从零搭建每日工作自动化：AI智能体+WorkBuddy完整实战指南

你有没有算过，每天早上打开电脑后，在各个后台、邮箱、报表之间来回切换，到底要花掉多少时间？我自己认真统计过一次，光是拉数据、整理格式、写日报这几件事，每天至少吃掉40分钟。后来我把这一整套流程全部交给了用 WorkBuddy 搭出来的 AI 智能体，现在每天到工位只需要敲一个回车，10分钟之内就能拿到整理好的日报、待办清单和项目提醒。这篇文章就专门记录这套每日工作自动化的完整搭建过程，包含每一步的具体操作和踩过的坑，适合所有想用 AI 智能体接管重复劳动、又不想写一大堆脚本的同学参考。

1. 项目概述：先搞清楚自动化要解决什么问题

1.1 为什么选 WorkBuddy 做每日自动化

很多人一听到“自动化”就想到写 Python 脚本、配定时任务、处理各种异常情况，最后往往写了一堆代码，还是三天两头出问题。我最早也是这么干的：用脚本定时代码去抓接口、格式化数据，但接口字段一改、网络一抖、格式一乱，脚本就废了，维护成本比我手动操作还高。

WorkBuddy 这类 AI 智能体的思路完全不一样。它本质上是一个能理解自然语言、能调用工具、能读写文件、能执行命令的智能体。你可以用大白话告诉它“去拉取某个接口的数据，整理成日报格式，保存到指定目录”，它自己会去理解步骤、拆解任务、调用对应的工具去完成。遇到格式变化、字段调整这些乱子，它不像传统脚本那样直接崩溃，而是会根据上下文判断，自己适配。

我选择 WorkBuddy 还有几个很实际的原因：第一，它支持自定义指令和 Skill 技能包，相当于你可以给智能体预置一套“工作手册”，让它在执行任务时按照你的规范来；第二，它支持跨平台，Windows、macOS、Linux 都能跑，我办公电脑和家里电脑用的是同一套配置；第三，它对模型的要求相对灵活，既可以用各家的云端模型，也可以接本地模型，数据敏感的场景也不至于完全没辙。

1.2 别急着打开工具，先把任务拆清楚

这里我想强调一个特别容易犯的错：拿到 WorkBuddy 之后，第一反应就是让它“帮我做日报”，结果它输出了一堆通用内容，根本不贴合你的业务。原因很简单，你自己都没把任务拆清楚，AI 更不知道你想要什么。

我在搭建之前，花了大半个下午把每天重复做的事列了一张表，然后逐一判断哪些适合交给智能体。判断标准有三条：一是动作是否重复，二是是否有明确的数据入口和出口，三是是否需要“动脑子”去适配变化。

拆完这张表你会发现，真正适合 AI 智能体的任务，几乎都有一个共同点：输入是不固定的、需要一定判断力的、最终输出又是有固定格式的。这类活儿用传统脚本做起来特别别扭，而让 AI 智能体来做，正好踩在它的优势区间上。我的第一个自动化场景——“每日项目日报自动生成”，就是从这张表里挑出来的。

2. 环境与基础：安装 WorkBuddy 并理解核心概念

2.1 安装方式与模型配置

安装这块其实没什么玄学。WorkBuddy 的主程序有桌面版和命令行两种形态，我日常用的是命令行版，因为它更方便被定时任务调用，也更接近“智能体”原本的样子。

不同平台安装命令稍有区别，以官方文档为准。我用的是 macOS，直接通过包管理器安装的，装完在终端输入wb --version能看到版本号就说明成功了。Windows 环境建议用官方推荐的安装包或者 PowerShell 命令，Linux 上则是下载对应发行版的二进制包。如果你之前用过 Node 生态的命令行工具，上手难度基本为零。

安装完成之后，还需要配置模型。WorkBuddy 本身不内置大模型，它需要连接一个推理后端。我第一次跑的时候卡在最前面这一步，因为光想着装完就开干，结果模型没配好，问它什么都是“连接失败”。后来我理了一下：

