企业官网建设流程全解析

1. 为什么我要认真聊聊 WorkBuddy 这个 AI 工作台

第一次看到 WorkBuddy 这个名字，是在一个做企业数字化的朋友群里。有人甩了张截图，说“腾讯出了个 AI 工作台，能直接调 Agent 干活”，底下立刻有人接话问“跟 CodeBuddy 啥关系”“是不是又一个套壳”。我当时没太在意，直到后来连续有三四个读者私信问我同一个问题：WorkBuddy 到底怎么装、怎么配、怎么让它真正跑起来而不是停在演示阶段。

这就值得写一篇了。市面上关于 AI Agent 的内容，大多停在“概念很美好”的层面，真正落到安装、配置、Skill 编写、缓存目录迁移这些脏活累活的，少之又少。而 WorkBuddy 恰恰是一个“装完只是开始，配好才算入门”的工具。它的核心价值在于把 AI Agent 的能力封装成一个可操作的工作台，让你能用自然语言驱动任务，也能用 Skill 把重复劳动固化下来。适合谁看？三类人：一是想把 AI 真正嵌进日常工作流的产品和运营，二是想从零搭一个 Agent 练手的开发者，三是被各种“AI 中台”概念绕晕、想找个具体东西上手的技术管理者。

我前后在 Windows 和 Linux 两套环境里折腾了 WorkBuddy，踩过的坑包括但不限于：models.json 配错导致模型列表空白、Skill 脚本路径写死导致换机器就崩、系统缓存目录默认塞在 C 盘把系统盘撑爆。这些经验，文档里不会写，但实际用起来一个都躲不掉。下面我把从安装到避坑的完整链路拆开讲，尽量让你少走我走过的弯路。

2. WorkBuddy 到底是什么，和 CodeBuddy 差在哪

2.1 一句话说清 WorkBuddy 的定位

WorkBuddy 是腾讯推出的一款 AI 工作台产品，核心思路是把大模型能力、Agent 调度、Skill 插件体系整合到一个桌面端界面里。你可以把它理解成一个“AI 任务的操作系统”：左边是任务和会话，中间是执行区，右边是 Skill 和工具链。它不是一个单纯的聊天窗口，而是一个能调用外部工具、执行多步任务、并且允许你自定义 Skill 的工作环境。

和市面上很多“AI 助手”最大的区别在于，WorkBuddy 把 Skill 作为一等公民。Skill 可以是一个脚本、一段提示词模板、一个 API 调用封装，甚至是一个完整的子 Agent。你写好一个 Skill，它就能在后续所有任务里被复用。这个设计思路，和 Claude Code 的 Skill、Codex 的 Skill 体系是一脉相承的，本质上都是在解决“如何让 AI 记住并复用一套固定流程”的问题。

2.2 WorkBuddy 和 CodeBuddy 的关系与区别

这是被问得最多的问题。简单说，CodeBuddy 更偏向代码场景，定位是 AI 编程助手，围绕代码补全、代码审查、项目理解展开。WorkBuddy 的覆盖面更宽，它不局限于写代码，而是面向通用工作任务，比如文档处理、数据分析、流程自动化、网站生成等。两者在底层可能共享部分模型调度和 Agent 框架，但面向的使用场景和交互形态不同。

如果你主要写代码，CodeBuddy 的针对性更强；如果你要处理的是跨工具、跨平台的综合任务，WorkBuddy 的工作台形态更合适。实际使用中，很多人是两个都装，按任务类型切换。我自己的习惯是：纯编码任务走 CodeBuddy，涉及多步骤、多工具协作的任务走 WorkBuddy。

2.3 国际版和国内版的差异要点

WorkBuddy 有国际版和国内版之分，主要差异体现在模型接入、账号体系和部分功能可用性上。国内版对接的是国内可用的模型服务，国际版则可能接入不同的模型供应商。对于普通用户来说，最直接的影响是：你手里的账号类型决定了你能用哪些模型，而模型又决定了 Agent 的实际能力上限。

