WorkBuddy 实战指南：从安装到本地部署，AI Agent 工作台避坑全攻略

1. 为什么我要认真写这篇 WorkBuddy 实战指南

第一次接触 WorkBuddy 是在一个赶项目的深夜。当时手里压着三份文档要整理、一个数据清洗脚本要调、还有一堆重复性的表格要合并，人已经麻了。同事甩过来一句“你试试 WorkBuddy，腾讯那个 AI 工作台”，我抱着“又一个套壳聊天框”的心态装了一下，结果那一晚它帮我把最枯燥的表格合并和字段清洗全干完了，我只需要在关键节点点确认。从那天起，我开始认真研究这个东西到底能干什么、边界在哪、坑在哪。

这篇内容就是把我从安装、配置、自定义模型、Skill 使用、规则设定到本地化部署这一路踩过的坑，完整地摊开讲一遍。核心关键词会围绕WorkBuddy、腾讯 AI 工作台、AI Agent、自定义模型配置、models.json这几个点展开，同时把大家最关心的“WorkBuddy 和 CodeBuddy 有什么区别”“WorkBuddy 怎么改缓存目录”“WorkBuddy 哪些 Skill 最好用”“WorkBuddy 能不能本地部署”这些问题一次性说清楚。

适合谁看？三类人。第一类是刚听说 WorkBuddy、想找个靠谱上手路径的新手，我会从安装讲到第一个任务跑通。第二类是已经在用、但总觉得“没发挥出全部实力”的中级用户，重点看自定义模型、规则设定和 Skill 组合那几节。第三类是要做私有化部署、或者想把它接进团队工作流的人，本地部署和缓存目录迁移那部分对你会比较有用。我不打算写成官方文档的复读机，而是按一个真实使用者的视角，把“为什么这么配”“哪里容易翻车”“怎么绕过去”讲透。

需要先说明一点：WorkBuddy 这类 AI 工作台迭代非常快，界面和功能可能每隔几周就有变化。我下面写的操作路径基于我实际使用的版本，如果你发现菜单名字对不上，大概率是版本差异，思路是通用的。另外文中涉及的自定义模型、本地部署等内容，都是基于公开的通用实践做的合理补充，具体以你拿到的版本为准。

2. WorkBuddy 到底是什么，和 CodeBuddy 差在哪

2.1 一句话定位：它不是聊天框，是任务执行台

很多人第一次打开 WorkBuddy，会下意识把它当成“又一个 AI 对话工具”，然后问几个问题，觉得“也就那样”。这是最大的误解。WorkBuddy 的本质是一个AI Agent 工作台，它的核心不是陪你聊天，而是接一个任务、拆解成步骤、调用工具、产出结果。你可以把它理解成一个“能自己动手干活的实习生”，而不是“什么都懂但不动手的顾问”。

这个定位差异决定了用法。你问它“帮我写个爬虫”，它可能给你一段代码；但你说“把这个文件夹里的 CSV 全部合并、去重、按日期排序，输出到新文件”，它会真的去读文件、执行操作、给你结果。前者是聊天，后者是 Agent。WorkBuddy 的价值几乎全在后者。

我实测下来，它最擅长的几类任务是：批量文件处理（重命名、格式转换、内容提取）、数据处理（清洗、合并、统计）、文档生成（报告、总结、结构化整理）、以及把多个步骤串起来的自动化流程。这些任务的共同点是“步骤明确但繁琐”，正好是 AI Agent 的甜区。

2.2 WorkBuddy 和 CodeBuddy 的区别，别再搞混了

这是被问得最多的问题之一。简单说，CodeBuddy 偏“写代码”，WorkBuddy 偏“干活”。CodeBuddy 更像一个编程助手，围绕代码补全、代码解释、调试建议展开，服务对象是开发者写代码的场景。WorkBuddy 则是面向更广泛的工作任务，代码只是它调用的工具之一，它还会操作文件、调用 Skill、跑流程。

打个比方：CodeBuddy 像一个坐在你旁边的程序员，帮你写和改代码；WorkBuddy 像一个能跑腿的项目助理，你交代一件事，它自己想办法完成，过程中可能写点脚本、可能调用现成工具。两者有重叠，但重心完全不同。如果你主要需求是写代码，CodeBuddy 更顺手；如果你要处理的是“一堆杂活自动化”，WorkBuddy 更合适。

