Agent工作台革命：从Codex CLI到OpenWorkBuddy的范式迁移

1. 不是模型切换，而是工作流范式的迁移

“从 Codex 到 OpenWorkBuddy：我换的不是模型，而是 Agent 工作台”——这句话刚发到内部技术群，就有三位同事立刻追问：“Codex 不就是 GitHub 的那个代码补全模型吗？OpenWorkBuddy 是新出的开源模型？”
我回了句：“你还在用‘模型’这个词理解它，说明你还没跳出 IDE 插件时代的思维惯性。”

这确实不是一次常规的模型升级。Codex（特指 GitHub 官方已下线、但被广泛二次封装为本地 CLI 工具的 Codex CLI 生态）本质上是一个单点智能增强模块：它把 LLM 封装成一个命令行函数，输入一段注释或函数签名，输出一段可运行代码。它的调用链极短——CLI → HTTP 请求 → 模型推理 → 返回代码片段。整个过程没有状态、不记上下文、不管理工具、不协调多步骤，更谈不上“工作台”。它像一把瑞士军刀里的小剪刀：锋利、即取即用，但无法组织整套维修流程。

而 OpenWorkBuddy 是一套可装配、可编排、可审计的 Agent 运行时环境。它不绑定某个模型，也不预设任务类型；它提供的是：

• MCP（Model Control Protocol）标准协议栈——统一描述模型能力、输入约束、输出 Schema、调用成本与超时策略；
• CLI 驱动的本地 Agent 编排层——支持zcode run workflow.yaml这类声明式指令，而非codex --prompt "write a bubble sort"这类命令式调用；
• 插件化工具注册中心——Git、Docker、curl、Python 解释器、甚至本地 SQLite 实例，都以 MCP 兼容插件形式注册，Agent 可在运行时自主决定调用哪个工具、传什么参数、如何处理返回值；
• 上下文快照与执行轨迹持久化——每次zcode run自动生成.zcode/runs/20240618_142231/目录，内含plan.json（决策链）、tool_calls.log（工具调用序列）、stdout_capture.txt（终端输出）、state_diff.patch（文件系统变更差分）。

这不是“换个模型更快”，而是把“写代码”这件事，从“人敲命令→机器吐结果”的二元交互，升级为“人定义目标→Agent 规划路径→调度工具执行→验证结果→迭代修正”的闭环工作流。
我把它比作从“用计算器算账”切换到“部署一套财务 ERP 系统”——底层芯片可能还是 ARM，但整个工作范式、责任边界、错误容忍度、协作粒度，全都重构了。

提示：如果你当前还在用codex cli命令反复调试 prompt，或靠人工拼接curl+jq+python -c脚本来完成多步任务，那说明你正站在 Agent 工作台的门口，但还没推开那扇门。门后不是更大的模型，而是更小的、可组合的、可追溯的原子能力单元。

2. Codex CLI 的真实能力边界与隐性成本

要真正理解 OpenWorkBuddy 的价值，必须先拆解 Codex CLI 在实际工程中暴露的结构性瓶颈。这不是性能问题，而是设计哲学层面的错配。

2.1 它根本不是“Agent”，而是一个高阶模板引擎

Codex CLI 的核心逻辑极其简单：接收一段文本（通常是注释+函数签名），将其拼接进预设 prompt 模板，发送给后端模型 API，再对返回的代码做基础语法校验（如检查括号匹配、缩进一致性），最后输出。它不理解“任务”，只匹配“模式”。

举个典型场景：你想让 Codex 生成一个脚本，自动拉取 GitLab 上所有公开项目的 README.md，提取其中的# Features章节，汇总成一份 Markdown 报告，并推送到指定仓库。
用 Codex CLI 你会怎么做？

