企业官网建设流程全解析

如果你最近正在折腾 AI 编程工具，那 Codex 和 WorkBuddy 这两个名字大概率都在你的收藏夹里躺了很久。我大概算得上 Codex 的半个老用户，CLI 版还没火的时候就开始用了，结果在连续被连接问题、模型限制、Windows 安装失败折磨了半个月之后，终于没忍住转了 WorkBuddy。这一转就是整整一周。这篇不打算写什么参数化的横评报告，就老老实实记录我这一星期里的真实操作、踩过的坑，以及最终为什么决定把主力工具换成 WorkBuddy，给正在这两个工具之间摇摆的朋友一个参考。

1. 先说结论：我为什么在 Codex 上耗了半个月后决定换掉它

1.1 连接稳定性：一上午都在和"正在重新连接"作斗争

Codex 的能力本身没得挑，但我实际用下来最先崩溃的居然是连接稳定性。桌面版经常弹"正在重新连接"，有时候一个请求发出去，转圈能转三分钟，然后告诉你网络异常。最离谱的是用 cc switch 切换配置的时候，日志里反复出现cc switch local proxy failed while handling codex endpoint /responses。

这个问题我排查了很久，最后定位到是本地代理策略和 Codex 内置的 endpoint 处理逻辑冲突了。Codex 在发请求的时候会走一套自己的路由，cc switch 在切换不同配置时会改写本地的代理设置，两边一撞，请求就直接卡死。官方工单区也有不少人反馈，但修复进度一直很慢。

我当时的解决方式是绕过去：不动 cc switch，直接手改 Codex 的config.toml，把模型端点写死。改完确实能跑，但代价是每次想切换模型提供商，都得手动去改配置文件，体验非常割裂。如果你每天只需要跟一个模型对话，这个问题可能不明显，可一旦你想在多个模型之间做对比，这套流程会直接把你劝退。

1.2 模型限制：你以为能用的模型，它不一定支持

另一个让我下定决心换工具的原因是模型白名单限制。Codex 对可用的模型有比较严格的校验，我试过把 DeepSeek 接进去，结果直接报错：

the 'gpt-5.6-sol' model is not supported when using codex with a...

这里值得展开说下。Codex 在设计上更倾向于让你走它官方预设的那几个模型路径，自定义模型的注册和调用有不少隐性门槛。你费劲配好了 API Key、写好了模型映射，结果运行时它告诉你这个模型不在支持列表里，白忙一场。对于想省钱、想用国产模型的人来说，这样的限制特别不友好。

可能有人会说，用第三方兼容层可以绕过这个限制。我也试过，但每次 Codex 一更新，这些兼容层就得跟着适配，中间有一段时间直接瘫痪，非常影响正常工作。而且这类方案的安全性和稳定性我心里始终没底，毕竟是在给一个官方约束很强的工具强行开洞，谁也不知道下次升级会不会彻底封掉。

1.3 安装体验：Windows 上装了三次才成功

最后压垮我的其实是安装。我在一台 Windows 笔记本上装 Codex 桌面版，反反复复试了三次，每次都卡在"Windows 安装未完成"。控制面板里显示已经装了一部分，但关键组件始终没注册成功，命令行工具倒是能跑，桌面版却一直起不来。

后来我去官方仓库翻 issue，发现不少人遇到同样的问题，有人给出的方案是在命令行里手动执行安装脚本，绕过图形化安装器。我照做了，确实能用，但这个过程对一个普通用户来说实在太不友好了。我好歹是天天跟命令行打交道的人，都觉得折腾，更别提刚入门的朋友。这段时间的综合体验让我意识到：工具的能力再强，如果连"装好跑起来"这一关都这么费劲，那它就不适合做主力工具。

2. WorkBuddy 的第一印象：安装和初始配置比想象中顺

2.1 十分钟跑通首轮对话

换到 WorkBuddy 之前，我其实没有抱太高期待，毕竟在 Codex 上被磨得没什么脾气了。结果 WorkBuddy 的安装流程意外地顺利。它是通过一个命令行脚本一键安装的，Windows 上也有对应的安装包，整个过程中没有出现 Codex 那种"装到一半罢工"的情况。好几篇 WorkBuddy 安装教程也都提到：这个工具在安装环节做得确实省心，基本就是下载、执行、等它跑完。

