企业官网建设流程全解析

备课这件事，最折磨人的从来不是"没东西可讲"，而是"东西太多、太散、太乱"。我手上就有一门课的完整资料包：三份不同年份的课件、两版教学大纲、一堆从各处收集的案例文档、若干篇参考文献、还有学生反馈里反复提到的几个难点。这些材料单看都有价值，但要把它们揉成一份能直接上课的教案，再配一套能投屏的教学 PPT，过去我至少要花两个整天。这次我换了个思路，用 WorkBuddy 的多 Agent 协作能力把整个流程跑了一遍，从散装资料到成品教案加 PPT，实际耗时压到了两个小时出头。这篇文章就把这套流程完整拆开讲清楚，包括我怎么设计 Agent 分工、怎么给它们定规则、中间踩了哪些坑、以及最后怎么把产出物收敛成能用的格式。

1. 先想清楚：为什么备课这件事适合交给多 Agent 而不是单个助手

1.1 备课任务的本质是"多角色流水线"，不是"一问一答"

很多人第一次用 AI 辅助备课，习惯是打开一个对话框，把资料一股脑丢进去，然后说"帮我写份教案"。结果往往不理想：要么内容太泛，要么结构混乱，要么把不同来源的材料张冠李戴。问题不在于模型能力不够，而在于备课这个任务本身就不是单一动作。

你仔细拆一下，一份合格教案的诞生至少经过这几个环节：资料清洗与归类（把散装文档按主题、章节、难度分层）、教学目标对齐（对照大纲确定每节课的知识点和能力目标）、内容重组（把案例、理论、练习按教学逻辑重新编排）、教案撰写（形成标准格式的教学设计文档）、PPT 转化（把教案压缩成视觉化的演示内容）。这五个环节的输入输出格式不同、关注点不同、甚至需要的"思维方式"都不同。

单个 Agent 做这件事，相当于让一个人同时扮演资料员、教研组长、主讲老师和设计师，它会在某个环节偷懒或者串味。而多 Agent 协作的核心价值，就是让每个 Agent 只专注一件事，并且把上一环的产出作为下一环的输入，形成一条清晰的流水线。

1.2 WorkBuddy 的多 Agent 协作到底解决什么问题

WorkBuddy 的多 Agent 机制，简单说就是你可以定义多个具有不同职责的智能体，每个 Agent 有自己的系统提示词、技能配置和输出规范，它们之间可以传递任务和结果。这跟"在一个对话框里反复追问"有本质区别。

我实测下来，它解决的核心痛点是三个：

• 上下文隔离：资料清洗 Agent 面对的是几百页原始文档，教案撰写 Agent 面对的是清洗后的结构化摘要。如果不隔离，教案 Agent 会被大量无关原文干扰，输出质量下降。
• 规则可复用：我可以给"教案撰写 Agent"定一套固定的格式规则，之后所有课程都复用这套规则，不用每次重新描述。
• 并行处理：资料归类和质量校验可以同时进行，最后汇总，节省时间。

提示：多 Agent 不是越多越好。我一开始设计了七个 Agent，结果协调成本反而超过了收益。后来收敛到四个核心 Agent 加一个校验 Agent，效率最高。

1.3 这套流程适合谁，不适合谁

适合的人：手上有成堆散装教学资料、需要定期产出教案和 PPT 的一线教师、培训讲师、课程开发者。尤其是那些课程内容相对稳定、但每次都要重新组织呈现形式的场景。

不太适合的人：只需要临时讲一次、没有存量资料的情况。这种情况下单 Agent 快速生成反而更划算，多 Agent 的配置成本收不回来。

2. 四个核心 Agent 的分工设计与规则配置

2.1 资料清洗 Agent：把"散装"变成"结构化"

这是整条流水线的第一环，也是最容易被低估的一环。我最初的错误是跳过它，直接把原始资料喂给教案 Agent，结果教案里出现了大量重复内容和前后矛盾的表述。

资料清洗 Agent 的职责很明确：读取所有原始文档，按主题聚类，提取每份材料的核心观点，标注来源和适用章节，输出一份结构化的资料清单。

我给它定的规则大致是这样的（这是 WorkBuddy 里 Agent 配置的核心部分）：

角色：教学资料整理专员 任务：读取用户提供的全部教学资料，完成以下工作 1. 按知识主题对材料分组，每组给出主题名称 2. 每组内提取3-5条核心观点，每条注明来源文件 3. 标注材料之间的重复或矛盾之处 4. 输出格式：Markdown 表格，列为[主题, 核心观点, 来源, 备注] 约束：不要改写原文观点，只做提取和归类

这里有个关键细节：要求它标注"重复或矛盾"。我那份资料里，两版大纲对某个知识点的课时安排不一致，清洗 Agent 把这个矛盾点标出来后，我在教案阶段就能主动决策用哪版，而不是让 AI 随机选一个。