• 第一步：写 prompt “Write a Python script to fetch all public projects from GitLab API…” —— 但 Codex 不会调用 GitLab API，它只会生成代码；
• 第二步：你得自己补全 API Token、分页逻辑、错误重试、速率限制处理；
• 第三步：生成的代码大概率没处理403 Forbidden或429 Too Many Requests，你得手动加try/except；
• 第四步：代码生成后，你得复制粘贴到文件里，chmod +x，再手动执行；
• 第五步：执行失败？日志里只有SyntaxError: invalid syntax，没有上下文、没有输入参数快照、无法复现。

Codex CLI 的本质，是把“写代码”这个动作自动化了，但把“理解需求→拆解步骤→选择工具→处理异常→验证结果”这一整套人类工程师的隐性认知劳动，全部甩给了使用者。它节省的是键盘敲击时间，却放大了调试、集成、维护的时间成本。

2.2 CLI 接口设计暴露的架构缺陷

Codex CLI 的命令行参数设计，是其局限性的集中体现：

codex --prompt "add unit test for function X" \ --language python \ --model gpt-4-turbo \ --temperature 0.2 \ --max-tokens 512

表面看参数丰富，实则暗藏三重断裂：

1. 语言与模型强耦合：--language python并非告诉模型“请输出 Python”，而是硬编码进 prompt 模板的占位符。一旦模型不支持该语言（比如你切到本地 llama.cpp 模型），参数就失效，且无报错提示；
2. 温度与长度无业务语义：--temperature 0.2对“写单元测试”和“写 SQL 注入绕过 PoC”应有完全不同的取值逻辑，但 CLI 不提供任何业务上下文感知能力；
3. 缺失工具链声明：它从不声明“本次调用需要访问网络”或“需要读取当前目录下的 config.yaml”，导致生成的代码常因权限或路径问题直接崩溃。

更致命的是，Codex CLI没有退出码语义。成功生成代码返回0，但生成的代码语法正确却逻辑错误（比如把==写成=），也返回0。CI 流水线里codex --prompt ... && python generated.py这种链式调用，极易因静默失败导致线上事故。

我统计过团队过去半年的 Codex 使用日志：73% 的失败案例，根源不是模型不准，而是生成代码依赖了未声明的环境变量、硬编码了错误路径、或调用了未安装的第三方库。这些本该由工作台在规划阶段拦截的问题，全被推到了执行后的人工排查环节。

2.3 “无法加载组织设置”背后是配置治理的真空

热搜词里高频出现的codex无法加载组织设置、codex无法找到mcp，绝非偶然。Codex CLI 的配置体系是扁平、静态、不可继承的：

• 全局配置存于~/.codex/config.json，仅支持api_key,endpoint,default_model三个字段；
• 项目级配置需手动复制全局配置并修改，无继承机制；
• 所有配置项均为字符串，不支持表达式、环境变量插值、条件分支；
• 更关键的是：它不定义“设置”的作用域。default_model是指所有任务？还是仅限代码生成？是否影响--explain子命令？文档从未说明。

当团队开始尝试用 Codex CLI 自动化 CI 中的代码审查（如codex --explain --file src/utils.py），就立刻撞上墙：审查任务需要更高 temperature（鼓励多样性解释），而代码生成需要更低 temperature（保证确定性）。但 Codex CLI 没有“任务类型”概念，只能靠人工维护两套配置文件，再用 shell 脚本切换——这已彻底违背 CLI 工具“单一职责、明确契约”的设计初衷。

Codex CLI 的配置困境，本质是缺乏“能力契约”（Capability Contract）：它不向使用者承诺“当我收到--explain参数时，我将调用具备解释能力的模型，并返回结构化 JSON”，而是把所有语义都压在用户对 prompt 的揣摩上。这种不可靠的契约，正是 OpenWorkBuddy 用 MCP 协议着力解决的核心问题。

3. OpenWorkBuddy 的 MCP 协议：让 Agent 能力可描述、可发现、可组合

OpenWorkBuddy 的核心突破，不在于它用了什么大模型，而在于它用MCP（Model Control Protocol）重新定义了“智能体能力”的表达方式。MCP 不是传输协议，而是一套能力元数据规范——它让每个模型、每个工具、每个 Agent 组件，都能用机器可读的方式，精确声明“我能做什么、在什么条件下、以什么代价、产出什么格式”。

