企业官网建设流程全解析

1. 先搞清楚 WorkBuddy 到底是个什么东西

1.1 它和普通聊天机器人的本质区别

很多人第一次打开 WorkBuddy 的界面，会觉得“这不就是个对话框吗，跟其他 AI 聊天工具有什么不一样”。我一开始也这么想，用了两天之后才发现，把它当聊天机器人用，等于买了一台工作站只拿来扫雷。

WorkBuddy 的定位是AI 工作台，核心能力落在“Agent”这个词上。普通对话式 AI 是你问一句它答一句，每次对话都是独立的，它不会主动去读你的文件、不会记住你昨天让它整理的那份表格、更不会自己拆解一个复杂任务然后一步步执行。而 WorkBuddy 里的 Agent 是可以被赋予持久化规则和可复用技能的，它能读取你本地或云端的文件、调用工具、按你预设的流程跑完一整套动作。

打个比方：普通 AI 像一个随叫随到的顾问，你每次都得从头跟它讲背景；WorkBuddy 更像一个你亲手带出来的助理，你把工作习惯、常用模板、判断标准都教给它，之后它就能按你的规矩办事。这个差别决定了它的使用方式——你不是在“提问”，你是在“配置”。

1.2 核心概念拆解：Agent、Skill、models.json

WorkBuddy 的体系里有三个绕不开的概念，我按自己的理解给你捋一遍。

Agent（智能体）是执行任务的主体。你可以把它理解成一个“岗位”，比如“周报助手”“代码审查员”“资料整理员”。每个 Agent 有自己的职责范围、行为规则和可调用的技能。你可以同时养好几个 Agent，各干各的活，互不干扰。

Skill（技能）是 Agent 的能力插件。一个 Agent 本身只会思考和对话，但装上 Skill 之后，它就能做具体的事——读 Excel、调接口、生成网页、跑数学计算。Skill 是可以自己写、自己装的，这是 WorkBuddy 最有玩头的地方。社区里有人把 Skill 比作“给 AI 装的手”，我觉得挺贴切：Agent 是大脑，Skill 是手脚，models.json 则是决定这个大脑用哪套神经系统。

models.json是模型配置文件。它决定了你的 Agent 在什么场景下调用哪个大模型。比如简单问答走轻量模型省成本，复杂推理走重量模型保质量。这个文件看起来不起眼，但配好了能明显影响响应速度和输出质量，后面我会专门讲怎么调。

1.3 哪些人适合上手，哪些人可以先观望

说句实在话，WorkBuddy 不是那种“打开就能爽”的产品。它有一定的配置门槛，你得愿意花时间理解 Agent 和 Skill 的逻辑。但如果你符合下面几种情况，投入的时间很快就能回本：

• 日常工作里有大量重复性的信息处理任务，比如整理会议纪要、汇总表格、批量改写文案；
• 需要 AI按固定规则长期执行某类任务，而不是每次重新交代；
• 对自动化流程有兴趣，愿意折腾 Skill 和规则配置；
• 团队里想搭一个共享的 AI 工作台，让多个人用同一套标准。

反过来，如果你只是想找个地方问几个零散问题、偶尔写写东西，那用普通的对话工具就够了，没必要上 WorkBuddy 这套体系，配置成本不划算。

2. 安装与初始配置：把地基打牢

2.1 安装前的环境准备与版本选择

WorkBuddy 目前有网页版和客户端两种形态。网页版胜在开箱即用，打开浏览器登录就能跑，适合快速体验和轻量任务；客户端则在文件读写、本地 Skill 执行上更顺手，适合把它当成日常主力工具的人。

我个人的建议是：先用网页版跑通一个完整流程，确认这套东西符合你的需求，再装客户端。很多人一上来就折腾客户端，结果卡在环境配置上，还没体验到核心功能就放弃了。

客户端安装前，确认几件事：

• 操作系统版本不要太老，Windows 建议 10 以上，macOS 建议近三年的版本；
• 预留足够的磁盘空间，因为 Skill 和缓存会逐渐占用空间；
• 网络环境稳定，首次登录和模型加载需要联网。

安装过程本身不复杂，跟着引导走就行。真正需要注意的是安装路径和缓存目录，这个后面单独说。

2.2 首次登录后必须做的三件事

很多人装完就急着建 Agent，结果用着用着发现各种别扭。我踩过这个坑，建议你登录后先做这三件事。

第一，把默认模型配好。进设置里找到模型配置，确认默认调用的模型是你能用的。如果你有多个模型可选，先选一个综合能力均衡的作为默认，别一上来就追求最强模型，响应慢还费额度。