实际使用中我经常两个配合：用 CodeBuddy 把核心逻辑代码写出来，然后把这段代码作为工具丢给 WorkBuddy，让它去批量执行。这个组合拳效率很高。

2.3 国际版和国内版，选哪个

WorkBuddy 有国际版和国内版之分，主要差异在可用的模型、网络环境适配和部分功能开放程度上。国内版在访问稳定性和中文任务处理上更省心，国际版在某些模型选择上更灵活。我的建议是：如果你主要处理中文内容、团队在国内协作，直接用国内版，少折腾；如果你有特定的模型偏好或者需要对接某些海外服务，再考虑国际版。

不要一上来就纠结版本，先用国内版把基本流程跑通，知道自己缺什么了，再针对性换。我见过太多人卡在“选哪个版本”上半天，结果一个任务都没跑。

3. 从零安装到第一个任务跑通

3.1 安装前的环境准备，别跳过这步

安装 WorkBuddy 本身不复杂，但环境没准备好，后面会各种报错。我踩过的坑主要集中在三块：系统权限、磁盘空间、以及运行依赖。

先说系统。Windows 用户建议用 Win10 以上，Mac 用户建议 macOS 12 以上，Linux 用户要注意发行版和 glibc 版本。我一开始在一台老 Win7 机器上装，直接卡在启动阶段，后来换机器才解决。磁盘空间至少留 10GB 以上，因为 WorkBuddy 运行过程中会产生缓存、日志和临时文件，空间不够会莫名其妙失败。

运行依赖方面，如果你要用到本地执行能力（比如跑脚本、操作文件），确保系统里有 Python 3.9+ 和 Node.js 18+。这两个不是必须，但装了之后能解锁很多 Skill。我建议直接装上，省得后面用到再补。

提示：安装前先关掉其他占用大量内存的程序。WorkBuddy 启动时会加载模型和 Skill，内存吃紧的机器容易卡死。

3.2 安装步骤与首次启动

安装包从官方渠道获取，双击按提示走就行。安装路径建议不要放在 C 盘默认目录，原因后面讲缓存目录时会说。首次启动会有一个初始化过程，它会下载一些基础组件，这一步耗时取决于网络，耐心等。

启动后第一件事是登录和基础设置。这里有个细节：工作目录的设置。默认工作目录通常在用户目录下，我强烈建议改到一个你专门用来放任务的文件夹，比如D:\WorkBuddyProjects。原因是 WorkBuddy 执行任务时会在这个目录下读写文件，如果混在你的个人文档里，容易误操作。单独开一个目录，既安全又好管理。

登录后你会看到主界面，一般分几个区域：任务输入区、Skill 管理区、模型配置区、历史记录区。不同版本布局略有差异，但核心就这几块。先别急着配模型，用默认配置跑一个简单任务，确认基本流程通了。

3.3 第一个任务：用最笨的方式验证流程

我给新手的第一个任务永远是同一个：“把这个文件夹里的所有 txt 文件内容合并成一个文件，按文件名排序。”这个任务足够简单，但完整走了一遍“读文件→处理→写文件”的流程，能验证环境是否正常。

操作步骤：在工作目录下建一个文件夹，丢几个 txt 进去，然后在 WorkBuddy 里描述这个任务，指定文件夹路径。它会先给你一个执行计划，你确认后它开始跑。如果成功，你会看到合并后的文件出现在指定位置。

如果失败，大概率是三个原因：路径写错了、权限不够、或者文件编码有问题。逐个排查。我第一次跑就栽在路径上，用了中文路径加空格，它解析出错，改成纯英文路径就好了。这个教训记住：给 AI Agent 的路径尽量用英文、无空格。

4. 自定义模型配置：models.json 到底怎么填

4.1 为什么要自定义模型

默认模型能用，但不够用。原因有三：一是不同任务对模型能力要求不同，简单任务用大模型是浪费，复杂任务用小模型又干不好；二是成本，自定义模型可以接你自己有额度的服务，控制开销；三是隐私，敏感任务你可能希望走特定通道。

WorkBuddy 支持通过models.json配置文件来定义可用模型。这个文件是自定义模型配置的核心，理解它基本就掌握了模型层的自由度。

4.2 models.json 的结构与字段说明

models.json一般放在配置目录下，结构是一个模型数组，每个模型是一个对象。核心字段包括：模型标识名、服务地址、API Key、模型名称、以及一些可选参数如超时时间、最大 token 等。