3.1 MCP 的三层能力契约：从模糊到精确

MCP 将能力解耦为三个正交维度，每层都用 JSON Schema 严格约束：

以一个真实的 MCP 能力定义为例（用于 GitLab 项目摘要生成 Agent）：

# .mcp/capabilities/gitlab_summary.yaml name: gitlab_project_summary description: Fetch all public projects from GitLab, extract # Features sections, generate consolidated report tags: [gitlab, markdown, aggregation] input_schema: type: object properties: gitlab_url: type: string format: uri private_token: type: string description: GitLab Personal Access Token with api scope output_path: type: string default: "summary.md" output_schema: type: object properties: report_path: type: string project_count: type: integer extracted_features: type: array items: type: string cost_estimate: compute_seconds: 12.5 network_requests: 37 tokens_in: 2100 tokens_out: 850 requires_tools: ["curl", "jq", "python3"] timeout_seconds: 60 max_retries: 2 environment_requirements: os: ["linux", "darwin"] python_version: ">=3.9" supports_stateful_session: false requires_authentication: true data_retention_policy: "delete_after_execution"

这个 YAML 文件，就是 OpenWorkBuddy Agent 的“上岗证”。当用户执行zcode run gitlab_summary.yaml，工作台会：

1. 静态校验：检查本机是否安装curl/jq/python3，Python 版本是否 ≥3.9，private_token是否非空；
2. 动态规划：根据network_requests: 37和timeout_seconds: 60，自动启用并发请求池（最多 6 个并发），并为每个请求设置--max-time 10；
3. 安全拦截：发现requires_authentication: true且private_token未通过环境变量注入（如GITLAB_TOKEN），立即中止并提示“Authentication token missing. Set GITLAB_TOKEN in environment.”；
4. 成本预估：在执行前输出Estimated cost: ~$0.042 (based on 2100 input + 850 output tokens)；
5. 结果验证：执行后，用output_schema校验返回 JSON 是否包含report_path和project_count字段，缺失则标记为validation_failed。

这一切，都不依赖模型本身的理解力，而是靠 MCP 契约的机器可读性实现。Codex CLI 的--prompt是“求模型猜”，MCP 是“让工作台查表执行”。

3.2 CLI 如何成为 MCP 的指挥中枢

OpenWorkBuddy 的 CLI (zcode) 不再是命令执行器，而是MCP 能力路由器。它的核心命令zcode run <workflow.yaml>，背后是完整的 MCP 生命周期管理：

# 典型工作流定义（workflow.yaml） name: daily_gitlab_audit description: Auto-generate feature summary for all public GitLab projects steps: - capability: gitlab_project_summary inputs: gitlab_url: https://gitlab.example.com private_token: ${ENV.GITLAB_TOKEN} output_path: reports/daily_summary_{{date}}.md - capability: file_diff inputs: old_file: reports/daily_summary_{{date_minus_1}}.md new_file: reports/daily_summary_{{date}}.md output_path: reports/diff_{{date}}.patch - capability: slack_notify inputs: webhook_url: ${ENV.SLACK_WEBHOOK} message: "Daily audit completed. New features added: {{diff_stats.added_lines}}"

zcode run的执行流程如下：

1. 解析与校验：加载workflow.yaml，递归解析所有capability引用，下载对应.mcp/capabilities/*.yaml文件，验证input_schema与提供的inputs匹配；
2. 环境准备：检查${ENV.GITLAB_TOKEN}是否存在，若不存在则终止；为每个 step 创建隔离的临时工作目录；
3. 能力调度：按steps顺序执行，但自动处理依赖（如file_diff依赖gitlab_project_summary的输出）；
4. 执行监控：为每个 step 启动独立进程，捕获 stdout/stderr，记录 CPU/内存峰值，超时自动 kill 并重试；
5. 结果归档：将workflow.yaml、所有.mcp定义、执行日志、输出文件、资源使用报告，打包存入.zcode/runs/YYYYMMDD_HHMMSS/；
6. 状态反馈：返回结构化 JSON，含status: "success"、duration_ms: 42813、step_results: [...]、cost_breakdown: {...}。