• 云端模型：在配置里填入 API Key，再把模型名配上，路径基本就是wb config set model xxx这样。
• 本地模型：如果你有 Ollama 或者类似工具，可以让 WorkBuddy 连本地跑，好处是数据不出内网，坏处是速度和推理能力受机器性能限制。

我个人的建议是，第一次玩先用云端模型把流程跑通，别一上来就折腾本地推理。本地模型对显存、内存要求不低，你不想“自动化没跑起来，先把显卡跑冒烟了”。

2.2 四个必须懂的核心概念：Agent、Skill、MCP、自定义指令

如果你之前没接触过 AI 智能体，WorkBuddy 里这几个概念一定要提前搞清楚，否则后面配置起来容易懵：

• Agent（智能体）：这就是那个替你干活的“虚拟员工”。你给它一个目标，它会自己规划步骤、调工具、判断结果。在 WorkBuddy 里，你可以有多个 Agent，每个负责不同工种，比如“日报助手”“邮差”“分析员”。
• Skill（技能包）：相当于给 Agent 预置的操作手册。一个 Skill 里可以包含提示词、脚本模板和说明文档。比如我建了一个“日报生成” Skill，里面写清楚了日报的结构、数据来源、输出路径，Agent 调用之后就会按照这套规则执行。Skill 是 WorkBuddy 最核心的扩展方式，也是让 AI 输出稳定的关键。
• MCP（Model Context Protocol，模型上下文协议）：这个名词听起来高大上，说白了就是一套标准接口，让 Agent 能访问外部数据源，比如数据库、网盘、邮箱、第三方 API。没有 MCP，Agent 只能靠你喂文件；有了 MCP，它可以自己“伸手”去取数据。
• 自定义指令（Custom Instructions）：这是全局层面的“性格设定”，相当于你告诉 Agent：“你是我的助理，回复要简洁，不要废话，所有输出用中文，默认保存路径是 xxx”。它作用于所有对话和任务，属于常驻上下文。

这四个概念的关系，我用一个生活中的类比来解释：Agent 是新来的实习生，Skill 是岗位职责说明书，MCP 是公司内部系统的访问权限，自定义指令则是你对这个实习生的总体要求。四件事配齐了，他才能靠谱地干活。

2.3 先跑一条最简单的指令验证环境

配好环境之后，别急着搞大工程。先从最小任务开始验证链路是否通畅。我在正式搭日报之前，先试着让 WorkBuddy 做了两件事：一是列当前目录的文件清单，二是读某个文件并总结内容。

这一步看似简单，其实能把很多潜在问题提前暴露出来。比如模型 API 密钥填没填对、文件读写权限是不是正常、Skill 目录路径有没有配置好、MCP 连接是否成功等。如果连“列个目录”都出错，那后面那些复杂的自动化工作流就更别想了。

我第一次跑的时候，就是在这个阶段发现配置文件里的目录路径写错了，导致 Agent 根本找不到我放数据的地方。好在这个错误发现得早，改完路径重试一遍就通了。所以真心建议大家不要跳步，先用简单任务把地基打牢。

3. 10分钟实战：搭一个每日工作自动化的完整流程

3.1 选一个高频场景，明确数据入口和出口

理论部分说再多，不如直接上手。下面我就以“每日项目日报自动生成”为例，完整演示一遍用 WorkBuddy 搭建自动化的工作流程。

为什么选日报？两个原因。第一，这几乎是每个职场人每天都做的事，有普适性；第二，它的输入和输出都很清晰：输入是项目系统里当天产生的数据（需求变更、任务进度、风险问题等），输出是一份固定格式的 Markdown 日报。边界清晰的任务最适合第一次尝试。

我的数据入口比较简单：项目组每天会把当日的关键信息同步到一个共享表格里，另外我还能通过内部接口拉取任务状态。 WorkBuddy 可以通过 MCP 连上数据源，把它当作“信息中枢”，把多个来源的数据拉到一起。

输出端则固定为一个reports/目录，文件命名带日期，方便后续汇总。我不建议让 Agent 把结果输出到聊天窗口就完事，一定要落盘保存，因为日报是要留存、要归档的。这一步踩过的坑我会在后面的常见问题里细说。