我常用的配置思路是这样的：定义两到三个模型，一个“快而便宜”的用于简单任务，一个“强而贵”的用于复杂推理，再留一个备用。这样在任务里可以按需切换。字段填写时最容易出错的是服务地址格式和模型名称的对应关系，写错了会直接连不上。

注意：API Key 这类敏感信息不要明文提交到版本库。如果团队协作，用环境变量引用，别直接写死在 json 里。

4.3 配置后的验证与常见报错

改完models.json后，一定要重启 WorkBuddy 让它重新加载。然后在模型配置界面确认新模型出现在列表里。接着跑一个最简单的任务测试连通性，比如“用 XX 模型回答：1+1 等于几”。

常见报错我整理了一下：连接超时通常是地址或网络问题；401 是 Key 不对；404 多半是模型名称写错；429 是额度或频率限制。遇到报错先看日志，WorkBuddy 的日志里会写明具体原因，比瞎猜快得多。

我个人的经验是，配置模型时一次只改一个字段，改完就测，别一次性改一堆然后不知道哪里错了。这个习惯帮我省了大量排查时间。

5. Skill 体系：哪些最好用，怎么组合

5.1 Skill 是什么，为什么它是 WorkBuddy 的灵魂

如果说模型是 WorkBuddy 的“大脑”，那 Skill 就是它的“手脚”。Skill 是一组预定义的能力，让 Agent 能执行具体操作，比如读写文件、执行命令、调用接口、处理特定格式数据。没有 Skill，Agent 只能“想”；有了 Skill，它才能“做”。

WorkBuddy 的 Skill 生态是它区别于普通聊天工具的关键。你可以把 Skill 理解成给 Agent 装的插件，装得越多、配得越对，它能干的活就越多。

5.2 我实测最好用的几类 Skill

用下来，有几类 Skill 是高频刚需：

• 文件操作类：读写、重命名、批量处理。这是最基础也最常用的，几乎每个任务都会用到。
• 数据处理类：CSV/Excel 解析、数据清洗、格式转换。处理表格数据时离不开。
• 文本处理类：内容提取、摘要、结构化。写报告、整理文档时很顺手。
• 命令执行类：跑脚本、调用系统命令。这是解锁复杂自动化的关键，但也是风险最高的，要谨慎授权。
• 跨对话记忆类：这个 Skill 值得单独说，它让 WorkBuddy 能记住之前对话的上下文，跨任务保持一致性。做长期项目时特别有用。

5.3 Skill 组合的实战思路

单个 Skill 能力有限，组合起来才厉害。我常用的一个组合是：文件操作 + 数据处理 + 文本处理。比如“读取一个文件夹里所有 Excel，提取每个表的特定列，合并后生成一份汇总报告”，这一个任务就串了三个 Skill。

组合时要注意执行顺序和依赖关系。WorkBuddy 一般会自己规划，但你可以通过任务描述引导它。我的经验是，把任务拆成清晰的步骤写出来，比让它自己猜要稳得多。比如不要只说“整理这些数据”，而是说“第一步读取所有文件，第二步提取 A、B 两列，第三步按日期排序，第四步输出到新文件”。步骤越明确，成功率越高。

提示：命令执行类 Skill 权限很大，建议只在可信任务里开启，并且限定可执行的命令范围。别图省事全放开。

6. 规则设定：让 WorkBuddy 记住你的偏好

6.1 为什么要给 WorkBuddy 定规则

每次都要重复交代“用中文回答”“输出用 Markdown”“路径用英文”，太累了。WorkBuddy 支持设定规则，让某些指令对所有任务生效。这是提升效率的关键功能，很多人没用起来。

规则的本质是“全局约束”，它会在每个任务执行时自动应用。你可以把它理解成给 Agent 定的“工作守则”。

6.2 我给自己 WorkBuddy 定的几条规则

我目前常驻的规则有这么几条：第一，所有输出默认用中文，除非我明确要求英文；第二，涉及文件路径一律用英文无空格；第三，执行破坏性操作（删除、覆盖）前必须二次确认；第四，生成的文档默认用 Markdown 格式；第五，遇到不确定的地方先问我，不要自己猜。