2.2 教案架构 Agent：先搭骨架，再填肉

资料清洗完，不要急着写完整教案。我踩过的坑是让 Agent 直接输出成稿，结果结构很平，重点不突出。正确做法是先让一个 Agent 专门负责设计教案骨架。

这个 Agent 的输入是清洗后的资料清单加上教学大纲，输出是一份详细的教案目录，包括：每节课的标题、教学目标（知识/能力/素养三个维度）、重难点、时间分配、每个环节对应的资料引用。

角色：课程设计专家 任务：基于资料清单和教学大纲，设计教案骨架 要求： 1. 每节课拆分为导入、讲授、练习、小结四个环节 2. 每个环节标注建议时长，总时长匹配课时 3. 重难点单独标出，并注明突破策略 4. 每个知识点后标注引用的资料编号 输出：层级化的教案目录，不写具体讲稿

我特别看重"标注资料编号"这一条。它保证了后面写讲稿时，每个观点都有出处，不会出现 AI 自己编内容的情况。

2.3 讲稿撰写 Agent：把骨架填成能开口讲的内容

骨架有了，接下来才是写具体内容。这个 Agent 的任务量最大，我给它定的规则也最细。

关键规则包括：口语化表达（教案是给自己看的，要能直接照着讲）、每段不超过 200 字（方便课堂节奏控制）、每个重难点必须配一个生活化类比或案例、练习环节要给出参考答案要点。

角色：一线授课教师 任务：基于教案骨架，撰写完整讲稿 风格要求： 1. 口语化，像在课堂上直接说话 2. 每个重难点配一个类比或真实案例 3. 段落短，每段一个意思 4. 练习环节附参考答案要点 禁止：堆砌术语、大段理论、无出处的数据

2.4 PPT 转化 Agent：从讲稿到演示文稿的"降维"

讲稿和 PPT 是两种完全不同的表达。讲稿可以长、可以细，PPT 必须短、必须视觉化。我见过太多人直接把讲稿复制到 PPT 里，结果满屏文字，学生根本看不下去。

PPT 转化 Agent 的核心任务是做减法：把每节课讲稿压缩成 15-25 页幻灯片，每页只保留一个核心信息，标题精炼，正文用要点而非段落，重难点用图示或对比表呈现。

角色：演示文稿设计师 任务：将讲稿转化为教学PPT大纲 规则： 1. 每页只讲一个点，标题不超过15字 2. 正文用要点，每页不超过5条，每条不超过20字 3. 需要图示的地方标注[建议图示：xxx] 4. 每节课PPT控制在15-25页 输出：逐页的PPT大纲，含标题、要点、图示建议

2.5 校验 Agent：最后一道防线

这个 Agent 不产出内容，只做检查。它的职责是对照原始资料和大纲，检查教案和 PPT 是否有事实错误、遗漏知识点、逻辑断层。

我给它定的检查清单包括：知识点覆盖率是否达到大纲要求、重难点是否都有对应讲解、练习是否有答案、PPT 页数是否合理、是否存在前后矛盾。

注意：校验 Agent 一定要用独立的上下文，不能和撰写 Agent 共享记忆，否则它会"护短"，检查不出自己参与生成的内容的问题。

3. 从散装资料到成品：一次完整的实操复盘

3.1 资料准备阶段的三个预处理动作

在把资料丢给 Agent 之前，我做了三件事，事后证明非常值得。

第一，统一文件格式。我手上的资料有 Word、PDF、还有扫描件。扫描件必须先转成可编辑文本，否则 Agent 读出来是乱码。我用系统自带的 OCR 功能处理了那几份扫描件，准确率大概 95%，剩下 5% 的错误在清洗阶段被 Agent 标了出来。

第二，给文件重命名。原始文件名是"课件1""新建文档""最终版2"这种，Agent 根本分不清。我改成"2023版-第三章-案例分析""教学大纲-2024修订"这样的格式，Agent 归类准确率明显提升。

第三，删掉明显无关的文件。资料包里混进了几份行政通知和会议纪要，这些对备课没用，提前删掉能减少 Agent 的干扰。

3.2 第一轮跑通：资料清洗的实际输出

把整理好的资料喂给清洗 Agent 后，它输出了一份 Markdown 表格。我截取一部分给你看效果：

这份表格的价值在于，它把几百页资料压缩成了一页纸的索引，而且把矛盾点直接暴露出来。我拿着这份表格，五分钟就决策完了课时安排。

3.3 教案骨架的调整：AI 给的框架要人工过一遍

教案架构 Agent 输出的骨架整体不错，但有两处我做了调整。

一是时间分配。AI 默认把导入环节给了 10 分钟，但我这门课的学生基础参差，导入需要更长时间来统一认知，我改成了 15 分钟，相应压缩了讲授环节。

二是重难点的突破策略。AI 给的建议偏理论，比如"通过对比分析加深理解"，这种话等于没说。我改成了具体的操作，比如"用学生熟悉的日常场景做类比，再引入正式定义"。

