在收藏教程阶段的人。WorkBuddy 的复杂性在于组合而不在于单个功能你只有通过实际任务才能理解每个组件该放在什么位置。第二条是Skill 才是你的核心竞争力。模型会更新连接器会增加但只要你会把业务逻辑沉淀成 Skill你的工作台就能持续进化。我建议每完成一个有效任务回头看一眼这个过程能不能固化成技能。好的 Skill 不是一天写成的而是通过一次次使用中微调出来的。第三条是善用本地能力。我认识不少用户把 WorkBuddy 纯粹当作云端大模型的高级客户端在用这其实是浪费。文件操作、命令行、定时任务、本地模型推理这些扎根在你电脑上的能力才是它区别于普通 AI 工具的价值所在。把 AI 的能力和本地数据的处理结合起来这个工具才能真正成为你的数字员工。这篇入门篇就到这里下一期我会详细拆解 Skill 的编写语法和进阶技巧包括多步骤任务的分支处理、错误重试机制、以及如何把外部 API 封装成可复用的连接器。如果你在跑通第一个任务的路上遇到了问题先按第八节的排查思路走一遍大多数坑都能自己填平。
1. 前言为什么值得认真研究 WorkBuddy如果你想找一个能真正帮你干活的 AI 助手——不只是聊天、写文案而是能操作电脑上的软件、读取文档、整理聊天记录、调用各种工具完成一整条业务流程——那 WorkBuddy 是你值得认真研究的那个工具。这篇是《WorkBuddy 实战蓝皮书》系列的第一篇入门篇面向刚接触 WorkBuddy 的新手用户也适合已经在用但想系统梳理基础概念的人。我尽量把这篇内容定位成看完就能上手的实战笔记而不是产品说明书。操作类的东西我按 Windows 11 环境来讲Linux 和 macOS 的差异会单独标注。整个系列后续还会覆盖进阶技能编写、本地模型部署、业务场景实战等内容这篇先把地基打牢。先说清楚一件事WorkBuddy 不是又一个聊天框。它更像一个桌面指挥官能理解你的意图然后把任务拆解成步骤调度不同的能力去执行。比如你丢给它一个需求把这周的项目周报整理出来它能自己去读文件夹里的文档、提取关键信息、按模板生成报告而不是等你一段一段地把材料喂给它。这种干活属性是它和普通 AI 助手最本质的区别。2. 入坑之前想清楚 WorkBuddy 解决什么问题2.1 WorkBuddy 到底是哪个类别的工具市面上的 AI 工具大致分三类第一类是纯对话助手你问它答知识面广但不碰你的电脑第二类是代码生成工具专注在 IDE 里帮你写代码第三类是 Agent 平台能编排工具、调用外部系统、执行多步骤任务。WorkBuddy 属于第三类但它和很多云端 Agent 平台不一样的地方在于它主打本地运行。本地运行意味着你的文件、对话记录、任务上下文都留在自己机器上不强制上传到云端隐私性更有保障也方便接入本地部署的模型比如用 Ollama 跑千问、Llama 这类开源模型。很多人关心 WorkBuddy 能不能离线用、能不能接自己的模型答案都是可以的这也是它在国内用户群里讨论度上升的核心原因。2.2 三个核心概念任务、技能、连接器入门最痛苦的环节就是面对一堆新名词。我帮你梳理一下其实核心就三个任务Task你给 WorkBuddy 下达的一个完整目标比如整理聊天记录并生成摘要。任务可以是一次性的对话也可以是有多步骤的流程。技能SkillWorkBuddy 内置或你自定义的专项能力包。每个 Skill 相当于给 AI 一本操作手册告诉它某种场景下该怎么拆解步骤、调用什么工具、输出什么格式。你甚至可以用自然语言直接定义一个新的 Skill。连接器Connector打通外部系统的通道比如文件系统、浏览器、数据库、第三方 API。连接器让 WorkBuddy 不只是想想而已而是真正能读写文件、访问网页、调用接口。用生活化的方式理解任务是你想做的事技能是 AI 大脑里的业务流程 SOP连接器是它的手脚。三者配合才能完成闭环。2.3 WorkBuddy 和 CodeBuddy 到底什么关系很多人在搜workbuddy codebuddy 区别这里一次说清楚。