第二，建一个测试 Agent。别急着建正式的工作 Agent，先建一个叫“测试”的，随便给它一两个简单任务，比如“读取我上传的文本并总结成三句话”。这一步的目的是让你熟悉 Agent 的交互方式，知道它怎么接收指令、怎么反馈结果。

第三，跑通一次文件读写。上传一个文件，让 Agent 读它，再让它生成一个新文件。这个流程走通了，说明你的环境基本没问题，后面配 Skill 才有意义。

提示：首次配置别贪多，一次只验证一个能力。同时开一堆功能，出了问题你根本不知道是哪个环节的锅。

2.3 缓存目录迁移到 D 盘的完整操作

这是被问得最多的问题之一：WorkBuddy 的缓存目录能不能改到 D 盘。答案是可以，而且我强烈建议 C 盘空间紧张的人尽早改。

默认情况下，缓存和 Skill 数据会放在系统盘的用户目录下。用久了之后，模型缓存、日志、临时文件会越堆越多，C 盘很容易被吃掉几十个 G。迁移的思路是：把数据目录整体挪到 D 盘，然后用软链接把原路径指过去，这样 WorkBuddy 以为文件还在老地方，实际读写都落在 D 盘。

操作步骤大致是这样：

1. 先完全退出 WorkBuddy，确保没有进程在占用文件；
2. 找到默认的数据目录，通常在用户目录下的隐藏文件夹里；
3. 把整个目录剪切到 D 盘你指定的位置，比如D:\WorkBuddyData；
4. 用命令行创建软链接，把原路径指向新位置；
5. 重新打开 WorkBuddy，确认一切正常，再删掉备份。

Windows 下创建软链接的命令类似：

mklink /J "C:\Users\你的用户名\原数据目录" "D:\WorkBuddyData"

macOS 或 Linux 下则是：

ln -s /Volumes/D/WorkBuddyData ~/原数据目录

注意：操作前一定先备份。软链接建错了，轻则数据读不到，重则目录混乱。我第一次弄的时候没退出程序，结果文件被占用，链接建了一半，折腾了半小时才恢复。

3. Agent 规则配置：让它真正听你的话

3.1 给 Agent 定规则的正确姿势

WorkBuddy 最实用的功能之一，是你可以给 Agent 定几条规则，后续对所有任务都生效。这相当于给这个助理立了一套“工作守则”，它每次干活都会先过一遍这些规矩。

但很多人写规则的方式是错的。我见过有人写“你要认真负责、输出高质量内容”，这种规则等于没写——什么叫认真？什么叫高质量？Agent 没法执行。

好的规则应该是具体、可判断、可执行的。举个例子，如果你要一个写文案的 Agent，规则可以这样定：

• 所有输出先给三个版本，分别偏理性、偏感性、偏简洁；
• 每段不超过四行，避免大段堆砌；
• 涉及数据必须标注来源，没有来源就写“待核实”；
• 不确定的信息不要编，直接说“这块我不确定”。

你看，这样的规则每一条都能落地，Agent 执行起来不会跑偏。规则的数量不用多，五到八条足够，太多了反而互相打架。

3.2 规则、Skill、模型三者的配合逻辑

这里有个容易混淆的点：规则、Skill、模型到底谁管什么？

我打个比方。模型是员工的能力底子，决定了它聪不聪明；规则是岗位说明书，告诉它该怎么干活、什么能做什么不能做；Skill 是工具箱，给它具体的工具去完成任务。

三者要配合好。比如你给一个 Agent 配了“读取 PDF”的 Skill，但规则里没写“读完后要提取关键结论”，那它可能读完就完了，不会主动总结。反过来，规则里写了“要生成图表”，但没配画图的 Skill，它也做不到。

我的经验是：先定规则，再配 Skill，最后调模型。规则决定了你需要哪些能力，Skill 补齐这些能力，模型则根据任务复杂度来选。顺序反了，容易配一堆用不上的 Skill。

3.3 规则生效范围与优先级

规则分全局规则和 Agent 专属规则。全局规则对所有 Agent 生效，适合放一些通用的底线要求，比如“不编造事实”“输出用中文”。专属规则只对当前 Agent 生效，适合放具体的业务要求。

优先级上，专属规则会覆盖全局规则。这个设计很合理，因为不同 Agent 的职责不同，通用底线之上应该有各自的特殊要求。但要注意别让两者冲突，比如全局说“输出简洁”，专属说“输出详尽”，Agent 就会犯迷糊。