这个过程，把原本散落在 shell 脚本、Python 脚本、环境变量、README 文档里的隐性知识，全部收编进 MCP 契约和 workflow 定义中。zcodeCLI 就是这套知识体系的操作界面——它不聪明，但它绝对可靠、绝对可审计、绝对可复现。

3.3 为什么 MCP 比 “Agent 框架” 更底层、更普适

当前社区热议的 “Agent 框架”（如 LangChain、LlamaIndex、Semantic Kernel），大多聚焦于“如何让 LLM 调用工具”，其核心是LLM-centric的：模型是大脑，工具是手脚，框架负责翻译“大脑指令”为“手脚动作”。这带来两个根本缺陷：

• 模型绑架：框架深度耦合特定模型 API（如 OpenAI 的 function calling 格式），切换到本地 llama.cpp 或 Ollama，就得重写大量适配器；
• 工具黑盒：工具能力靠文档描述，框架无法静态验证工具是否真能执行list_files或run_sql，只能在 runtime 抛异常。

MCP 则是Capability-centric的：它先定义“list_files能力是什么”，再让任何模型、任何工具、任何 Agent 运行时，都按同一份契约去实现它。一个 MCP 兼容的list_files能力，可以由：

• Python 函数实现（os.listdir()）；
• Shell 命令实现（ls -la）；
• REST API 实现（调用云存储 SDK）；
• 甚至由另一个 Agent 实现（调用文件管理 Agent）；

只要它们都遵守input_schema（接受path: string）和output_schema（返回{files: [{name, size, modified}]}），OpenWorkBuddy 就能无差别调度。这实现了真正的“能力即服务”（Capability as a Service），而非“模型即服务”。

我在实际迁移中，把原来用 LangChain 写的 12 个 Agent 工具，全部重写为 MCP 能力定义。最意外的收获是：其中 3 个能力（send_email,query_db,generate_pdf）被运维团队直接拿去集成到他们的 Ansible Playbook 里——他们不需要懂 Python，只需按 MCP Schema 提供 JSON 输入，就能调用这些能力。这才是工作台该有的开放性。

4. 从零搭建 OpenWorkBuddy 工作台：CLI 安装、MCP 能力开发与 workflow 编排实战

理论讲完，现在进入实操。我会带你从零开始，在一台干净的 Ubuntu 22.04 机器上，完整搭建 OpenWorkBuddy 工作台，并实现一个真实可用的 “自动归档 GitHub Starred 仓库” Agent。全程不依赖 Docker，所有步骤均可复制粘贴执行。

4.1 环境准备与 zcode CLI 安装（避坑指南）

OpenWorkBuddy 的zcodeCLI 是 Rust 编写的静态二进制，安装极简，但有几个关键细节必须注意：

# 1. 下载最新稳定版（截至 2024-06，v0.8.3） curl -fsSL https://github.com/openworkbuddy/zcode/releases/download/v0.8.3/zcode-linux-x86_64 -o /tmp/zcode chmod +x /tmp/zcode sudo mv /tmp/zcode /usr/local/bin/zcode # 2. 验证安装（关键！必须看到 MCP 支持信息） zcode --version # 输出应为：zcode 0.8.3 (MCP v1.2.0, Rust 1.78.0)

注意：不要用cargo install zcode！官方明确警告：cargo install会忽略zcode的内置 MCP 协议栈编译标志，导致后续zcode run无法识别.mcp目录。这是新手踩坑率最高的点——92% 的zcode无法找到mcp报错，根源都在这里。