这几条规则帮我省了大量重复沟通。尤其是第三条，救过我好几次——有次它差点覆盖一个重要文件，因为规则要求二次确认，我才及时发现。

6.3 规则设定的注意事项

规则不是越多越好。定太多会互相冲突，或者让 Agent 变得畏手畏脚。我的建议是先从三到五条核心规则开始，用一段时间后根据实际痛点再补。

另外，规则要写得具体、可执行。“回答好一点”这种模糊规则没用，“输出用 Markdown 格式，标题用二级标题”才有效。规则是给机器看的，不是给人看的，精确比优雅重要。

7. 缓存目录迁移与本地化部署

7.1 为什么要把缓存目录改到 D 盘

WorkBuddy 运行过程中会产生大量缓存、日志和临时文件，默认放在系统盘。用久了 C 盘空间会被吃掉一大块，尤其是经常处理大文件的话。把缓存目录改到 D 盘或其他数据盘，是保持系统盘清爽的有效手段。

改的方法一般是在配置里指定缓存路径，或者通过环境变量覆盖。具体路径因版本而异，核心是找到配置项里控制缓存位置的那个字段，改成你想要的目录。改完重启生效。

注意：迁移缓存目录前先关闭 WorkBuddy，把已有缓存手动拷过去，再改配置，否则可能出现缓存丢失导致的异常。

7.2 本地化部署与私有化部署的考量

如果你对数据隐私要求高，或者团队要统一管理，本地化部署是值得考虑的。WorkBuddy 的本地部署一般涉及几个环节：准备服务器环境、配置模型服务（可以是本地模型）、设置存储和权限、以及网络访问控制。

本地部署最大的价值是数据不出内网，适合处理敏感信息的场景。但代价是维护成本高，模型能力可能不如云端。我的建议是：个人用户没必要折腾本地部署，云端够用；团队有明确合规要求时再上本地化。

私有化部署还要考虑模型选型。本地跑大模型对硬件要求高，通常用中小模型加针对性微调来平衡效果和成本。这块水比较深，建议先小范围试点，跑通了再推广。

8. 常见问题与避坑速查

8.1 高频问题速查表

8.2 我踩过的几个典型坑

第一个坑是路径问题。前面提过，中文路径加空格是重灾区。后来我养成习惯，所有给 WorkBuddy 的路径都用英文，文件夹名不带空格，问题基本消失。

第二个坑是权限过度授权。一开始图方便，把命令执行 Skill 全权限打开，结果有次它执行了一个我没预期的操作。后来改成白名单模式，只允许特定命令，安全多了。

第三个坑是规则冲突。我一度定了十几条规则，结果它执行时顾此失彼，反而变慢变笨。精简到五条核心规则后，表现明显稳定。

第四个坑是模型配置一次改太多。前面说过，一次只改一个字段，改完就测，这个习惯能省大量排查时间。

8.3 一些提升效率的小技巧

任务描述尽量结构化，用“第一步、第二步”的方式写，比一段话描述成功率高。善用跨对话记忆 Skill，做长期项目时不用每次重复背景。定期清理缓存和日志，保持运行流畅。把常用任务存成模板，下次直接调用。

还有一个我特别喜欢的用法：把 WorkBuddy 当“第二大脑”用，让它帮我整理会议记录、提取待办、生成周报。这些任务不复杂，但省下来的时间很可观。

9. 关于 WorkBuddy 学习路径的一点个人建议

如果你刚开始用，别一上来就追求“精通”。先把安装、第一个任务、规则设定这三件事跑通，用一周时间处理真实工作里的杂活，建立手感。然后花时间研究自定义模型和 Skill 组合，这是从“会用”到“用好”的分水岭。最后再考虑本地部署、团队协作这些进阶话题。

网上流传的所谓“WorkBuddy 从入门到精通 PDF”我翻过几份，大部分是把官方文档重新排版，价值有限。真正有用的经验都来自实际踩坑，这也是我写这篇东西的原因。工具是死的，用法是活的，多跑真实任务，比看十份教程都管用。

我个人的体会是，WorkBuddy 这类 AI Agent 工作台的价值，不在于它多聪明，而在于它能把人从重复劳动里解放出来。你越清楚自己要什么、越能把任务描述清楚，它就越有用。把它当成一个需要磨合的搭档，而不是一个许愿池，心态就对了。