实操心得：规则写完先拿几个边界任务测一测。我一般会故意问一个规则里没覆盖的情况，看它怎么处理。如果它开始瞎编，说明规则还不够严；如果它老实说“这个我没规定”，那说明规则起作用了。

4. Skill 开发与使用：从装别人的到自己写

4.1 Skill 是什么，为什么它是核心

如果说 Agent 是 WorkBuddy 的骨架，那 Skill 就是它的血肉。没有 Skill 的 Agent 只能聊天，装上 Skill 之后它才能干活。

Skill 本质上是一段封装好的能力脚本，它定义了“输入什么、做什么处理、输出什么”。你可以把常用的操作封装成 Skill，之后任何 Agent 都能调用。社区里已经有人分享了不少现成的 Skill，比如文档处理、数据清洗、网页生成、数学建模等等，拿来就能用。

但真正让 WorkBuddy 有价值的，是你自己写 Skill。因为你的工作流程是独特的，别人写的 Skill 再通用，也不一定贴合你的需求。学会写 Skill，你才算真正掌握了这个工具。

4.2 安装现成 Skill 的注意事项

装别人的 Skill 之前，先看三件事：

第一，看它依赖什么。有些 Skill 需要额外的库或接口权限，装之前确认你的环境支持。我装过一个处理表格的 Skill，结果它依赖一个我没装的库，跑起来直接报错。

第二，看它的输入输出格式。Skill 的说明里一般会写清楚它接受什么格式的输入、产出什么格式的输出。如果你的数据和它对不上，要么转换格式，要么改 Skill。

第三，看它的更新时间和评价。太老的 Skill 可能不兼容当前版本，评价差的 Skill 大概率有坑。优先选近期更新、有人实际用过的。

装完之后，先拿小样本测试，别直接上正式任务。我一般会造一个最简单的输入，看它输出对不对，确认没问题再放大规模。

4.3 自己写一个 Skill 的完整流程

写 Skill 没你想的那么难。核心就三步：定义输入、写处理逻辑、定义输出。

假设我要写一个“把长文拆成要点”的 Skill。输入是一段文本，处理逻辑是让模型提取关键信息，输出是一个要点列表。流程大概是这样：

1. 在 Skill 编辑界面新建一个 Skill，起个名字，比如“长文拆要点”；
2. 定义输入参数，比如text，类型是字符串；
3. 写处理逻辑，调用模型对text做摘要提取，提示词里明确“输出三条以内要点，每条不超过二十字”；
4. 定义输出格式，比如一个数组，每个元素是一条要点；
5. 保存并测试，拿一段真实的长文跑一遍，看输出是否符合预期。

写 Skill 的关键在于提示词要精确。你描述得越清楚，Skill 的输出越稳定。含糊的提示词会让 Skill 时好时坏，用起来很糟心。

提示：写 Skill 时把边界情况考虑进去。比如输入为空怎么办、输入超长怎么办、模型返回格式不对怎么办。这些情况不处理，Skill 在正式使用时很容易崩。

4.4 Skill 编码中的常见坑

写 Skill 踩过的坑，我挑几个典型的说说。

坑一：输入格式没校验。你以为用户会传字符串，结果传了个文件路径，Skill 直接懵了。解决办法是在 Skill 开头加格式检查，不符合就返回明确错误。

坑二：输出格式不稳定。模型有时候返回 JSON，有时候返回纯文本，下游处理就乱了。解决办法是在提示词里强制格式，并在 Skill 里做一次格式清洗。

坑三：Skill 之间互相依赖。一个 Skill 调另一个 Skill，结果被调的那个改了，上游全崩。解决办法是尽量让 Skill 独立，非要依赖就锁定版本。

坑四：没做错误处理。网络断了、模型超时了、接口限流了，Skill 直接挂掉。解决办法是加 try-catch，出错时返回友好提示而不是一堆报错。

这些坑我都踩过，每一个都花了不少时间排查。提前想到，能省很多事。

5. 实战场景：把 WorkBuddy 用起来

5.1 场景一：自动化资料整理

我日常有一大堆资料要整理——网页文章、PDF、会议记录，格式五花八门。以前靠手动复制粘贴，费时费力。用 WorkBuddy 之后，我搭了一个“资料整理 Agent”，流程是这样的：

1. 把资料丢进指定文件夹；
2. Agent 定时扫描文件夹，读取新文件；
3. 调用“提取要点”Skill，把每份资料浓缩成要点；
4. 调用“分类归档”Skill，按主题把要点归到不同目录；
5. 生成一份汇总清单，我一眼就能看到新增了什么。

