企业官网建设流程全解析

这段时间折腾 AI 编程助手，WorkBuddy 算是比较特别的一个。它不像传统的 IDE 插件那样只做补全，而是把“对话、上下文、技能包、工作台”揉在了一起，目标是让 AI 真正参与项目开发流程。市面上关于它的讨论不少，但大多停在“怎么安装、怎么聊天”的层面，真正从工作台搭建、模型切换、Skill 编写、缓存管理一路走到项目实战的完整闭环教程，反而很难找到一套能照着操作的。

这篇文章就是为了填这个空。全文围绕一条主线展开：先认识 WorkBuddy 是什么、解决什么问题，然后完成安装与环境配置，再拆解工作台和 Skill 体系，最后用三个实际场景走通从需求到代码落地的全流程。后半部分会专门讲缓存目录管理、高频问题排查，以及一套适合长期使用的工程习惯。不管你是刚接触 AI 编程工具的新手，还是已经在用 Cursor、CodeBuddy 这类产品的开发者，这篇都能帮你把 WorkBuddy 用得更成体系。

1. WorkBuddy 是什么：先搞清楚它解决什么问题

1.1 一句话理解 WorkBuddy

WorkBuddy 是一款面向开发者的 AI 编程助手 / 智能工作台。它本质上是一个带有“项目上下文感知”能力的 AI 交互工具：你可以把代码仓库、文档、技术方案都放进它的工作区，然后通过自然语言让 AI 完成代码生成、重构、排查、解释、测试等任务。

这里要特别强调“工作台”这个概念。普通的 AI 对话工具是“你问一句，它答一句”，每次对话都是孤立的。WorkBuddy 更接近一个“陪你在项目里干活的助手”，它能结合当前项目结构、打开的文件、已有代码风格来给出更贴合上下文的建议。这也是它和网页版 ChatGPT、通用 AI 助手最本质的区别。

1.2 WorkBuddy 和 CodeBuddy、Cursor 有什么区别

很多读者会把这个名字和 CodeBuddy 搞混。这里做一个简单的区分：

• CodeBuddy 是腾讯推出的 AI 编程助手，更多以 IDE 插件形态存在，强调代码补全、单元测试生成、代码解释等编码场景。
• Cursor 是独立的 AI 代码编辑器，把 AI 能力深度集成进编辑器本身，适合“把 AI 当作编辑器核心”的使用方式。
• WorkBuddy 则偏重“AI 工作台”的定位，除了代码能力，还强调技能包（Skill）、项目管理、多模型接入、上下文组织。你可以把它理解为“AI 助手 + 任务工作台 + 技能系统”的组合体。

它们之间不是谁替代谁的关系。更准确地说：Cursor 是“AI 优先的编辑器”，WorkBuddy 更像是“AI 优先的工作台”。如果你希望 AI 不仅帮你写代码，还能按你自定义的流程处理任务，比如“按团队规范审查代码”“把需求拆成开发任务”，WorkBuddy 的 Skill 机制会更顺手。

1.3 哪些人适合用 WorkBuddy

从实际使用场景来看，下面几类读者用得最多：

• 独立开发者和自由职业者：用 WorkBuddy 管理多个项目，通过自定义 Skill 统一代码风格和提交流程。
• 后端 / 全栈工程师：用它生成接口代码、排查日志异常、重构老项目、生成单元测试。
• 学生和转行学习者：把它当作“随叫随到的项目导师”，让 AI 解释框架源码、拆解报错原因。
• 技术团队负责人：把团队规范写成 Skill，让 AI 在生成代码时自动遵守，降低评审成本。

换句话说，只要你日常工作里需要大量“读代码、写代码、改代码、解释代码”，WorkBuddy 就值得认真研究，而不是只当个高级版的代码补全工具。

2. 环境准备与安装：先把地基打稳

2.1 运行环境说明

WorkBuddy 的安装和大部分桌面端 AI 工具类似，支持 Windows、macOS 和主流 Linux 发行版。不过不同版本的系统环境和依赖库版本差异较大，安装前建议先确认以下几项：

• 操作系统版本：Windows 10/11、macOS 12+、Ubuntu 20.04+ 这类常见版本基本都能覆盖。
• 是否需要独立显卡：如果你打算在本地跑开源模型，需要确认显存是否满足模型要求；如果只用云端 API 模式，普通办公电脑就够。
• 网络环境：WorkBuddy 的核心能力依赖云端模型接口，使用前要确保能正常访问服务端；如果公司内网有代理限制，需要先配置代理白名单。