3.2 写一个 Skill：把“怎么做日报”固化下来

为了让 Agent 每次输出都保持稳定，我不在对话里临时描述需求，而是写成一个 Skill。这样做的好处是，以后我可以随时调用同一个 Skill，不用每次重新描述一遍需求，而且输出格式不会漂移。

Skill 本质上是一个包含指令和模板的目录。我在~/.workbuddy/skills/daily-report/下面创建了核心文件，内容大致是这样的结构：

# skill: daily-report 名称: 每日项目日报生成 触发方式: /daily-report 描述: 读取项目当日数据，按固定结构生成日报并保存到 reports 目录 ## 执行步骤 1. 读取 MCP 中配置的项目任务数据源，获取当天任务、需求、缺陷列表 2. 读取数据源中的“项目风险”“待办事项”字段 3. 按“今日进展 / 风险项 / 明日计划 / 待协调事项”四段式结构组织内容 4. 使用简洁中文，每项不超过 50 字，数据和日期必须准确 5. 将结果保存到 reports/日报-YYYY-MM-DD.md 6. 输出文件路径和生成摘要 ## 输出模板 ### 今日进展 - 任务A：状态描述 ### 风险项 - 暂无/描述 ### 明日计划 - 具体事项 ### 待协调事项 - 具体事项

写这个 Skill 有几点很关键：第一，触发方式必须简短好记；第二，描述字段要写清楚这个 Skill 是干什么的，Agent 会根据描述来决定何时调用它；第三，执行步骤要尽可能明确，尤其是输出模板，它直接决定了生成结果的稳定性。

我把这个文件保存好之后，在 WorkBuddy 会话里输入/daily-report，它就开始自动执行了。第一次跑通的那一刻，看着日报文件自动出现在reports/目录里，说实话还挺有成就感的，原本要手动折腾半小时的活，现在几秒就出来了。

3.3 接上定时任务，实现“全自动”而不是“半自动”

Skill 写好了，但每次手动输入指令仍然不够“自动化”。我需要的效果是：每天早上 9 点，日报自动生成好，我到工位直接看结果。这一步要借助系统的定时任务。

我用的是 macOS，所以用crontab来配置。Windows 环境的话，用“任务计划程序”可以达到同样的效果。Linux 环境同样也是 cron，原理一致。

我给 WorkBuddy 配置的定时任务长这样：

0 9 * * 1-5 /usr/local/bin/wb run daily-report >> /tmp/workbuddy_daily.log 2>&1

解释一下这行命令的含义：每天早上 9 点（工作日，周一到周五）执行一次wb run daily-report，让 WorkBuddy 以非交互模式运行 daily-report 这个 Skill，并把日志输出到指定文件里，方便之后排查问题。

配置定时任务的时候，有一个特别容易踩的坑：cron 环境和你手动打开终端的环境不完全一样。我第一次配置完，第二天早上发现日报没有生成，日志里显示“命令找不到”。原因就是 cron 的 PATH 环境变量里没有包含 WorkBuddy 所在目录。解决办法是命令里直接用绝对路径，不要用简短的wb。

3.4 给指令留余量，让 AI 自己应对变化

等流程跑熟之后，你会发现 Skill 里写得太死也有问题。比如我在步骤里写“读取 MCP 中配置的项目任务数据源”，但如果某天数据源里的字段变了、或者某个数据源临时不可用，Agent 就会卡住，甚至直接报错。

这时候就需要在 Skill 里给 Agent 留一些“决策空间”。我后来在 Skill 里补充了几条：

• 如果某个数据源读取失败，跳过该数据源并注明“该部分数据未获取到”，不要中断整个流程。
• 如果数据中字段为空，不强行编造内容，直接写“暂无”。
• 如果发现数据格式和以往明显不同，先尝试自行理解适配，并在日报末尾加一句说明。