我的建议是，先确认自己的账号归属，再去配 models.json。很多人装完之后发现模型列表是空的，八成就是账号和模型配置对不上。这一点在后面讲 models.json 的时候会详细展开。

3. 安装前的环境准备与版本选择

3.1 Windows 和 Linux 的安装路径差异

WorkBuddy 在 Windows 和 Linux 上的安装体验差别不小。Windows 版有图形化安装包，双击下一步基本能完成，但默认安装路径和缓存路径都在 C 盘，这是后面要重点处理的问题。Linux 版更多是通过命令行或者包管理方式部署，对权限和依赖的要求更明确。

我在 Windows 上第一次装的时候，没注意安装向导里的“自定义路径”选项，结果整个工作台连同缓存全塞进了C:\Users\你的用户名\AppData下面。用了不到一周，C 盘红了。后来重装时特意把主程序和缓存目录都指到了 D 盘，才算消停。Linux 上相对好办，装之前先规划好/opt或者用户目录下的独立分区即可。

3.2 安装前必须确认的三件事

第一，确认你的账号类型和可用模型范围。这决定了你后面 models.json 怎么写。第二，确认磁盘空间。WorkBuddy 本身不大，但 Skill 运行产生的缓存、日志、临时文件会持续增长，建议至少预留 20GB 以上的独立空间。第三，确认网络环境能正常访问所需的模型服务接口，这个不用多说，装之前先测一下连通性。

提示：安装路径和缓存路径尽量放在同一块非系统盘上，避免跨盘读写带来的性能损耗和权限问题。

3.3 安装过程中的关键选项

安装向导里有两个选项容易被忽略。一个是“是否创建桌面快捷方式”，这个无所谓。另一个是“数据存储位置”，这个非常关键。如果你在安装时没改，后面就得手动迁移，而手动迁移缓存目录是有风险的，搞不好会丢配置。所以我的建议是：第一次装就把它设对，别给自己留后患。

Linux 下如果是用脚本安装，通常会有--data-dir之类的参数，装之前先看一眼帮助文档，把数据目录指定到你想放的位置。这个参数一旦设定，后续所有 Skill 的缓存、日志都会跟着走，省心很多。

4. models.json 配置：最容易翻车的一环

4.1 models.json 的作用和结构

models.json 是 WorkBuddy 的模型配置文件，决定了工作台能调用哪些模型、每个模型的接口地址、鉴权方式、参数默认值等。它本质上是一个 JSON 数组，每个元素描述一个模型接入点。结构大致包含模型名称、供应商标识、API 地址、密钥引用、上下文长度、是否支持工具调用等字段。

这个文件的位置通常在 WorkBuddy 的数据目录下，具体路径因安装方式而异。Windows 下一般在数据目录\config\models.json，Linux 下在~/.workbuddy/config/models.json或你自定义的数据目录里。找不到的话，在工作台设置里一般有“打开配置目录”的入口。

4.2 配置模型的完整步骤

第一步，打开 models.json，先看默认模板里有没有示例条目。有的话，照着改比从零写要稳。第二步，填入你的模型接入信息。这里最容易错的是 API 地址的格式，有的要求带/v1，有的不带，写错了就是 404。第三步，密钥不要直接明文写在文件里，用环境变量引用，WorkBuddy 支持${ENV_VAR}这种写法。第四步，保存后重启工作台，在模型列表里确认新模型是否出现。

我踩过的一个坑是：改完 models.json 没重启，以为没生效，反复改了好几遍，最后发现是缓存问题。所以改完配置，第一件事就是完全退出再重开，别用“刷新”按钮，那个不一定重载配置文件。

