企业官网建设流程全解析

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（Skill）：WorkBuddy 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：

1. 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。"
2. 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。
3. 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。
4. 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：

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。