这里不写死具体版本号，因为 WorkBuddy 更新节奏较快，不同时期的安装包和依赖要求会有差异。以你实际安装时的官方说明为准。

2.2 安装流程与版本选择

安装步骤可以归纳为三条主线：

1. 从官方网站下载对应系统的安装包。
2. 安装完成后首次启动，会进入账号登录 / 注册流程。
3. 登录后进入设置页，配置模型服务商和 API Key。

这里有一个很关键的选择：模型接入方式。

WorkBuddy 本身不是一个模型，而是模型的“调度者”。你需要决定：

• 使用 WorkBuddy 默认接入的云端模型服务。
• 使用你自己的 API Key 接入第三方模型服务。
• 在支持的情况下，接入本地部署的开源模型。

推荐新手先使用默认配置跑通流程，等理解了工作台逻辑之后，再去折腾自定义模型。一上来就同时配多个模型源，反而容易因为 API 地址或 Key 配置错误而卡住。

2.3 安装后的验证

安装完成后，不要急着写代码。先做一个最小验证：

# 打开终端，确认 WorkBuddy 命令行工具是否可用（不同版本命令可能不同） workbuddy --version # 查看当前配置信息（部分版本支持） workbuddy config list

如果系统提示找不到命令，说明安装目录没有加入 PATH 环境变量，或者当前版本没有提供 CLI 工具。这种情况直接打开桌面端应用验证即可，不需要强求命令行可用。

打开 WorkBuddy 主界面后，新建一个空白项目，在对话区输入一句最简单的指令：

请用 Python 写一个读取 CSV 文件并打印前 5 行的脚本。

如果 AI 正常返回代码，并能在右侧代码区展示结果，说明安装和模型接入已经成功。

3. 工作台搭建与核心界面拆解

3.1 核心区域划分

WorkBuddy 的工作台界面通常可以划分为四个区域，理解它们对后续高效使用非常重要：

• 项目 / 文件区：展示当前工作目录的文件夹结构，AI 能感知哪些文件是“当前上下文”。
• 对话区：你和 AI 交互的主区域，支持多轮对话、任务切换、上下文引用。
• 代码 / 预览区：AI 生成的代码、配置文件、文档内容会在这里展示，支持一键复制或写入文件。
• Skill / 工作流区：管理技能包的区域，你可以启用内置 Skill，也可以导入别人分享的 Skill。

这四个区域的核心逻辑是：项目区决定 AI 的“视野范围”，对话区决定 AI 的“任务目标”，Skill 区决定 AI 的“工作方式”，代码区决定“产出落地”。

3.2 把现有项目接入工作台

使用 WorkBuddy 时，不建议直接在空白对话里让 AI 写代码，而是先把项目文件夹交给它。这样 AI 才能看到真实的项目结构、依赖文件和已有代码风格。

接入项目的操作一般是两种：

• 在欢迎页点击“打开项目”，选择本地代码仓库目录。
• 在项目区点击“添加文件夹”，把子模块或微服务目录单独加入工作台。

接入了项目之后，你可以在对话中明确指定参考文件。例如：

参考 src/main/java/com/example/service/UserService.java 的代码风格， 帮我新增一个根据邮箱查询用户的方法。

这种带上下文的指令，比“帮我写一个查询用户的方法”要有效得多。AI 能直接复用项目的包名、异常处理习惯和命名规范，生成结果基本不需要大改。

3.3 模型选择策略

WorkBuddy 的多模型接入是很多人喜欢的功能，但也容易踩坑。核心原则是：按任务类型选模型，而不是哪个新用哪个。

这里给一个通用的参考策略：

• 日常问答、代码解释、文档生成：使用默认模型即可，响应速度快，成本低。
• 复杂代码生成、架构设计、重构方案：切换更强的推理模型，把问题描述得更完整。
• 正则表达式、SQL 优化、Shell 脚本这类单一任务：普通模型就够，关键是描述清楚输入输出。

切换模型时还要注意两个问题。第一，不同模型的上下文长度不同，项目文件很大时，不要把整个仓库都塞进对话，而是把关键文件加入引用。第二，同一个对话中途切换模型，AI 可能会丢失部分前文理解，重要任务建议一个对话固定一个模型。