CodeBuddy 偏代码场景定位是 AI 编程助手熟悉 IDE、Git 流程、代码补全与审查WorkBuddy 偏通用办公和业务流程自动化面向的是处理实际工作事务的场景比如文档整理、表格处理、网页信息采集、多系统数据流转。两者属于同一个技术体系下的不同产品分支有相似的任务编排内核但适用人群和使用场景差异明显。如果你是写代码的CodeBuddy 更对口如果你的诉求是把每天重复的办公事务交给 AI 跑那 WorkBuddy 才是你要研究的东西。当然实际使用中并不冲突不少人是两个工具配合着用的。3. 环境准备与安装部署避开那些新手必踩的坑3.1 安装前的硬件和系统要求先说系统。WorkBuddy 官方支持 Windows 10/11、macOS 以及主流的 Linux 发行版包括国产的麒麟系统也有对应版本——我见过不少政务、能源、教育行业的用户就是看中这点才选的它。Windows 上建议用 Win10 1909 以上版本老版本系统容易遇到运行库缺失的问题。硬件方面我实测下来的经验是CPU 不用太豪华i5 及以上即可内存至少 16GB如果同时跑本地模型建议 32GB磁盘剩余空间至少留 20GB——不是工具本身占空间而是任务产生的对话记录、模型缓存、临时文件都会慢慢累积。另外如果你要用 GPU 跑本地大模型NVIDIA 显卡是首选显存 8GB 起步比较舒服。3.2 从下载到安装Windows 与 Linux 的实操记录下载安装这块网上教程五花八门但很多都过时了。我建议一律去官网下最新版安装包别用第三方下载站的绿色版破解版一方面版本老另一方面这种工具类软件被植入后门太常见了。Windows 安装流程很简单双击安装包一路下一步就行。两个注意点安装路径不要带中文和空格我见过有人装在D:\软件\WorkBuddy下某些连接器加载动态库时直接报错改成D:\WorkBuddy就好。杀毒软件可能会拦截安装程序因为 WorkBuddy 会申请系统级权限来操作文件。这属于正常现象添加信任即可但前提是你确认安装包是从官网下载的。Linux 这边稍微麻烦一点。下载对应发行版的安装包后用 dpkg 或 rpm 安装。以 Ubuntu 为例sudo dpkg -i workbuddy_xxx_amd64.deb # 如果报依赖缺失执行 sudo apt-get install -f装完后首次启动如果缺少 GUI 库会启动失败。这时查看日志目录下的错误信息一般是缺 libgtk 或 libnss3用包管理器装上再启动就行。3.3 模型配置从云端 API 到本地模型拿到 WorkBuddy 之后第一件事就是配置模型。没有模型一切功能都是空谈。WorkBuddy 默认兼容 OpenAI 格式的 API这意味着只要你的模型服务提供 OpenAI 风格接口基本都能接进来。云端 API 的配置很简单在设置里填上 API Base 地址和密钥选择一个模型名称比如 GPT-4o 系列就能用。国内用户常用的还有各家国产大模型的 API同样走 OpenAI 兼容格式把地址改成对应服务的地址即可。注意有些服务商需要在模型名称前加特定前缀配置前先看服务商的文档。本地模型方面我推荐用 Ollama 作为中间层。先在 Ollama 里拉取目标模型ollama pull qwen2.5:14b ollama serve然后在 WorkBuddy 的模型配置中填http://localhost:11434/v1作为 API 地址模型名称填你在 Ollama 中拉取的模型名。实测下来日常办公任务用 7B 到 14B 参数量级别的模型就够用只有比较复杂的多步推理才需要上 32B。如果你要在无 GPU 的机器上跑千问 7B 的量化版也能凑合但响应速度会让人着急建议还是至少有 8GB 显存。3.4 数据目录的迁移C 盘告急怎么办这个几乎是每个重度用户都会遇到的问题。