4.3 模型配置常见错误对照表

这张表是我自己遇到问题后整理的，基本覆盖了 90% 的配置翻车场景。遇到问题先对表，比盲目搜索快得多。

5. Skill 体系：WorkBuddy 真正的杀手锏

5.1 Skill 是什么，为什么它重要

Skill 是 WorkBuddy 里可复用的能力单元。你可以把它想成一个“技能包”：里面可以是一段固定的提示词、一个 Python 脚本、一次 API 调用的封装，或者几者的组合。写好一个 Skill，之后在任何任务里都能通过名称调用它，不用每次重新描述需求。

这个设计的价值在于“固化经验”。比如你有一套固定的周报生成流程：拉数据、算指标、套模板、导出。以前你得每次跟 AI 重新说一遍，现在把它写成一个 Skill，以后一句话就能触发。Skill 越多，工作台越懂你，效率提升是复利式的。

5.2 Skill 的编写规范与目录结构

Skill 通常放在数据目录下的skills文件夹里，每个 Skill 一个子目录，目录名就是 Skill 的标识。目录里一般包含一个描述文件（定义 Skill 名称、触发词、参数）和一个执行文件（脚本或提示词模板）。描述文件的格式各版本略有差异，但核心字段差不多：name、description、parameters、entry。

写 Skill 脚本时，有几个硬性要求。第一，脚本要有明确的输入输出约定，别依赖全局状态。第二，路径要用相对路径或环境变量，别写死绝对路径，否则换台机器就崩。第三，脚本要有错误处理，失败时返回清晰的错误信息，方便排查。我见过太多 Skill 因为一个写死的路径，在别人机器上直接报错。

5.3 从零写一个 Skill 的实操示例

假设我要做一个“把 Markdown 转成带样式的 HTML”的 Skill。第一步，在 skills 目录下建一个文件夹，比如md2html。第二步，写描述文件，定义 Skill 名称叫“Markdown 转 HTML”，参数是输入文件路径和输出文件路径。第三步，写一个 Python 脚本，读取 Markdown，用 markdown 库转换，套上 CSS 模板，写出 HTML。第四步，在 WorkBuddy 里测试调用，确认能正常执行。

这个 Skill 写好后，以后任何需要转 HTML 的场景，直接说“用 Markdown 转 HTML 这个 Skill 处理 xxx.md”就行。这就是 Skill 的威力：一次编写，处处复用。

5.4 Skill 开发中的避坑要点

第一个坑是编码问题。Windows 下默认可能是 GBK，脚本里读写文件一定要显式指定encoding='utf-8'，否则中文内容会乱码。第二个坑是依赖缺失。Skill 脚本用到的第三方库，要在描述文件里声明，或者确保运行环境已安装。第三个坑是超时。复杂 Skill 执行时间长，要设置合理的超时时间，别让工作台一直卡着。

注意：Skill 脚本里不要硬编码任何密钥或敏感信息，用环境变量传递。这既是安全要求，也是可移植性的要求。

6. 缓存目录迁移：把 C 盘救回来

6.1 为什么缓存目录必须改

WorkBuddy 运行过程中会产生大量缓存：模型响应的中间结果、Skill 执行的日志、临时文件、索引数据。默认情况下，这些全在系统盘的用户目录下。用不了多久，C 盘就会告急。系统盘满了之后，不仅 WorkBuddy 变慢，整个系统都会卡。所以缓存目录迁移不是可选项，是必选项。

6.2 迁移缓存目录的完整步骤

第一步，完全退出 WorkBuddy，确保没有进程占用缓存文件。第二步，找到当前缓存目录，把里面的内容整体复制到目标位置，比如D:\WorkBuddyData。第三步，修改配置文件里的缓存路径指向新位置。第四步，重启 WorkBuddy，确认新缓存文件生成在新目录下。第五步，确认无误后，删除旧目录释放空间。

这里有个细节：复制的时候用“复制”而不是“剪切”，等确认新目录工作正常后再删旧的。我有一次直接剪切，结果中途出错，旧目录没了新目录又不完整，配置全丢，只能重装。这个教训值一个“复制优先”原则。