这是 AI 智能体区别于传统脚本的最大优势：它有能力处理“没遇到过的情况”。你只需要给它足够的上下文和决策授权，它就能在规则之外找到出路。

我把它加到 Skill 之后，日报跑了两周多，再也没有出现过“流程中断”的尴尬情况。即使某天数据不全，它也能生成一份带说明的日报，保证流程不崩。

3.5 多任务串联：让日报、抓取、提醒成为一个工作流

单跑一个日报只是热身。WorkBuddy 真正值钱的地方在于，可以把多个任务串成一个完整的工作流。比如“跨境电商多平台订单抓取：WorkBuddy 自动化工作流搭建”这个场景，就是典型的串联玩法。

我后来还加了一个群聊推送任务：日报生成之后，自动提取摘要，然后通过群机器人 webhook 推送到项目群里。这一步用到了 WorkBuddy 的“动作”能力，核心其实是调用系统命令发送 HTTP 请求。我给这个工作流写过一个简单的执行脚本，关键思路是：

# 日报生成后，提取关键内容并通过 webhook 推送 daily_report=$(cat reports/日报-$(date +%F).md) curl -s -X POST "$WEBHOOK_URL" \ -H 'Content-Type: application/json' \ -d "{\"msgtype\": \"text\", \"text\": {\"content\": \"$daily_report\"}}"

这样一来，每天早上 9 点整，日报生成、保存、推送到群里一步到位，项目组的同事到点就能看到当日信息同步。整个工作流从“手动整理”变成了“自动生成+自动通知”，这才是真正意义上的每日自动化。

4. 常见问题与排查技巧实录

4.1 权限与写入失败（EACCES 错误）

运行 WorkBuddy 时如果报502 write EACCES之类的错误，基本可以断定是文件写入权限问题。我在排查这个错上花了不少时间。

一开始我把输出目录设在了/etc/reports/，这在 Linux/macOS 上是没有写权限的。后来我把输出目录改到了用户目录下的~/workbuddy-reports/，问题立刻解决了。

这个问题的排查思路其实很简单：先确认问题是“写不进文件”还是“读不出文件”；然后查看目标目录的属主和权限；最后用chmod给当前用户加上写权限，或者干脆换一个在用户目录下的路径。

在这里提醒一句：不要让 Agent 直接向系统关键目录写入文件，这不仅会报错，还存在安全风险。尽量让所有读写都发生在项目目录或用户目录下，这也是管理 AI 智能体的基本素养。

4.2 Skill 不生效或调用无响应

如果你输入/daily-report之后没有反应，大概率是 Skill 没有被正确加载。常见原因有三个：目录放错了位置、Skill 描述写得不够清楚、修改后没有重新加载。

我的排查顺序通常是：先检查 Skill 目录放没放对位置，再看描述里有没有写清楚“何时触发这个 Skill”，最后在 WorkBuddy 里执行一次重新加载命令。有些版本修改 Skill 文件后需要重启会话才能生效，这个属于正常现象，不用慌。

为了减少这类问题，我在创建 Skill 时都会遵循一个原则：描述里明确写明适用场景和任务目标。例如“读取项目数据并按固定模板生成日报”就比“日报”两个字要好得多，因为 Agent 是靠描述来理解这个 Skill 能干什么的。

4.3 输出格式不稳定

日报跑了一段时间之后，有几次输出格式完全乱了，一会儿是表格，一会儿是列表，模板形同虚设。后来我找到了问题的根源：我在 Skill 的“执行步骤”里只写了结构要求，但没有给出“成品示例”。

AI 模型对指令的理解高度依赖上下文的明确程度。只告诉它“用四段式结构”，不如直接把一份我亲手写的日报样例贴在模板里让它模仿。我后来把输出模板部分改成了一个“参考示例”，效果立竿见影，格式稳定多了。

这里有个技巧：参考示例最好用一段独立代码块包起来，并且明确标注“这是示例，不要原样照抄内容，照着这个格式写”。这样既给模型提供了格式锚点，又不会让它把示例内容当成真数据。