WorkBuddy 默认把任务对话历史、缓存文件存放在用户目录下的.workbuddy文件夹Windows 下就是C:\Users\你的用户名\.workbuddy。用久了之后这个目录会膨胀得很厉害尤其是有大量任务记录和附件缓存时几十个 GB 并不夸张。好在数据目录可以改。打开配置文件一般在安装目录下的config文件或应用内设置项找到数据路径配置项把它指向其他盘符比如D:\WorkBuddyData。修改前一定要先退出 WorkBuddy 进程再把原来的数据目录整体复制过去否则会丢历史对话。我自己就吃过这个亏改完路径没迁移旧数据结果启动后一片空白以为数据没了其实是新路径下没有旧数据把文件夹复制过去才恢复。另外这个目录不要放到移动硬盘或网络映射盘上。WorkBuddy 对任务记录的读写非常频繁网络盘延迟会导致任务执行时莫名其妙的超时。4. 首次启动与基础配置把工作台调整顺手4.1 注册登录与工作区概念安装完成后首次启动需要注册或登录账号。这个账号主要用于同步基础配置和部分云功能任务上下文默认是保存在本地的所以即使你换设备也不会自动同步聊天记录——至少在我的使用版本里是这样。如果你对数据隐私敏感这是好事。登录后进入主界面你会看到一个类似工作台的界面。WorkBuddy 的工作台可以理解成多个会话的容器每个任务对应一个独立的会话页签彼此不干扰。这种设计对多任务并行非常友好你可以在一个会话里跑文档整理在另一个会话里做网页数据采集两者各自的上下文独立维护不会串味。4.2 界面导览别忽略右下角的技能面板第一次打开 WorkBuddy界面看起来很简单中间是聊天区左侧是会话列表输入框在底部。但我建议你先别急着发消息花两分钟看看界面的几个关键区域模型选择器输入框上方的下拉菜单切换当前会话用的模型。我习惯每个会话单独指定模型复杂任务用大模型简单任务用小模型省时省成本。技能Skill面板通常是一个图标入口打开后能看到当前可用的技能列表。新手的误区是直接对话让 AI什么都会但很多时候你需要先激活一个具体的技能AI 才会按相应流程执行。附件上传区域拖拽文件进去AI 才能读取本地文档。注意不是所有文件类型都能直接解析常见格式如 txt、md、docx、pdf、xlsx 基本都没问题。4.3 配置默认参数温度、超时和输出长度模型配置里有一组关键参数新手往往不注意但实际体验差很多Temperature温度控制回答的随机性办公场景建议设在 0.3 到 0.7 之间。太低会显得机械太高会产生大量废话尤其是做数据处理时温度太高会导致输出格式不规范。Timeout超时时间调大一点尤其在使用本地模型时。本地推理速度不稳定默认超时太短的话任务一复杂就报错中断。我通常设为 300 秒及以上。Max Tokens最大输出长度根据你的任务类型来。做长文总结时默认长度经常不够建议至少设为 4096。4.4 创建第一个任务从问候开始了解它的脾气配置完成后我建议你不要直接上复杂任务先跑一个健康检查式的对话。比如发一句请列出当前系统时间并检查工作目录下有哪些文件。这个任务看着简单但它能验证三件事模型连接是否正常、文件系统连接器是否生效、任务日志是否在正确记录。我看到很多新手一上来就丢一个帮我完成市场调研报告结果 AI 跑了一半卡住最后连是模型问题还是配置问题都分不清。由简入繁永远是排查问题的第一步。执行完这个任务后去数据目录里看看你会看到这次会话的原始记录文件。如果你能看懂记录文件里的内容恭喜你你已经比一半的新手更了解 WorkBuddy 了。5. 掌握 Skill 技能机制让 AI 按你的套路干活5.1 Skill 到底是什么为什么重要很多人把 WorkBuddy 当成更强的 ChatGPT来用对话体验确实不错但很快就发现它不听话——让它按特定格式输出它总是自由发挥。问题就出在没用 Skill。Skill 的本质是给 AI 的前置指令集。你在 Skill 里定义好角色、流程、输出格式、禁忌事项AI 在执行相关任务时会优先读取这些规则。