6.3 迁移后的验证清单

迁移完成后，逐项确认：模型列表是否正常加载、Skill 是否能正常调用、日志是否写入新目录、临时文件是否在新目录生成。全部通过，才算迁移成功。如果某一项异常，先检查配置文件路径是否写对，再检查新目录权限是否足够。

7. 用 WorkBuddy 生成网站并发布的实操路径

7.1 从需求到成品的完整流程

WorkBuddy 生成网站，本质上是让 Agent 调用一系列 Skill 来完成：生成页面结构、写样式、填充内容、本地预览、导出静态文件。你可以用自然语言描述需求，比如“做一个个人作品集网站，深色主题，包含首页、项目页、关于页”，Agent 会拆解任务并逐步执行。

我的实操路径是这样的：先让 Agent 生成 HTML 骨架和 CSS，本地预览确认布局；再让它填充示例内容，调整细节；最后导出静态文件，部署到静态托管服务。整个过程不需要我写一行代码，但需要我在关键节点做确认和微调。

7.2 发布环节的注意事项

生成是一回事，发布是另一回事。发布前要检查：所有资源路径是否是相对路径、有没有遗漏的依赖文件、页面在移动端是否正常。我遇到过生成的网站本地打开正常，发布后样式全丢，原因是 CSS 用了绝对路径。改成相对路径就好了。

另外，发布平台的选择也影响体验。静态托管服务通常最简单，把导出的文件夹拖上去就行。如果需要自定义域名和 HTTPS，选支持这些功能的平台。WorkBuddy 本身不负责托管，它只负责生成，发布这一步要自己接。

8. 常见问题与排查技巧实录

8.1 安装与启动类问题

装完打不开、启动闪退、界面白屏，这类问题多半和运行环境有关。先检查系统版本是否满足最低要求，再检查是否有杀毒软件拦截。Windows 下常见的是缺少运行库，装一下 VC++ 运行库通常能解决。Linux 下检查依赖是否装全，看启动日志里的报错信息。

8.2 模型调用类问题

模型调不通，按这个顺序排查：先确认 models.json 语法正确，再确认密钥有效，再确认网络能通，最后确认模型本身可用。这四步走完，基本能定位问题。如果都正常但还是不行，看日志，日志里通常有具体的错误码和原因。

8.3 Skill 执行类问题

Skill 不执行或执行报错，先看 Skill 目录结构对不对，再看描述文件格式有没有问题，最后看脚本本身能不能独立运行。我习惯先在命令行里单独跑一遍 Skill 脚本，确认脚本本身没问题，再放到 WorkBuddy 里调。这样能把“脚本问题”和“集成问题”分开，排查效率高很多。

8.4 性能与资源类问题

工作台变卡、响应变慢，先看缓存目录是不是又满了，再看是不是同时跑了太多任务。WorkBuddy 的 Agent 调度会占用资源，任务排队是正常的，但如果一直卡着不动，可能是某个 Skill 死循环了。这时候去日志里找最后执行的那个 Skill，手动终止它。

9. 我个人的几条使用心得

用了一段时间 WorkBuddy，最大的体会是：它的上限取决于你喂给它的 Skill 质量。工作台本身是个框架，真正让它变得好用的是你积累的那些 Skill。我现在的习惯是，每完成一个重复性任务，就花十分钟把它固化成一个 Skill。刚开始觉得麻烦，但一个月后回头看，省下的时间远超投入。

另一个心得是关于规则设定。WorkBuddy 支持给工作台定几条全局规则，后续所有任务都生效。这个功能很实用，比如我设了一条“所有输出默认用中文，代码注释用英文”，省得每次重复交代。规则不用多，三五条覆盖高频场景就行，多了反而互相干扰。

最后说个细节：定期备份你的配置目录和 Skill 目录。这两个东西是你工作台的“灵魂”，丢了就得从头再来。我现在是每周自动备份一次到独立目录，成本很低，但关键时刻能救命。