3.4 工作台的组织思路

虽然 WorkBuddy 界面本身提供了项目区，但真正高效的用法是在项目内部建立约定。以 Java 后端项目为例，可以在项目根目录放一个docs/ai-context.md文件，内容包含：

• 项目技术栈清单
• 代码分层规范
• 常用工具类位置
• 数据库表命名约定
• 异常处理约定

然后在对话开头告诉 WorkBuddy：

先读一下 docs/ai-context.md，后续所有代码生成都遵循里面的规范。

这样 AI 相当于“入职培训”过了，生成的代码一致性会明显提升。同样的思路也适用于前端项目、Python 项目，本质上是给 AI 一份项目说明书。

4. Skill 体系：把 AI 变成“懂规矩”的助手

4.1 Skill 是什么

Skill 是 WorkBuddy 里比较有特色的功能。你可以把它理解为一个“可复用的指令包”或“工作流模板”。它不只是简单的 Prompt，而是包含输入触发条件、执行步骤、输出要求、代码风格约束的结构化配置。

举个例子。你希望 AI 每次写完 Java 代码后，自动检查有没有处理空指针风险。如果没有 Skill，你需要每次手动补充这个要求；如果写了一个null-safe-check的 Skill，激活它之后，AI 在生成代码时就会自动把空指针检查纳入产出。

这也是 WorkBuddy 和普通 AI 工具拉开差距的地方：普通工具是“你每次重新教它一次”，Skill 是“教一次，以后一直按这个规矩办”。

4.2 内置 Skill 与查找

WorkBuddy 通常会内置一些常用 Skill，比如代码审查、单元测试生成、Commit Message 生成、SQL 优化、代码解释等。不同版本的默认 Skill 列表不同，你可以在 Skill 管理区查看。

如果内置 Skill 不够用，有两个途径：

1. 在官方 / 社区 Skill 市场搜索其他用户分享的 Skill，导入后即可使用。
2. 在 GitHub 等开源社区找第三方整理的 Skill 集，这些通常以 JSON 或 Markdown 格式提供，手动导入即可。

这里要提醒一句：从网上下载 Skill 时，先检查指令内容，不要把包含敏感操作的 Skill 直接用于生产项目。Skill 本质上是一段可执行的指令，和安装第三方插件一样要有安全意识。

4.3 自定义 Skill：从零开始写一个

下面来看一个自定义 Skill 的完整示例。为了让示例通用，这里用 JSON 结构描述一个“代码审查 Skill”，字段含义在注释后说明。不同版本对 Skill 配置格式的定义可能有差异，重点看逻辑，不要照抄格式。

{ "skill": { "name": "code-review", "description": "对指定代码进行规范审查，并输出结构化审查报告", "trigger": ["审查代码", "帮我 review 这段代码", "代码评审"], "input": { "file_path": "需要审查的文件路径", "review_level": "strict 或 normal" }, "steps": [ "读取目标文件内容", "检查命名规范是否符合项目约定", "检查是否存在空指针、资源未关闭等常见风险", "检查函数是否过长、是否有重复代码", "检查是否有调试遗留代码，如 console.log、print 语句", "生成审查报告" ], "output": { "format": "markdown", "sections": [ "发现的问题清单", "问题严重级别（高/中/低）", "建议修复方案", "修改后的代码片段" ] } } }

这个 Skill 的逻辑很直观：触发词是“审查代码”之类的指令；工作步骤是一条固定的审查流水线；输出统一为带问题分级和建议修复方案的 Markdown 报告。

实际使用中，你还需要把项目的具体规范写进去。比如项目要求“所有 Service 方法必须加 @Transactional 注解”“禁止使用 System.out.println”，这些内容作为额外的规则片段附在 Skill 后面，AI 审查时就会按你的标准执行，而不是只做泛泛的检查。

4.4 Skill 和 Prompt 的关系

很多新手会问：Skill 不就是高级 Prompt 吗？

可以这么理解，但 Skill 比 Prompt 多了一层“结构化和复用”。普通 Prompt 是“一次性输入的一段话”，Skill 是“保存好的工作流模板”，它帮你把写 Prompt 的思考过程沉淀下来。

写 Skill 时有三个建议：

• 触发条件要清晰：让 AI 在收到什么指令时启用这个 Skill，避免误触发。
• 步骤要可执行：每个步骤都要是 AI 能检查、能输出的具体动作，不要写“提升代码质量”这种没法落地的目标。
• 输出要固定格式：给 AI 规定输出结构，后续处理结果才稳定。