打个比方普通对话是让一个聪明但没有工作经验的实习生干活Skill 就是你在开工前塞给他的《岗位操作手册》告诉他第一步干嘛第二步干嘛、遇到什么情况怎么处理、最终交付长什么样。5.2 怎么快速上手官方技能包WorkBuddy 内置了一些官方 Skill覆盖常见办公场景。建议新手把这些官方 Skill 挨个看一遍尤其是文档处理信息提取周报生成这类。看官方 Skill 的目的不只是用更是学习它的结构怎么描述指令、怎么定义输入输出、怎么分步骤。我自己的习惯是拿到一个 Skill 后先打开它的源文件看看里面的提示词是怎么写的然后复制一个副本改成自己的风格。这比你从零开始编写要快得多也更容易掌握规范的写法。5.3 自定义指令的编写技巧以能源托管专家为例有一个搜索热词是创建一个公共机构能源托管节能改造的专家提示词怎么写这正好适合用来说明 Skill 的写法。官方文档不会教你怎么做行业专家但思路是通用的。编写一个行业专家型 Skill核心是四个层次身份与知识边界明确告诉 AI 它是什么角色、具备哪些专业知识、不回答哪些问题。比如你是一个公共机构能源托管领域的资深工程师熟悉合同能源管理、节能诊断、用能审计、暖通系统与照明系统改造方案设计。你只回答与能源托管和节能改造相关的问题不讨论无关话题。工作流定义把你要 AI 执行的步骤写清楚。比如做节能诊断时第一步收集建筑基本信息第二步分析用能结构第三步提出改造建议第四步做经济性测算。输出模板规定最终输出格式。比如结论要有现状评估—问题清单—改造建议—投资测算—预期收益五个部分。约束与红线告诉 AI 不要凭空捏造数据不确定时要明确标注涉及具体政策文件时要说明以最新文件为准。写好之后把这个 Skill 保存到技能目录下然后在对话中激活。实测下来同样的模型加上专业 Skill回答质量能提升一个档次——不是因为模型变聪明了而是它的输出被规范在你的业务框架里了。5.4 几个高频实用 Skill 推荐根据社区讨论和我自己的实践下面这几个 Skill 的使用频率最高会议纪要生成输入原始录音转写文本自动按议题—结论—待办事项—责任人格式输出。行业研报拆解输入 PDF 或网页链接输出核心观点、数据摘要、竞品动态。聊天记录整理处理微信或钉钉导出的对话文件自动提取任务、约定和时间点。周报生成根据本周的任务记录和文档修改记录生成结构化周报。UI 自动化助手通过屏幕操作指令控制界面元素适合重复性界面操作任务。新手一开始不用贪多把一两个 Skill 用到极致比收集一大堆 Skill 却不知道怎么用要强得多。6. 连接器与系统集成把 WorkBuddy 接到你的数据流里6.1 连接器在任务执行中扮演的角色如果 Skill 是 AI 的方法论那连接器就是 AI 的触手。没有连接器AI 只能基于你贴给它的文本做处理能力天花板非常低。有了连接器AI 才能去读你磁盘上的文件、访问网页、调用外部 API、操作数据库。WorkBuddy 的连接器体系设计得比较清晰每个连接器负责一类外部资源。我强烈建议新手把下面这几个连接器至少都试一遍文件系统连接器、网页抓取连接器、命令行连接器、以及你工作中最常用到的那个业务系统对应的连接器。6.2 文件系统连接器的正确打开方式文件系统连接器的作用是让 AI 按你的授权读取指定目录下的文件。这里有个关键点授权范围。默认情况下WorkBuddy 只能访问数据目录和它自己的工作目录。你要让它处理D:\Projects\报告下的文件必须先在连接器配置里把这个目录添加为可信路径否则 AI 会告诉你无权限访问。我见过不少人抱怨AI 读不了我的文档十有八九就是授权问题。配置路径时建议只给最小必要权限——用哪个目录就授权哪个目录不要图省事把整个盘都授权了。如果某个任务需要写入文件也要给 AI 明确指定输出目录避免它把生成的乱七八糟的中间文件写得到处都是。6.3 让 WorkBuddy 和 Obsidian 联动热词里有workbuddy obsidian这两个工具的组合确实是知识管理场景的绝配。