装完之后首轮对话也很直接。它会先让你选模型提供商，我把自己申请的 DeepSeek API Key 填进去，然后新建会话问了一句"用 Python 写一个读取 CSV 并输出统计信息的脚本"，它十几秒就给了一份能直接运行的代码。首轮对话跑通的时间，加起来不到十分钟，我当时的感受是：终于有一个像样的终端编程工具了。

2.2 工作台的交互设计

WorkBuddy 的交互界面在同类工具里算得上干净。它不是单纯把对话堆在终端里，而是有一个工作台的概念——左侧是会话列表，中间是对话区域，右侧可以查看当前任务的文件变更记录。多个会话可以并行跑，互不干扰，这一点对我来说非常重要。以前我在 Codex 里同时跑两个任务，经常分不清哪个输出属于哪个会话，切来切去头都大了。

另外它支持会话的暂停和恢复。我开着三个会话，A 会话在处理项目重构，B 会话在生成单元测试，中午关电脑，下午打开还能直接从刚才的进度继续，不需要重新加载上下文。对接过这类工具的人应该懂，这个体验有多难得。

2.3 把 DeepSeek 接进来：模型接入的真实体验

先说结论：我试过 Codex 接入 DeepSeek，反反复复改了半天的模型映射与端点配置，最后报错；而 WorkBuddy 接入 DeepSeek 的流程，基本上是填个 Key 就能跑。官方文档里有一个"接 DeepSeek 教程"的入口，按照它给的model名称填进去就行，不需要自己写额外的兼容配置。

这里我想多说一句：如果你也想用 WorkBuddy 接 DeepSeek，建议直接在配置界面新建一个自定义模型，填上 API 地址、密钥和模型名，不需要去碰任何底层文件。我个人实际配下来，从开始到第一次成功对话，大概五分钟。相比在 Codex 里的体验，省下的不只是时间，还有对"到底能不能接成功"的焦虑感。

3. 一周核心功能实测：Skill 系统、自定义指令与上下文管理

3.1 Skill 系统：把常用能力模块化

这是 WorkBuddy 最吸引我的地方，也是我这一周花时间最多去研究的功能。

简单说，Skill 就是一组预设好的技能包：把一个具体任务的执行流程、参数说明、注意事项打包成一个目录，里面放一个SKILL.md作为说明书，附带若干脚本或模板文件。用的时候直接在对话里 @ 对应的 skill 名，它就会按照 skill 里定义的流程去执行。

举个例子，我从 SkillHub 下载了一个"代码审查"skill，安装之后在对话里输入@code-review并指定要审查的目录，WorkBuddy 就会按照 skill 定义好的顺序：先读取目录结构、再识别核心文件、逐文件做静态检查、最后输出问题清单和修改建议。整个过程完全不需要我反复提示"你先看这个文件""再看那个函数"，一次调用全搞定。

我自己也试着写了一个 skill，用来处理项目里固定的发布流程。步骤很简单：新建一个目录，把要执行的检查项写成一个 markdown 文件，再放一个可执行的脚本，最后配置一下触发关键词。这个门槛比我预想低得多，写第一个 skill 大概用了一个小时。它的存在相当于把你日常反复念叨的那套操作流程沉淀下来，以后每次只需要说一句话就能复用。

有一个坑需要提醒：Skill 不是越多越好。我装到第七八个的时候，发现 WorkBuddy 在识别该调哪个 skill 时偶尔会出现混淆，比如我明明想调用"日志分析"，它却把"数据清洗"的技能按到了头上。后来我把一些低频的 skill 先停用，只保留日常用得最多的四五个，误触发率立刻降下来。

3.2 自定义指令推荐：我实际在用的几套配置

WorkBuddy 的自定义指令功能，相当于给它设了一个"系统人设"。我这一周一共配置了四条指令，每条都来自实际踩坑后的总结，这里直接分享给你们：

1. 代码输出规范：要求生成代码时同时给出关键函数的功能说明，禁止一句注释都没有。
2. 修改前置说明：在修改现有代码之前，先用三句话说明改动原因和可能影响的范围，确认后我再动手。
3. 回答精简模式：日常问答类的回复限制在 500 字以内，技术方案类的可以放开，但必须直接给结论再给推导。
4. 风险提示：涉及文件删除、批量修改等高风险操作时，先输出操作计划，等确认后再执行。