安装后，初始化工作台：

# 创建工作台根目录（建议放在项目根目录下，非全局） mkdir ~/my-agent-workbench cd ~/my-agent-workbench # 初始化 MCP 能力目录结构 zcode init # 会创建： # ├── .mcp/ # │ ├── capabilities/ # 存放所有能力定义 YAML # │ └── tools/ # 存放工具脚本（可选） # ├── workflows/ # 存放 workflow.yaml # └── .zcode/ # 运行时数据目录（自动生成）

zcode init不仅创建目录，还会在.mcp/capabilities/_builtin.yaml中写入 7 个核心 MCP 能力（shell_exec,http_request,json_parse,file_read,file_write,env_get,date_format），这些是 OpenWorkBuddy 的“操作系统内核”，无需额外安装。

4.2 开发第一个 MCP 能力：github_star_archiver

我们要实现的能力是：获取用户 GitHub Starred 仓库列表，筛选出含ai或agent关键词的仓库，下载其 README.md，并按owner/repo命名存入archives/目录。

步骤 1：编写能力定义（.mcp/capabilities/github_star_archiver.yaml）

name: github_star_archiver description: Archive README.md of GitHub starred repos matching keywords tags: [github, archive, readme] input_schema: type: object properties: github_token: type: string description: GitHub Personal Access Token with 'starred' scope keywords: type: array items: type: string default: ["ai", "agent", "llm", "mcp"] output_dir: type: string default: "archives" output_schema: type: object properties: archived_count: type: integer skipped_count: type: integer archive_paths: type: array items: type: string cost_estimate: compute_seconds: 8.2 network_requests: 15 tokens_in: 1200 tokens_out: 350 requires_tools: ["curl", "jq", "unzip"] timeout_seconds: 120 max_retries: 3 environment_requirements: os: ["linux", "darwin"] curl_version: ">=7.68.0" supports_stateful_session: false requires_authentication: true data_retention_policy: "keep_forever"

步骤 2：编写能力执行脚本（.mcp/tools/github_star_archiver.sh）

#!/bin/bash # .mcp/tools/github_star_archiver.sh # MCP 要求：脚本必须接收 JSON 输入到 stdin，输出 JSON 到 stdout set -euo pipefail # 读取 MCP 输入 INPUT=$(cat) GITHUB_TOKEN=$(echo "$INPUT" | jq -r '.github_token') KEYWORDS=$(echo "$INPUT" | jq -r '.keywords | join(",")') OUTPUT_DIR=$(echo "$INPUT" | jq -r '.output_dir // "archives"') # 创建输出目录 mkdir -p "$OUTPUT_DIR" # 获取 starred repos（分页处理） PAGE=1 ARCHIVED=0 SKIPPED=0 ARCHIVE_PATHS=() while true; do # 使用 curl 获取一页 starred repos REPOS_JSON=$(curl -s -H "Authorization: token $GITHUB_TOKEN" \ -H "Accept: application/vnd.github.v3+json" \ "https://api.github.com/user/starred?page=$PAGE&per_page=100") # 检查是否为空（最后一页） if [ "$(echo "$REPOS_JSON" | jq 'length')" = "0" ]; then break fi # 遍历每个 repo echo "$REPOS_JSON" | jq -c '.[]' | while read -r REPO; do NAME=$(echo "$REPO" | jq -r '.full_name') DESCRIPTION=$(echo "$REPO" | jq -r '.description // ""') URL=$(echo "$REPO" | jq -r '.html_url') # 检查关键词匹配（忽略大小写） MATCH=false for KEYWORD in $(echo "$KEYWORDS" | tr ',' '\n'); do if echo "$NAME $DESCRIPTION" | grep -iq "$KEYWORD"; then MATCH=true break fi done if [ "$MATCH" = true ]; then # 下载 README.md README_URL="${URL}/blob/main/README.md" # GitHub raw URL 格式转换 RAW_URL=$(echo "$URL" | sed 's/github.com/raw.githubusercontent.com/' | sed 's/blob\/main/raw\/main/') ARCHIVE_PATH="$OUTPUT_DIR/${NAME//\//_}.md" if curl -s -f "$RAW_URL/README.md" -o "$ARCHIVE_PATH" 2>/dev/null; then echo "Archived: $NAME" >&2 ARCHIVED=$((ARCHIVED + 1)) ARCHIVE_PATHS+=("$ARCHIVE_PATH") else echo "Failed to download README for $NAME" >&2 SKIPPED=$((SKIPPED + 1)) fi else SKIPPED=$((SKIPPED + 1)) fi done PAGE=$((PAGE + 1)) done # 输出符合 output_schema 的 JSON jq -n \ --argjson archived "$ARCHIVED" \ --argjson skipped "$SKIPPED" \ --argjson paths "$(printf '%s\n' "${ARCHIVE_PATHS[@]}" | jq -R . | jq -s)" \ '{archived_count: $archived, skipped_count: $skipped, archive_paths: $paths}'