这一步我的体会是：AI 搭骨架效率极高，但骨架的"血肉判断"必须人来定。因为只有你知道你的学生是什么水平、什么背景。

3.4 讲稿生成中最容易翻车的地方

讲稿撰写 Agent 跑出来的初稿，整体可用，但有几类问题反复出现，我总结成了一张排查表：

其中"案例失真"是最危险的。AI 会为了讲清楚一个概念，编一个听起来很合理的案例，但细节经不起推敲。我的做法是：所有案例必须来自我提供的真实资料，AI 只能引用不能创造。这条规则写进 Agent 配置后，问题基本消失。

3.5 PPT 大纲的收敛：从 40 页砍到 20 页

PPT 转化 Agent 第一版给了我 40 页大纲，明显超了。我分析了一下，发现它把讲稿里每个小点都单独做了一页。我调整了规则，要求它按"信息密度"合并：相关联的要点合并到一页，用对比或并列的方式呈现。

调整后压到了 22 页，节奏刚好。这里有个经验：PPT 页数不是越少越好，而是要和课堂节奏匹配。一般来说，一节课 45 分钟，20 页左右比较合适，平均每页讲两分钟，留出互动时间。

4. 让流程可复用的几个关键配置

4.1 把规则固化成 Agent 的"系统提示词"

第一次跑通后，我做的第一件事是把四个 Agent 的配置保存下来。WorkBuddy 支持给 Agent 设定固定的系统提示词，之后每次备课直接调用，不用重新描述。

我的做法是把每个 Agent 的规则写成一份"岗位说明书"，包括角色、任务、输出格式、禁止事项四部分。这份说明书越具体，Agent 的表现越稳定。比如讲稿 Agent 的禁止事项里，我明确写了"禁止编造案例""禁止使用未在资料中出现的术语"，这两条直接消灭了大部分质量问题。

4.2 跨对话记忆：让 Agent 记住你的教学风格

WorkBuddy 有个跨对话记忆的能力，我把它用在了"教学风格"上。我让 Agent 记住几个偏好：我喜欢用生活化类比、我的学生偏好案例驱动、我的 PPT 风格是简洁要点式。

配置好之后，新开对话时 Agent 会自动带上这些偏好，输出的内容更贴合我的习惯，返工率明显下降。这个功能对长期备课的人特别有用，相当于养了一个越来越懂你的助教。

4.3 缓存目录与本地化：几个部署层面的实操细节

如果你打算长期用，有几个部署细节值得注意。WorkBuddy 的系统缓存目录默认在系统盘，资料多了之后会占不少空间。我把它改到了 D 盘，具体是在配置里指定缓存路径，改完之后系统盘压力小了很多。

另外，如果你对数据隐私有要求，可以考虑本地化部署。本地部署的好处是资料不出本机，适合处理含有学生信息的材料。安装包和部署文档官方都有，按步骤走就行，Linux 环境下也支持。

提示：改缓存目录之前先确认新路径有足够空间，并且路径中不要有中文和空格，否则可能出现读取异常。

4.4 自定义指令：几条一劳永逸的规则

我在 WorkBuddy 里定了几条全局规则，对所有任务生效，省去了每次重复交代的麻烦：

• 所有输出默认使用中文，专业术语保留英文原文并附中文解释
• 所有引用必须标注来源，无来源的内容标注"待核实"
• 输出格式默认 Markdown，表格优先于长段落
• 涉及数据的内容必须给出计算过程或出处

这几条规则定下来之后，Agent 的输出规范度提升了一个档次，尤其是"无来源标注待核实"这条，帮我抓出了好几处 AI 的"想当然"。

5. 实测中的意外情况与应对

5.1 资料量过大时的分批策略

我有一门课的资料超过 300 页，一次性喂给清洗 Agent，它处理到后面明显"注意力涣散"，前面的主题归类很细，后面就开始糊弄。

解决办法是分批处理：按章节或主题把资料切成 3-4 批，每批单独清洗，最后再让一个 Agent 做汇总去重。这样虽然多了一步，但质量稳定得多。

5.2 Agent 之间"踢皮球"的情况

有一次教案架构 Agent 输出的骨架里，某个知识点标注了"资料不足，建议补充"，而资料清洗 Agent 明明提取过这个知识点。排查后发现是两个 Agent 对"资料编号"的引用格式不一致，一个用"资料1"，一个用"文件A"。