Obsidian 的仓库本质是本地 Markdown 文件夹所以让 WorkBuddy 处理 Obsidian 笔记只需要做好两件事第一在文件系统连接器里把 Obsidian 仓库的根目录加入可信路径第二给 WorkBuddy 写一个知识库助手类 Skill告诉它笔记的组织规则、标签规范、双链格式要求。我用这个组合做每周笔记整理把一周内散乱记录的闪念笔记让 WorkBuddy 按主题归类、补全标签、生成索引页直接在 Obsidian 里形成结构化知识网络。以前这活儿要花我两三个小时现在十分钟就够了而且分类逻辑比我自己的强迫症还稳定。6.4 命令行连接器和 API 接入命令行连接器是最被低估的功能它让 WorkBuddy 能直接执行系统命令。比如你可以让 AI查看一下 8080 端口被哪个进程占用如果占用 kill 掉AI 会调起命令行执行查询并告诉你结果。这功能很强大但风险也大所以我建议命令行连接器的权限默认保持每次执行需确认的状态不要让 AI 静默执行高危命令。API 接入这块WorkBuddy 支持通过自定义连接器调用任意 HTTP API。配置方法很简单填上接口地址、请求方法、请求头和鉴权信息然后在 Skill 中引用该连接器即可。国内不少用户把企业微信、钉钉、飞书的 webhook 接进来做消息通知任务跑完自动推送结果到群里非常实用。7. 实战从零搭建一个个人工作台7.1 先想清楚你的工作台要干什么前面讲了这么多概念下面用一个完整的实战案例把它们串起来。假设你的场景是每天早上需要处理大量信息要收集行业新闻、整理待办事项、更新项目进度文档。这个需求拆解下来包含三个子任务网页信息采集、文档生成、文件更新。正好对应三个核心能力网页连接器、文本生成、文件系统写入。所以个人工作台的配置思路就是围绕这三件事来做。7.2 配置技能与连接器的具体步骤第一步新建一个 Skill命名为晨间工作流提示词里定义好完整流程读取D:\Work\Daily\目录下的待办清单文件用网页连接器抓取你指定的几个行业网站的最新新闻提取标题和摘要按今日待办 行业快讯 关注事项三个板块组织输出生成 Markdown 格式的晨报文件保存到D:\Work\Daily\晨报\目录文件名格式为晨报-YYYY-MM-DD.md。第二步在连接器配置中把D:\Work\Daily\目录加入文件系统可信路径并在网页抓取连接器中配置好你常看的新闻源 URL 列表。第三步在模型配置中确认使用的模型支持长上下文因为一次要处理多个来源的信息上下文窗口太短容易被截断。7.3 测试运行与结果检查配置完成后新建一个任务直接用一句话触发运行晨间工作流。系统会加载对应 Skill依次执行文件读取、网页抓取、文本整理、文件生成。第一次运行大概率不会完美。常见的现象是文件生成了但格式不符合预期或者网页抓取时有些站点反爬拦截导致内容为空。这时候查看任务日志定位是哪一步出了问题然后针对性调整 Skill 中的描述或者换一个更稳定的信息来源。我自己的经验是把 Skill 中的每一步尽可能写具体。不要写抓取新闻标题而是写访问每个 URL提取页面中 class 为 article-title 的元素文本去除 HTML 标签按来源分组。AI 对越明确的指令执行得越稳定。7.4 把工作流跑起来的进一步优化工作台跑通之后你还可以做三个优化设置定时触发让 WorkBuddy 每天早八点自动执行把结果推送到你的即时通讯工具以及在输出文件中加入统计分析比如本周重点事件追踪。定时触发在 WorkBuddy 中可以通过内置的计划任务功能实现。设置时注意执行时间避开系统资源高峰期也要保证执行期间电脑不休眠——我这台机器之前就因为自动睡眠导致定时任务录了一半就断了。8. 