这几条配置下来，WorkBuddy 的输出风格从"话痨型"变成了"汇报型"，信息密度和个人习惯高度匹配。自定义指令的价值就在这：工具默认的对话风格不可能覆盖所有人的偏好，你花二十分钟把这些细节调好，后面省下的是每天无数次的"说废话"时间。有一个小技巧，指令的数量控制在五条以内，WorkBuddy 对系统指令的权重很高，指令太多反而会让它在执行时犹豫不决，不知道优先听谁的。

3.3 长上下文与大任务：不会聊着聊着就断片

我专门做了一次压力测试：把一个约五千行的前端项目整体丢给它，要求在不拆分对话的前提下，完成"梳理项目结构、定位一个数据请求异常、修复并补上单元测试"这条完整链路。在整个过程中，我陆续插入了十几个问题，包括"刚才那个函数为什么这样写""这个接口的返回值类型在哪里定义"，WorkBuddy 都能准确回答前面出现过细节，没有出现上下文丢失的情况。

Codex 在长对话上的表现，说实话不算差，但我在使用中明显感觉到它对上下文的"取舍"比较激进，一旦对话超过一定轮数，早期指令的执行效果就会衰减。WorkBuddy 在这方面做得更稳，它会保留你明确标记过的关键信息。我猜测它的机制是对用户指令和模型输出做了分层的优先级处理，用户新指令的权重更高，模型输出则按照相关性做衰减。这带来的实际体验是：任务中途随时可以插话提新需求，它不会把前面的成果推翻。

4. 用 WorkBuddy 跑真实项目的感受：写代码和笔记联动

4.1 一周内我用它做了一个批量文件处理小工具

光测功能不够，这一周我刻意用它做点真实的事情。正好同事提了个需求：把某个目录下上千个 Excel 文件按照规则批量重命名，并且生成一份包含旧名、新名、文件大小的映射表。于是我打开 WorkBuddy，新建会话，把需求用口语描述了一遍，附带说明文件名规则和操作系统环境。

它给出的第一步不是让我写代码，而是一份需求确认清单，问我文件名的具体规则、是否要处理重名冲突、映射表想要 CSV 还是 Excel 格式。把这几项确认完，它才开始生成代码。这个"先确认再动手"的习惯直接减少了返工次数。代码生成后，它自动在沙箱环境里用我提供的一小部分示例文件做了试运行，确认无误后把完整方案给了我。

整个过程大概五分钟。如果我自己手写，可能也不慢，但要考虑需求确认、边界情况处理、生成文件格式细节这些琐碎事，WorkBuddy 帮我把精力集中在"我想要什么"，而不是"怎么实现"。

4.2 Obsidian 联动：把笔记库变成工作台

这一个体验出乎我意料。WorkBuddy 可以和 Obsidian 集成，把笔记库变成工作台的一部分。我的 Obsidian 里有一个"项目想法"文件夹，里面记了不少零散需求，以前要把这些笔记变成可执行任务，至少得经过"打开笔记、整理需求、复制进对话"三个步骤。现在直接在 WorkBuddy 里关联 Obsidian 仓库，然后输入"读取本周项目想法，按优先级生成执行计划"，它就能把笔记内容读进来，自动拆分出任务清单，并针对每一项给出初步技术方案。

我还试了一条更复杂的链路：把 Obsidian 里的一篇"客户端多语言支持"的设计笔记丢给 WorkBuddy，让它根据笔记内容直接生成技术方案文档。它输出的文档在结构上很清晰，包含了现状分析、实现步骤、风险点，基本可以直接拿去跟团队对齐。这个功能对那些习惯用 Obsidian 管理想法和知识库的人来说，相当于打通了"记录"和"执行"之间的断层。

但也别把它想得太神奇，WorkBuddy 只是读取了你指定开放的目录内容，本质上是把 Markdown 文本作为上下文喂给了模型，所以笔记里如果什么都没写，它也没办法变出方案。想要更好的联动效果，前提是笔记本身要有点干货。