Skill 的价值是长期复利。花一小时写的 Skill，之后每次用到都能省下十分钟的手动引导，团队里共享效果更明显。

5. 完整实战：三个常见场景走一遍

接下来用三个实际场景，完整演示 WorkBuddy 从需求到落地的过程。这三个场景分别对应：数据脚本工具、Bug 排查与修复、项目脚手架搭建。

5.1 场景一：生成数据处理脚本

需求描述：有一个access.log文件，里面是 Nginx 访问日志，需要统计每个 IP 的访问次数，按降序输出前 10 个 IP。

第一步，在 WorkBuddy 中打开包含该日志文件的目录，然后在对话区输入：

项目根目录下有 access.log，格式是 Nginx 默认的 combined 格式。 请写一个 Python 脚本，统计每个 IP 的访问次数，输出前 10 个 IP，按次数降序排列。 要求： 1. 脚本路径放在 scripts/top_ip.py 2. 使用标准库，不引入第三方依赖 3. 输出格式为：IP 访问次数

AI 可能会给出类似下面的代码。注意这里展示的是“生成结果示例”，不同模型、不同上下文下输出会有差异，关键是理解落地过程。

# 文件路径：scripts/top_ip.py import re from collections import Counter LOG_PATTERN = re.compile( r'^(?P<ip>\d+\.\d+\.\d+\.\d+)\s+-\s+-' ) def parse_ip(line: str): match = LOG_PATTERN.match(line) return match.group('ip') if match else None def main(log_path: str, top_n: int = 10): counter = Counter() with open(log_path, 'r', encoding='utf-8', errors='ignore') as f: for line in f: ip = parse_ip(line.strip()) if ip: counter[ip] += 1 for ip, count in counter.most_common(top_n): print(f'{ip} {count}') if __name__ == '__main__': main('access.log')

第二步，在 WorkBuddy 的代码区点击“保存/写入文件”，把生成结果写入scripts/top_ip.py。

第三步，回到当前项目终端执行：

cd scripts python top_ip.py

如果日志文件较大，可以建议 AI 改用流式读取；如果日志格式不是默认 combined 格式，也可以直接让它适配现有格式。整个过程中，不需要手写正则，也不需要记住Counter的用法，只需要把需求和约束说清楚。

5.2 场景二：排查并修复 Bug

需求描述：项目里有个 Python 函数，本意是把列表中的字符串转换为整数，但某些行会抛ValueError导致程序中断。

把下面这段问题代码丢给 WorkBuddy：

# 文件路径：utils/convert.py def convert_to_int_list(values): result = [] for item in values: result.append(int(item)) return result

在对话区输入：

这段代码在部分数据上会崩溃，因为有的值不是有效的数字字符串。 要求： 1. 不要直接跳过异常数据，而是记录错误原因 2. 返回 (成功列表, 失败列表) 两个结果 3. 用 logging 输出告警，而不是 print

WorkBuddy 生成的合理结果类似下面这样：

# 文件路径：utils/convert.py import logging logger = logging.getLogger(__name__) def convert_to_int_list(values): success = [] failed = [] for item in values: try: success.append(int(item)) except (ValueError, TypeError) as exc: logger.warning('无法转换的值: %r, 原因: %s', item, exc) failed.append(item) return success, failed

这个修复方案有三个值得注意的工程点：

• 把“跳过异常”改成了“记录异常”，既保证程序不崩，也保留了排查线索。
• 用日志记录而不是 print，符合生产环境的通用规范。
• 捕获异常时限定ValueError, TypeError，避免把未知异常全部吞掉。

这种“不直接给最终代码，而是给约束条件让 AI 改代码”的用法，更适合真实开发场景。因为最终需求往往比“帮我修 bug”要复杂得多，明确边界才能得到可用结果。

5.3 场景三：从零搭建一个 Python 项目脚手架

需求描述：准备开一个新项目，需要一套标准的 Python 项目目录结构，包含配置管理、日志初始化、单元测试和 README。

这个场景最能体现 WorkBuddy 的“项目级”能力。先在工作台新建空目录my-tool，然后在对话区输入：

在 my-tool 目录下初始化一个 Python 项目，要求： 1. 使用 src 布局，包名 mytool 2. 配置文件用 YAML，支持通过环境变量覆盖 3. 内置日志初始化模块，控制台输出带时间戳 4. 包含 pytest 测试框架和一个冒烟测试 5. 生成 requirements.txt 和 README.md 6. 代码遵循 PEP 8，类型注解完整