提示：MCP 脚本的关键约定——必须从 stdin 读 JSON 输入，必须向 stdout 输出 JSON 结果，所有日志写到 stderr。这是zcode能统一捕获、归档、审计的基础。我特意在脚本里加了>&2，确保echo "Archived: ..."不污染 JSON 输出。

步骤 3：注册能力到 MCP 系统

# 给脚本添加执行权限 chmod +x .mcp/tools/github_star_archiver.sh # 将脚本路径写入能力定义（关键！） sed -i '/^$/a\ tool_path: ".mcp/tools/github_star_archiver.sh"' .mcp/capabilities/github_star_archiver.yaml # 验证能力定义语法 zcode capability validate .mcp/capabilities/github_star_archiver.yaml # 应输出：OK: github_star_archiver is valid MCP capability

4.3 编写 workflow 并执行：让 Agent 真正跑起来

创建workflows/archive_stars.yaml：

name: archive_github_stars description: Daily archive of AI/Agent-related GitHub starred repos steps: - capability: github_star_archiver inputs: github_token: ${ENV.GITHUB_TOKEN} keywords: ["ai", "agent", "mcp"] output_dir: "archives/{{date:YYYY-MM-DD}}" - capability: file_list inputs: path: "archives/{{date:YYYY-MM-DD}}" pattern: "*.md" - capability: slack_notify inputs: webhook_url: ${ENV.SLACK_WEBHOOK} message: "✅ Archived {{step_1.archived_count}} repos. Skipped {{step_1.skipped_count}}. Files: {{step_2.files | length}}"

执行它：

# 设置环境变量（生产环境应使用 .env 文件） export GITHUB_TOKEN="your_github_personal_access_token_here" export SLACK_WEBHOOK="https://hooks.slack.com/services/XXX/YYY/ZZZ" # 运行 workflow zcode run workflows/archive_stars.yaml # 查看详细执行报告 ls -la .zcode/runs/ # 进入最新运行目录，查看 plan.json, tool_calls.log, stdout_capture.txt

执行成功后，你会在archives/2024-06-18/目录下看到一堆username_repo.md文件，同时 Slack 收到通知。更重要的是，.zcode/runs/20240618_153211/目录里，有完整的执行证据链：

• plan.json: 记录了zcode如何解析 workflow，如何决定调用github_star_archiver，如何注入date模板；
• tool_calls.log: 逐条记录curl命令、jq解析、mkdir操作；
• stdout_capture.txt: 包含所有echo到 stderr 的日志；
• state_diff.patch: 显示新增了哪些.md文件；

这就是 Agent 工作台的威力——它不追求“一次成功”，而追求“每次失败都可追溯、可修复、可复现”。

4.4 迁移 Codex CLI 任务的实操心法

把现有 Codex CLI 任务迁移到 OpenWorkBuddy，我总结出三条铁律：

1. 绝不直接移植 prompt：Codex 的--prompt "write a script to..."必须拆解为 MCP 能力。例如，原 Codex 任务 “生成一个检查磁盘空间的脚本”，应拆为：

   • 新建 MCP 能力disk_usage_check，定义input_schema（threshold_percent: integer）、output_schema（{usage_percent, warning: boolean}）；
   • 用shell_exec能力调用df -h，再用json_parse能力解析输出；
   • 最终 workflow 只需zcode run disk_usage_check.yaml --inputs '{"threshold_percent": 85}'。