4.4 执行太慢或 Token 消耗过大

自动化跑着跑着，有时候一个简单任务要好几分钟，Token 消耗也很夸张。我排查后发现，原因是 Agent 在设计自己的执行计划时，把“读取文件”扩展成了“读取所有相关文件”，把不必要的内容也读进了上下文。

解决办法是在 Skill 里明确限制读取范围，比如“只读取最近 7 天的项目数据”“只需要读取 state 字段”“每次最多读取 100 条记录”。如果数据量确实很大，可以考虑先预处理一下，再让 Agent 处理。

还有一个小技巧：把“先看目录结构，再决定读哪个文件”作为默认行为，能省不少 Token。我不希望 Agent 一上来就把数据目录里的所有文件都读一遍，而是让它先“侦查”再“行动”，就像一个人做事也是先了解全局，再动手。

4.5 常见问题速查表

5. 进阶：把 WorkBuddy 变成你的数字员工

5.1 用 Webhook 把结果推送到聊天工具

日报生成之后，如果要让团队里的人都能看到，最好的方式就是推送到群机器人。我在前面已经展示过通过 curl 调 webhook 的脚本。WorkBuddy 的优势在于，它可以在生成内容之后继续执行后续动作，把“写日报”和“发日报”无缝衔接。

我在实际配置中发现一个细节：推送的文本长度不宜过长。群机器人对消息长度有要求，日报太长会被截断。我的做法是让 WorkBuddy 在推送前先提取一个摘要，摘要控制在 500 字以内，完整版还是保留在本地文件里。这算是团队协作场景下的一个实用优化。

5.2 多智能体协作，各司其职

当你的自动化任务越来越多，你会希望不同的 Agent 负责不同的工作，而不是一个 Agent 什么活都干。比如：一个 Agent 负责数据采集，一个负责内容生成，一个负责质量检查，最后再由一个主 Agent 汇总输出。

这种多智能体协作的思路，在 WorkBuddy 里完全可行。你可以为每个角色写一套独立的 Skill，然后在主工作流里按顺序调度。ClawSwarm 这类多智能体协作框架我看过一些资料，思路基本一致，核心就是把复杂任务拆给不同的“专家”，而不是让一个“全才”硬扛所有事情。

我实际使用时的分工是：数据采集 Agent 负责连接数据源并拉取原始数据，日报 Agent 根据原始数据生成内容，质检 Agent 检查日期、数字、格式是否正确。虽然配置起来比单个 Skill 复杂一些，但整体的容错性和稳定性确实上了一个台阶。

5.3 建立自己的自动化资产库

用了几个月 WorkBuddy 之后，我发现自己积累的 Skill 已经涵盖了日报、周报、竞品监控、会议纪要整理等多个场景。这些 Skill 就像一个个积木块，遇到新任务时，我不用从零开始配置，而是看看能不能用现有 Skill 组合出新的工作流。

我强烈建议你也这样做：把每次成功跑通的 Skill 都整理到一个统一目录下，分类命名，加好描述。时间长了你会发现，这已经成了你个人的自动化资产库。无论是换电脑、换工作，还是带新人，这套东西都能直接复用，价值远比单个自动化任务大。

还有一个小建议：每周花十分钟回看一遍日志，看看哪些任务跑得不好、哪些环节经常出问题。WorkBuddy 的日志文件是最好的优化指南。你可以基于日志调整 Skill 里的步骤描述，这种持续迭代带来的收益，比重新设计一个完美方案要高得多。

写在最后

回顾这一路搭下来的自动化流程，我自己最大的感受是：AI 智能体不是万能的，但用对地方之后是真的省心。它的强项不是替你“发明”新的工作方式，而是把你已经极其熟练的重复劳动接过去，让你腾出精力去做更需要判断力和创造力的事。我踩过的最深的坑，就是一上来想把所有事情都自动化，结果配置得又复杂又脆弱。正确的方式是挑一件每天必做、又最让你烦躁的小事，把它跑通、跑稳，然后再逐步扩展。哪怕先从一天一份日报开始，坚持两周，你都会明显感觉到，早上那十几分钟的“手忙脚乱”已经变成了“看一眼结果，喝口咖啡，开始干活”。