按需生成后，项目结构大概会是这样（不同 AI 输出会有差异）：

my-tool/ ├── src/mytool/ │ ├── __init__.py │ ├── config.py │ ├── logging_setup.py │ └── main.py ├── tests/ │ ├── __init__.py │ └── test_smoke.py ├── config.yaml ├── requirements.txt └── README.md

这里最实用的部分是logging_setup.py。AI 生成的内容可能包含logging.basicConfig配置、控制台 handler、格式化字符串。写README.md时也可以让它补充安装、配置、运行方式，不需要自己从头写文档。

这个场景说明一个问题：把 WorkBuddy 用得好的关键，是你本身要知道项目应该长什么样。AI 是执行者，不是架构师。你给的要求越接近真实工程标准，产出的质量越高。

6. 缓存目录管理与系统优化

6.1 为什么要关注缓存目录

WorkBuddy 在运行过程中会产生模型缓存、对话历史、临时文件、技能索引等数据。时间一长，这些文件可能占据几个 GB 甚至更多空间。热搜里“workbuddy 怎么更改系统缓存目录”“workbuddy 系统缓存换位置”这些关键词频繁出现，就是因为默认安装会把缓存放到 C 盘或系统盘，对磁盘空间紧张的同学非常不友好。

缓存目录本身没有太多技术门槛，但移动它要谨慎：直接复制粘贴缓存目录可能会导致新版本找不到历史数据，或者旧缓存残留占用双倍空间。

6.2 修改缓存目录的通用思路

不同版本的 WorkBuddy 修改方式可能不同。这里给出三种通用路径，按优先级尝试：

第一种：设置界面直接调整。打开 WorkBuddy 设置，搜索“缓存目录”或“存储位置”，如果版本提供该选项，直接选择新路径并重启应用即可。

第二种：修改配置文件。部分版本会把配置写入用户目录下的配置文件中，比如 Windows 上可能位于%APPDATA%目录下，macOS 上可能位于~/Library/Application Support目录下。找到对应配置文件后，查看是否有类似cache_dir、storage_path的字段，改为目标路径。

配置项的通用形式类似：

# 仅供参考：具体字段名以你当前版本为准 cache.dir=D:/WorkBuddyCache storage.path=D:/WorkBuddyData

修改前建议先备份原配置文件，改完后重启应用观察是否正常。

第三种：系统目录迁移。如果应用本身不提供调整选项，可以用符号链接方式把原缓存目录指向新的物理位置。以 Windows 为例，假设原缓存目录是C:\Users\用户名\.workbuddy_cache，新目录是D:\WorkBuddyCache：

1. 关闭 WorkBuddy。
2. 把原缓存目录移动到D:\WorkBuddyCache。
3. 在管理员命令行下创建符号链接：

mklink /J "C:\Users\用户名\.workbuddy_cache" "D:\WorkBuddyCache"

这样应用仍按原路径读写缓存，但实际占用的是 D 盘空间。

6.3 其他系统优化项

除了缓存目录，还可以关注：

• 定期清理历史对话：长期使用后对话历史文件会累积，建议定期导出重要对话后清理。
• 限制自动加载项目索引：如果项目文件数量巨大，可以关闭大目录的自动索引，改为按需加载。
• 控制并发任务数量：同时开十几个对话会让模型请求排队，响应变慢，建议按需关闭已完成的任务。

这些优化不需要一次全部做完，按实际磁盘压力和操作体验逐步调整即可。

7. 常见问题与排查思路

排查时记住一个原则：先看配置，再看网络，最后看版本。WorkBuddy 的大多数异常都出在这三个层面。

如果你遇到“改了配置但没生效”的情况，优先考虑重启应用；如果重启后依然没生效，检查配置文件是否被应用重置，必要时候手动验证配置项路径是否正确。

8. 最佳实践与工程建议

8.1 提问与描述质量

WorkBuddy 的产出质量，很大程度上取决于描述质量。给 AI 描述任务时，建议包含四要素：

• 目标：要完成什么。
• 约束：必须遵守什么，比如技术栈、编码规范、禁止事项。
• 输入输出格式：输入是什么，输出要什么结构。
• 验收标准：什么样的结果算完成。