这个坑的教训是：Agent 之间的接口格式必须统一。我在配置里强制规定了资料编号格式，之后就没再出现这个问题。

5.3 生成内容与原始资料"貌合神离"

这是最隐蔽的问题。Agent 写出来的讲稿读起来很顺，但仔细对照原始资料，会发现它把某个观点的前提条件省略了，导致意思变了。

我的应对是让校验 Agent 做逐条比对：讲稿里每个核心观点，都要能在资料清单里找到对应条目，且表述一致。这个检查虽然费点时间，但保证了内容的准确性，尤其是涉及专业概念的时候，不能含糊。

5.4 PPT 图示建议的落地

PPT 转化 Agent 会给"建议图示"的标注，但它不会真的画图。我的做法是：把图示建议整理成一份清单，用绘图工具批量做。常见的对比、流程、层级关系，其实用 PPT 自带的 SmartArt 就能快速搞定，不用专门找设计工具。

这里分享一个小技巧：让 Agent 在建议图示时，明确说明图示类型（对比图、流程图、层级图、时间轴），这样你拿到清单后可以批量处理，效率高很多。

6. 关于 WorkBuddy 与同类工具搭配使用的个人体会

6.1 WorkBuddy 和 CodeBuddy 的定位差异

这两个工具名字像，但定位不同。我的理解是，WorkBuddy 偏向通用任务的多 Agent 协作，适合备课、写作、资料整理这类"流程化"的工作；CodeBuddy 更偏向代码相关的场景。备课这条流水线，用 WorkBuddy 的多 Agent 编排能力刚好合适，因为它的强项就是让不同角色的 Agent 接力完成一个复杂任务。

如果你既要做课程开发又要写配套的代码示例，两个工具配合用会顺很多：WorkBuddy 负责内容和流程，CodeBuddy 负责代码部分。

6.2 接入外部能力扩展 Agent 的边界

WorkBuddy 支持通过 skill 和 MCP 这类机制扩展 Agent 的能力。我在备课流程里用到的扩展不多，主要是文件读取和格式转换。但如果你需要 Agent 去查文献、做数据分析，这些扩展就很有用。

我的建议是：先把核心流程跑通，再考虑扩展。一开始就堆一堆 skill，反而会让 Agent 的行为变得不可预测。我见过有人给备课 Agent 接了七八个扩展，结果 Agent 不知道该用哪个，输出反而更乱。

6.3 积分与成本：怎么用才不浪费

WorkBuddy 是按积分消耗的，多 Agent 协作因为要跑多个环节，消耗比单 Agent 高。我的经验是：把积分花在刀刃上。资料清洗和讲稿撰写这两个环节最耗积分，但也最值；PPT 转化和校验相对轻量，可以适当简化规则来省积分。

另外，规则配置得越清晰，Agent 返工越少，积分消耗自然越低。我第一版配置模糊，一个教案跑了三遍才满意；优化规则后，基本一遍过。

7. 一套可以直接抄的备课流程清单

把上面的经验收敛一下，这套流程可以拆成下面这些可执行的动作。你不需要一次全用上，可以先跑通核心三步，再逐步加环节。

准备阶段

1. 统一所有资料格式，扫描件先做 OCR
2. 按"年份-章节-类型"重命名文件
3. 删除与备课无关的文件

Agent 配置阶段4. 配置资料清洗 Agent，要求输出结构化表格并标注矛盾点 5. 配置教案架构 Agent，要求输出带资料编号的骨架 6. 配置讲稿撰写 Agent，明确口语化、短段落、案例必须来自资料 7. 配置 PPT 转化 Agent，规定页数范围和图示建议格式 8. 配置校验 Agent，使用独立上下文，逐条比对

执行阶段9. 分批清洗资料，每批不超过 100 页 10. 人工审核教案骨架，调整时间分配和重难点策略 11. 生成讲稿，重点检查案例真实性和术语准确性 12. 生成 PPT 大纲，按信息密度合并页面 13. 校验 Agent 逐条比对，修正问题

收尾阶段14. 把四个 Agent 的配置保存为可复用模板 15. 设置跨对话记忆，固化教学风格偏好 16. 调整缓存目录，确认存储空间充足

这套流程我前后跑了五门课，从最初的四个小时压缩到现在两个小时出头，而且产出质量比手写更稳定。最关键的改变不是省了时间，而是把备课从"每次重新组织"变成了"流水线生产"，资料越攒越多，流程反而越跑越顺。

最后分享一个我踩过的坑：不要指望 AI 一次生成就能直接用。教案和 PPT 是给学生看的，任何一处事实错误或逻辑断层都会被放大。我的原则是AI 负责 80% 的初稿，人负责 20% 的把关，这 20% 才是教师真正的价值所在。