workbuddy深度探索总结-育师

1. 前言与学习资源

学习项目地址：https://github.com/AlephAITech/WorkBuddyGuide
学习路线拆解：

一句话理解这套体系：

模型是大脑（deepseek 之类的），Agent 是调度员（workbuddy、cursor 之类的），Skill 是专家手册（成体系的 prompt 提示词，把稳定 SOP、脚本和资源封装成可执行能力），工具与接口是手脚（调用微信需要通过接口 MCP），人是裁判。

2. 核心概念速览

2.1 LLM（大语言模型）

LLM 是 Large Language Model，大语言模型，本质是一个「预测下一个内容」的引擎：它根据已有上下文逐字生成最可能的后续内容，因此不保证信息的正确性和及时性，也不会主动告诉你「我不知道」。
解决方法：

入口上提供准确的资料信息；
使用上要求说清楚有证据，允许回答无法确认；
将事实提取和建议分开生成。

2.2 Tool（工具）

Tool 是 Agent 可以调用的具体能力。

模型「懂」一件事，不代表它「能」做这件事。能不能做，取决于有没有对应的工具、权限和连接。任务失败时，先问「工具通没通、权限给没给」，而不是「模型是不是不行」。

2.3 Skill（技能）

Skill 不是更聪明的模型，而是把某类任务需要的说明、脚本、知识和模板组织起来，让 Agent 更稳定地完成动作，把「容易做错、容易遗漏的环节固定下来」。

一个 Skill 通常包含三部分：触发条件（什么场景该用它）、执行步骤（按什么顺序做、调用哪些工具）、验收标准（做到什么程度算完成）。它解决的是「同一件事每次做法都不一样」的问题。

2.4 MCP（模型上下文协议）

MCP 是 Model Context Protocol。它规定 AI 客户端如何发现和调用外部工具、读取资源或获取提示模板，可以理解为 AI 工具生态的一类标准接口。

可以把它看作「AI 世界的 USB 接口」：工具提供方按一套标准暴露能力，AI 客户端按同一套标准去用，不用每家重新适配。

2.5 API 与 MCP 的关系

API 是底层软件通信接口（系统之间交换数据、执行操作），即 Application Programming Interface，应用程序接口，是软件与软件之间通用的通信契约，最常见的是 REST API。

MCP 是专门给大模型 / AI Agent 使用的上层标准协议，MCP 服务内部大多是调用底层 API 来干活。MCP 不替代 API，是包装层。

2.6 知识库与 RAG

知识库保存可检索的制度、产品、案例、SOP 和其他资料，类似飞书知识库、Dify。

RAG 是 Retrieval-Augmented Generation，检索增强生成。系统先从资料库找到相关片段，再把片段提供给模型回答。引用机制很重要，决定信息的可信度。

2.7 记忆

记忆用于保存偏好、长期规则、项目决策或历史状态，记忆的及时性和确定性很重要。

它和知识库的区别在于：知识库存的是「对所有人一样的公共资料」，记忆存的是「只对这次协作有效的个性化信息」，比如你习惯的输出格式、项目里已经定下的技术选型。记忆一旦过期或写错，Agent 会持续按错误前提工作，所以要及时更新、明确来源。

2.8 Workflow 与 Agent 的关系

固定化流程用 Workflow 更好，不确定性高、需要不断调整优化用 Agent 更好。

不是二选一，而是嵌套使用：

Agent 内含 Workflow：Agent 把已经稳定的子任务写成固定流程（比如一个 Skill 背后就是 Workflow），只在不确定处自己判断；
Workflow 节点调 Agent：生产线上某个判断节点，交给一个 Agent 处理非结构化输入。

3. 实战技巧

3.1 指令的组成

一条合格的指令 = 目标 + 对象 + 输入（区分事实与参考）+ 输出（文件类型）+ 验收（标准）。

举例：「把这份销售数据（对象）整理成季度趋势分析（目标），只使用我提供的表格，不要自行补充数据（输入），输出一份 Markdown 报告（输出），要求每个结论都能对应到具体数据行（验收）。」
二次修改时说差异。

3.2 工具和任务的配合

了解有哪些工具可以用来完成哪些任务；
知道挑选合适的 Skill，并且准确清晰有条理地描述自己的需求，才能够得到一份理想的高质量输出结果。

3.3 最重要的能力：判断力

我觉得实战技巧这一篇最重要的还是要培养自己的判断力。

判断力的三个来源，按可靠度排序：

第一来源：外部权威标准（最可靠，可直接借）

每个领域都有被行业公认的「好」的标准，你不需要自己发明。PPT 有《金字塔原理》的结论先行、有麦肯锡的图表规范；数据清洗有 CRISP-DM 流程、有各行业的数据质量维度（完整性、一致性、准确性、及时性）；写方案有 SMART 原则、有 MECE 拆解。这些是前人用几十年试错沉淀的标尺，你直接把它们拿来当自己的判断框架就行，不需要从零悟。

具体做法：花一周时间，找到你专业领域里 2-3 个公认的方法论或标准（书、行业规范、头部公司的公开模板），把它们的检查项抄成你自己的清单。这就是你判断力的「初始版本」，虽然还不是你的，但已经能用了。

第二来源：高手反馈（最快，但需要主动争取）

标准是死的，具体场景怎么用是活的。这时候你需要一个真人高手告诉你「这里不对」。方式是：做完东西后，找比你强的人要一句具体反馈——不要问「怎么样」，要问「如果只能改一处，你改哪里」。这一句话就是一次判断力的移植。AI 也能部分替代：让 AI 扮演你领域里的资深评审，用行业标准逐条挑你的毛病，但 AI 的反馈偏通用，真人的反馈带语境，两者结合用。

第三来源：真实后果（最深刻，但最慢、最贵）

你做的方案被否决了、数据结论被推翻、PPT 汇报没人听懂——这些痛感会直接刻进判断里。这是最有效的学习，但你不能靠它积累全部判断力，因为代价太高。所以前两个来源要占大头，这个来源用来「校准」。