现在用 workbuddy、codebuddy 这类 AI 编程工具，最让人头疼的往往不是它不会写代码，而是「需求还没说清楚，它就开始动手了」。结果就是不断返工、反复修改，token 烧了不少，效率却没上来。(ps:项目在github上，搜pre-workbuddy就行)
pre-workbuddy 想解决的，正是 AI 执行链条里被长期忽略的一环——需求收集。它作为一层「需求收集层」，先由 AI 扮演对应职业的专业人士，与甲方多轮对话摸清需求，自动生成最终任务 prompt，再一键交给 workbuddy / codebuddy 执行。
一、痛点：AI 工具「跑得快」，但常「跑偏」
如果你常用 AI 执行类工具，大概都经历过这些：
提问环节太少，需求还没明确就开始做任务，做出来的东西经常要返工修改；
想用好这些工具，往往需要专业人士先收集一份比较全面的需求文档，过于偏执行层面，而且执行耗时较长，动辄几分钟到十几分钟；
工具忽略了现实里「乙方向甲方收集需求」的过程——现实中的甲方（小商、小贩、小厂）最开始往往并不清楚自己要什么；
学习成本过高：工具要求用户每次看完执行结果再提修改意见，可现实中甲方不会从 demo 阶段就一轮一轮地改；
token 消耗量大，费用高。
二、方案：pre-workbuddy——先聊清楚，再让 AI 动手
一句话概括：pre-workbuddy 是一个运行在 workbuddy 之前的「需求收集层」，是你的专属助理。
它的工作方式是这样的：选择对应职业 → AI 扮演该职业的专业人士 → 与甲方多轮对话摸清需求 → 自动生成最终任务 prompt → 一键交给 workbuddy / codebuddy 执行。
核心特性：
集成 2000+ 职业，匹配专人专事服务；
通过提前多轮对话了解甲方需求后再调用 workbuddy，更贴近前期乙方对甲方需求的收集阶段；
普适性：扮演对应职业角色，了解需求后自动生成最终 prompt，全流程引导式操作，学习成本低；
便宜：集成便宜的 glm-flash API 和本地 Qwen 大模型，对话成本几乎可以忽略不计；
更早阶段的自动化：完成「需求收集 → 任务执行」的全流程自动化。
三、工作流程
整个流程可以概括为四步：
选择职业：在页面中选择与你需求匹配的职业角色；
多轮对话收集需求：AI 以对应职业专业人士的身份，通过多轮提问帮你把需求聊清楚；
生成最终 prompt：需求明确后，自动整理为可执行的最终任务 prompt；
跳转 codebuddy 执行：一键将 prompt 交给 workbuddy / codebuddy 执行，得到结果。
四、快速开始
4.1 安装 Python 依赖
先安装 Python 依赖：
pip install -r requirements.txt
可选：如需「不消耗 token」的本地模型对话模式，再安装 llama-cpp-python 并下载模型（约 2.6G）：
pip install llama-cpp-python
./download_model.sh # 下载 Qwen3.5-4B-Q4_K_M.gguf 到 model_file/
然后在 config.py 中把 use_local_model 改为 True，并在 API_KEY 填入智谱 GLM 的 key（云端模式需要）。
4.2 安装部署 codebuddy
安装 codebuddy CLI：
curl -fsSL https://copilot.tencent.com/cli/install.sh | bash
source ~/.zshenv
codebuddy --version
启动 daemon（端口需与 config.py 中 CODEBUDDY_DAEMON_URL 一致）：
codebuddy daemon start --port 8000
codebuddy daemon status
4.3 启动网站
运行前记得修改 config 里的 API_KEY；如果用的是其他家的 model，也记得自行修改 key 和 url。如果需要加载本地 model，请自行修改 config 里的 use_local_model 参数。
python index.py
浏览器打开 http://127.0.0.1:5000 即可开始：选择职业 → 多轮对话收集需求 → 生成 prompt → 跳转 codebuddy 执行。
五、效果展示
整个使用过程非常直观：
选择职业：进入页面后先选择与你需求匹配的职业角色；
多轮对话：AI 以专业人士身份引导你把需求聊清楚；
生成 prompt：自动整理出最终任务 prompt；
跳转 codebuddy：一键交给 codebuddy 执行，等待结果。
（以上各环节对应项目的网站截图，发布时可按需配图呈现。）
六、规划与展望
项目仍处在早期，规划中的方向包括：
完成英文化；
完成 app、web 端多端支持；
完成本地用户信息私有化；
完成软硬一体；
完成自动化训练。
结语
AI 执行工具已经足够「快」，真正拖后腿的往往是「需求」这一环。pre-workbuddy 用一层轻量的「需求收集层」，把「聊清楚」这件事补了回来——更省 token、更少返工，也更贴近真实协作中「先对齐、再动手」的习惯。
如果你也在为 AI 工具反复返工头疼，不妨把它当作 workbuddy / codebuddy 之前的那个「专属助理」试一试。