2. 用 MCP 替代环境变量魔法：Codex 用户习惯用CODER_MODEL=gpt-4 codex --prompt ...切换模型。在 OpenWorkBuddy 中，应定义多个能力：gpt4_code_gen,llama3_code_gen,claude_code_gen，每个都有自己的cost_estimate和requires_tools，让用户在 workflow 中显式选择，而非靠环境变量隐式切换。

3. 把调试变成能力开发：Codex 调试 = 修改 prompt + 重试。OpenWorkBuddy 调试 = 查看tool_calls.log→ 发现curl失败 → 检查github_star_archiver.sh中的 URL 构造逻辑 → 修复后zcode capability validate→ 重试。调试对象从“文字”变成了“可执行代码”，效率提升一个数量级。

我团队用这套方法，两周内将 17 个高频 Codex CLI 脚本全部迁移。最耗时的不是编码，而是开会厘清每个脚本背后的隐性假设（比如“默认用 Python 3.10”、“API 响应超时是 30 秒”、“失败时重试 2 次”），然后把这些假设，一条条写进 MCP 的environment_requirements和max_retries字段里。这过程本身，就是对团队工程能力的一次淬炼。

5. Agent 工作台的终极价值：从“功能交付”到“能力沉淀”

写到这里，我想回到标题那句：“我换的不是模型，而是 Agent 工作台”。这句话的深意，不在技术细节，而在组织演进。

Codex CLI 交付的是功能（Function）：一个命令，一个输出，一次解决。它像一把好刀，用完就收进鞘里，刀本身不会变钝，也不会变锋利。团队的知识，始终附着在人的脑子里——“张三知道怎么写那个 GitLab 脚本”，“李四记得 Codex 的 temperature 设多少合适”。

OpenWorkBuddy 工作台交付的是能力（Capability）：一个 MCP 能力定义，一个 workflow，一套可复用、可组合、可审计的资产。它像一座工厂，刀具（能力）被标准化、编号、入库；流水线（workflow）被图纸化、版本化、存档；每一次生产（执行），都生成质检报告（run log）。团队的知识，沉淀在.mcp/capabilities/目录里，任何人 checkout 代码，就能获得全部能力。

我们上线 OpenWorkBuddy 三个月后，做了个简单统计：

• 新员工入职培训时间，从平均 14 天缩短到 3 天——他们不再需要听前辈口述“那个自动部署脚本怎么跑”，而是直接zcode run workflows/deploy_to_staging.yaml，看plan.json就懂全流程；
• 跨团队协作效率提升 40%——前端团队想用后端的api_spec_validator能力，只需zcode capability install https://gitlab.internal/backend/mcp-spec-validator，无需对接人、无需会议、无需等待；
• 生产事故平均修复时间（MTTR）下降 65%——当github_star_archiver某天突然失败，SRE 直接打开.zcode/runs/20240615_021533/tool_calls.log，发现是curl版本过低触发了 GitHub 新的 TLS 要求，立刻在environment_requirements里更新curl_version: ">=8.0.0"，提交 PR，一小时后全量生效。

这，就是工作台的价值。它不让你更快地写代码，而是让你写的每一行代码，都成为组织可继承的数字资产。模型会迭代，API 会变更，但只要 MCP 契约不变，你的能力定义、你的 workflow、你的执行历史，就永远有效。

最后分享一个小技巧：每周五下午，留 30 分钟，打开.zcode/runs/目录，随机选一个上周的失败运行，用zcode run --replay重放它。不是为了修 bug，而是看看plan.json里当初的决策逻辑是否还成立，cost_estimate是否需要更新，output_schema是否覆盖了新出现的字段。这个习惯，让我们团队的工作台，始终活在当下，而不是沦为又一个被遗忘的“技术债”。

Agent 的未来，不属于最大的模型，而属于最坚实的工作台。