这套流程跑起来之后，我每天花在整理资料上的时间从一小时降到十分钟，只需要检查一下汇总清单，看看有没有分类错的。

5.2 场景二：生成网站并发布

WorkBuddy 可以生成网站，这个功能很多人不知道。我试过用它把一个 Markdown 文档直接变成一个静态网站。

流程是：先让 Agent 读取文档内容，然后调用“生成网页”Skill，把内容套进模板，输出 HTML 文件。之后你可以把 HTML 部署到任意静态托管服务上。

这里的关键是模板要提前准备好。Skill 本身不负责设计，它只是把内容填进你给的模板。所以你得先有一个 HTML 模板，定义好样式和结构，Skill 才能生成好看的页面。我第一次用的时候没准备模板，生成的页面丑得没法看，后来自己写了个简洁的模板，效果就好多了。

5.3 场景三：数学建模与计算

WorkBuddy 里有个“数学建模 Skill”，对做数据分析的人挺有用。它能接收一组数据，自动选择合适的模型，跑出结果并解释。

我用它做过一次简单的预测：给一组历史销售数据，让它预测下个季度的趋势。它会先做数据清洗，然后尝试几种模型，最后给出预测值和置信区间。虽然不能替代专业建模，但作为快速探索工具，效率很高。

注意：涉及重要决策的计算，别完全信 AI 的输出。它的模型选择和参数设置未必最优，结果只能作为参考，最终还得人工复核。

6. 常见问题与排查技巧实录

6.1 安装与登录类问题

问题：登录后一直转圈，进不去主界面。排查思路：先确认网络是否正常，再检查是不是浏览器缓存的问题。换个浏览器或清一下缓存试试。如果还不行，可能是账号状态异常，联系支持。

问题：客户端装完打不开，闪退。排查思路：多半是环境依赖缺失。看看系统日志里有没有报错，缺什么补什么。实在不行就重装，装之前把残留目录清干净。

6.2 Agent 与 Skill 类问题

问题：Agent 不按规则执行。排查思路：先检查规则是不是写得太模糊，Agent 理解不了。再检查规则之间有没有冲突。最后看是不是 Skill 的问题，有些 Skill 会覆盖规则。

问题：Skill 装了但调用不了。排查思路：确认 Skill 是否启用，依赖是否满足，输入格式是否匹配。我遇到过一次是 Skill 没启用，找了半天才发现。

问题：Skill 输出格式乱。排查思路：在 Skill 里加格式清洗逻辑，或者在提示词里强制格式。模型有时候不听话，得用代码兜底。

6.3 性能与资源类问题

问题：响应越来越慢。排查思路：先看缓存是不是太大了，清理一下。再看是不是同时跑了太多 Agent，资源被占满了。最后考虑是不是模型选得太重，换个轻量的试试。

问题：C 盘空间被吃光。排查思路：按前面说的，把缓存目录迁到 D 盘。另外定期清理日志和临时文件，别让它们无限堆积。

6.4 常见问题速查表

7. 我踩过的坑和总结的经验

7.1 别一上来就追求全自动

我刚开始用 WorkBuddy 的时候，恨不得把所有任务都自动化，结果配了一堆 Agent 和 Skill，互相打架，反而更乱。后来我调整了策略：先手动跑通一个流程，确认稳定了，再逐步自动化。自动化是结果，不是起点。

7.2 规则要少而精

规则不是越多越好。我一开始写了二十多条规则，结果 Agent 执行起来顾此失彼。后来精简到六条，每条都具体可执行，效果反而更好。规则的核心是约束关键行为，不是穷举所有情况。

7.3 Skill 要独立可测

写 Skill 的时候，尽量让它独立，别依赖太多外部条件。每个 Skill 单独能跑通，组合起来才稳。我吃过 Skill 互相依赖的亏，一个改了，另一个就崩，排查起来特别痛苦。

7.4 定期备份配置

Agent 规则、Skill 代码、models.json，这些都是你的心血。定期备份，别等丢了才后悔。我就因为一次误操作丢过一个配好的 Agent，重新配花了两个小时。

7.5 保持学习社区里的新 Skill

WorkBuddy 的生态在快速变化，社区里不断有人分享新的 Skill 和玩法。保持关注，能省很多自己造轮子的时间。但别盲目装，先看依赖和评价，小样本测试后再用。

最后分享一个小技巧：如果你不确定某个任务该不该用 WorkBuddy，就问自己一句——这个任务我是不是要重复做很多次，而且每次的流程都差不多。如果是，那就值得配一个 Agent；如果只是一次性的，手动做反而更快。工具是拿来提效的，不是拿来炫技的。