对比一下两种提问方式：

# 低质量提问 帮我写个用户注册接口。

# 高质量提问 用 Spring Boot + MyBatis 写一个用户注册接口。 要求： 1. 密码用 BCrypt 加密存储 2. 参数校验：用户名不能为空，密码长度不少于 6 位 3. 统一返回 Result 对象 4. 已存在的用户名返回业务错误码 1001

后者看起来字多，但每一条都在减少 AI 的猜测空间。实际项目中，AI 一次生成可用代码的概率会提高很多。

8.2 代码落地规范

AI 生成的代码必须经过人工审查，这一点不管工具多强大都不能省。具体来说，至少检查：

• 业务逻辑是否正确，不能因为 AI 生成就默认正确。
• 安全和权限控制是否到位。涉及文件删除、数据库更新、系统命令的代码，必须仔细审查。
• 异常处理是否合理，有没有吞异常、暴露敏感信息。
• 是否符合项目既有风格，类型注解、命名规范、分层结构是否一致。

涉及数据库变更、删除操作、生产环境命令时，务必先在测试环境验证，必要时做好备份。这不是套话，而是 AI 工具时代最容易翻车的地方。

8.3 让 Skill 成为团队资产

如果是团队使用 WorkBuddy，建议把常用 Skill 沉淀到代码仓库里，并指定维护人。比如代码审查 Skill、提交信息规范 Skill、接口文档生成 Skill，这些都可以统一管理，成员更新时走正常的代码评审流程。

同时要提醒团队成员：Skill 是会执行指令的“活配置”，不要随意从外部导入来源不明的 Skill。导入前读一遍内容，确认没有可疑操作。

8.4 版本更新与兼容性

WorkBuddy 迭代速度很快，新版本可能改变配置格式、Skill 接口或缓存路径。建议：

• 大版本升级前先查看更新日志，确认有没有 breaking change。
• 重要配置和自定义 Skill 做好备份。
• 不要在生产项目里依赖某个特定版本的内部接口。

如果项目用得很顺，可以在官方源确认新版本稳定后再升级，不用追求第一时间。

9. 学习路线与资料整合建议

9.1 阶段一：跑通最小闭环

第一周目标很简单：装好 WorkBuddy，把项目接进来，每天至少用 AI 完成 3 个真实小任务。不要上来就搞复杂 Skill 和多模型配置，先把“对话 + 文件引用 + 代码落盘”这个基本循环跑顺。

可以做一个“每日五问”练习：

1. 解释我项目里这段代码的作用 2. 帮我写这个模块的单元测试 3. 帮我重构这个函数，降低圈复杂度 4. 分析这个报错日志，给出修复方案 5. 根据接口文档生成调用代码

这个阶段的关键是建立“AI 参与开发”的肌肉记忆。

9.2 阶段二：场景化深入

第二三周，按自己的技术栈做场景专项。后端开发者重点练接口生成、数据库访问、异常处理、日志埋点；前端开发者重点练组件生成、类型定义、状态管理、接口联调。每完成一个场景，把有效的提问模板保存下来，慢慢转化为自己的 Skill。

9.3 阶段三：沉淀自己的 Skill 库

一个月后开始写自己的 Skill。不要追求大而全，先解决自己的痛点：

• 写代码前经常要补充的规范说明，可以做成“项目默认约束”Skill。
• 每次都要手动指定的输出格式，可以做成“输出格式控制”Skill。
• 团队评审时反复指出同类问题，可以做成“代码审查”Skill。

这部分才是 WorkBuddy 的真正价值所在。工具本身会不断更新，但你自己沉淀下来的 Skill 库和工作习惯，会在未来的项目里持续产生复利。

如果在实际使用过程中卡在某一步，优先从三个方面排查：模型配置是否正确、项目上下文是否被正确加载、Skill 是否被当前任务触发。把这三个问题解决了，大部分“AI 回答得不对”的困惑都会迎刃而解。

最后想说的是：AI 编程工具不像传统软件那样“装好就能用”，它更像一个需要调教的同事。花点时间把 WorkBuddy 的工作台、Skill、上下文机制理解透，它会是一个远超预期效率的长期搭档。这篇文章先写到这里，希望对你接下来的项目有帮助。