常见问题与排查技巧实录8.1 高频问题速查表我整理了社区里出现频率最高的几个问题方便你对症下药问题描述可能原因解决方法启动闪退或报错缺少运行库或显卡驱动过旧安装 VC 运行库更新显卡驱动模型响应超时云端 API 网络不稳定或本地模型推理慢调大超时时间本地模型换更小量化版本无法读取指定文件夹文件夹未加入可信路径在文件系统连接器中添加授权目录任务执行到一半中断上下文过长或某一步连接器报错查看任务日志定位具体步骤精简输入或调整 Skill对话记录丢失数据目录迁移未完成或路径配置错误恢复原数据目录确认配置指向正确找不到某个 SkillSkill 未启用或安装位置不对检查 Skill 管理界面确认文件放在正确的技能目录8.2 模型接入的三个典型报错模型配置是问题重灾区我单独拎出来讲。第一种报错是Connection refused或Invalid API key这属于网络或鉴权问题。检查 API 地址是否填对密钥是否正确以及本机防火墙是否拦截了出站请求。如果用本地模型确认 Ollama 服务确实在监听 11434 端口。第二种报错是Model not found说明你填写的模型名称和模型服务端实际提供的名称不一致。解决方法是先调用模型的列表接口看看可用模型叫什么再回来填。第三种报错是Request timed out本地模型比较常见。除了调大超时时间还可以检查是否多个程序同时在占用 GPU 显存。我遇到过 Ollama 和另一个推理服务抢显存导致 WorkBuddy 这边推理极慢关掉其他进程就恢复了。8.3 任务执行异常时的排查思路当任务执行结果和预期不符时不要急着改提示词。正确的排查顺序是第一看任务日志。WorkBuddy 会在数据目录下记录每一步的执行详情包括 AI 调用了哪些工具、读取了哪些文件、返回了什么结果。日志是定位问题的第一手资料。第二确认上下文完整。如果任务需要多轮交互检查 AI 是否真的拿到了你应该给它提供的所有信息。很多时候 AI 表现笨是因为它压根没看到关键文件或数据。第三缩小问题范围。把大任务拆成小步骤单独测试。比如晨间工作流跑出来新闻区是空的你就先单独测试网页抓取这一步是否正常别整个流程一起调试效率会高很多。8.4 数据安全与隐私的红线提醒最后说一个容易被忽略但很重要的事WorkBuddy 的任务上下文保存在本地但如果你接入了云端 API你发送给模型的数据会经过第三方服务器。敏感业务数据、客户信息、内部文档尽量走本地模型处理。我在做涉及客户信息的任务时一律使用本地部署的千问模型不接外部 API。另外Skill 中不要写真实的密码和密钥。虽然 WorkBuddy 的配置是本地保存但一旦你导出配置分享给同事或者把 Skill 上传到社区这些敏感信息就等于公开了。正确做法是用环境变量或单独的安全配置项来管理密钥Skill 中通过变量名引用。9. 实践后的几点体会把 WorkBuddy 从装上到真正融入日常工作我走了一些弯路也总结出三条经验。第一条是先跑起来再优化。不要花一周时间研究所有功能才开始用装好、配好模型、跑通一个最小任务你就已经超过了大多数停留在收藏教程阶段的人。WorkBuddy 的复杂性在于组合而不在于单个功能你只有通过实际任务才能理解每个组件该放在什么位置。第二条是Skill 才是你的核心竞争力。模型会更新连接器会增加但只要你会把业务逻辑沉淀成 Skill你的工作台就能持续进化。我建议每完成一个有效任务回头看一眼这个过程能不能固化成技能。好的 Skill 不是一天写成的而是通过一次次使用中微调出来的。第三条是善用本地能力。我认识不少用户把 WorkBuddy 纯粹当作云端大模型的高级客户端在用这其实是浪费。文件操作、命令行、定时任务、本地模型推理这些扎根在你电脑上的能力才是它区别于普通 AI 工具的价值所在。把 AI 的能力和本地数据的处理结合起来这个工具才能真正成为你的数字员工。这篇入门篇就到这里下一期我会详细拆解 Skill 的编写语法和进阶技巧包括多步骤任务的分支处理、错误重试机制、以及如何把外部 API 封装成可复用的连接器。如果你在跑通第一个任务的路上遇到了问题先按第八节的排查思路走一遍大多数坑都能自己填平。