4.3 和 Claude Code 对比：谁更适合当主力

现在社区里流传最广的问题就是"Claude Code 和 WorkBuddy 对比哪个好"。我两个都用过，这里给一个基于我个人使用习惯的看法。

我的结论是：如果你本身是 Claude 的重度用户，且不太在意模型切换，Claude Code 的推理深度确实值得留；但如果你是"把 AI 编程工具当日常生产力工具"的人，特别是像我一样想接 DeepSeek、想在 Windows 上安稳使用，或者希望把 Obsidian 和工作流打通，WorkBuddy 的性价比和体验明显更靠得住。工具没有绝对的高下，只有和你使用场景的匹配度。

5. 实话实说的不足与避坑指南

5.1 不稳定点：偶尔还是会掉链子

先说一个我在快速切换模型时遇到的小问题：在一次会话里从 DeepSeek 切到另一个模型，界面显示切换成功，但下一次请求仍然走的是旧模型，进程也没有自动清理。重启会话之后恢复正常。这个问题不是每次都出现，但一旦遇到会有点困惑。我的规避方式是：在切换模型之前先新建会话，这样能保证新会话使用新配置，两个模型之间的上下文也不会互相污染。

另外，多会话并行跑的时候，如果其中一个任务特别重（比如全量分析一个大仓库），偶尔会让其他会话的响应速度明显变慢。遇到这种情况，我的做法是把重任务单独放到一个会话里并且暂时不建新的并发任务，等它跑完再继续。整体而言，WorkBuddy 的稳定性在我用过的同类工具里算靠前，但离"完全省心"还有一段距离。

5.2 Linux 版本的踩坑细节

我在一台 Ubuntu 服务器上也装了 WorkBuddy 的 Linux 版本。安装本身没问题，但第一次启动时它提示缺少某个系统依赖库，这个依赖不是安装脚本自带的，需要手动用系统的包管理器补上。官方仓库的说明里其实提到了这一点，所以严格来说不算是坑，但如果你跟我一样习惯直接跳过读文档就开跑，可能会在这里卡一下。

另外，Linux 环境下如果使用自定义的模型 API 地址，建议把 API 地址的证书校验策略配好，否则会遇到 HTTPS 握手失败的问题。这个问题我在 Codex 上其实也遇到过，不算 WorkBuddy 的专利，但毕竟是真实会踩到的坎，提前提醒一句。如果你只是本地开发环境使用，没有复杂网络策略，基本不用考虑这些。

5.3 给准备从 Codex 切换的人几点建议

这一周用下来，我对从 Codex 转到 WorkBuddy 这件事有几个真实感受和建议：

• 先备份 Codex 的历史配置。Codex 的config.toml里可能有你积累的模型映射和代理配置，切工具之前花两分钟备份一份，万一以后还需要对比就能直接用。
• 刚上手别急着装一堆 Skill。先只装两三个和你日常任务最相关的 skill，比如代码审查、日志分析、单元测试，用顺了再慢慢扩展。装太多 skill 会导致误触发概率升高，反而降低效率。
• 接模型一次只接一个。先在默认模型上跑通完整流程，再接入 DeepSeek 之类的第二模型。如果你一开始就同时配三四个模型，遇到问题会比较难判断是配置问题还是工具问题。
• 大任务拆成小任务。这是我在 Codex 上就养成的习惯：一个任务如果预期耗时超过十分钟，就拆成多个子任务分步执行。这样做的好处是，每一步的中间结果都可以及时检查，出问题时定位范围小很多。
• 自定义指令从模仿开始。官方文档和一些 WorkBuddy 使用教程里有很多自定义指令推荐，先原样复制几条用起来，然后根据自己的习惯微调。自己凭空设计指令容易写得过于抽象，模型理解不好效果自然打折。

最后分享一个小技巧：把所有 Skill 对应的触发关键词统一加一个前缀，比如wb-开头。这样在后续输入的时候可以精确指定要调用的 Skill，也不会出现命名冲突。这是我踩过几次误触发之后总结出的习惯，基本上彻底解决了 skill 调用混乱的问题。对我个人来说，从 Codex 转到 WorkBuddy 这周最大的收获，就是终于可以把精力放回事情本身，而不是被迫处理工具自身的问题。如果你现在也在被类似的问题困扰，建议找个周末安静地试一下，五分钟接上 DeepSeek，十分钟跑通第一个任务，值不值得，你的使用感受会给你答案。