企业官网建设流程全解析

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。当时手头堆着三份文档要整理、两个数据表要合并、还有一堆重复性的文件重命名工作，整个人处于一种"机械劳动把人榨干"的状态。朋友甩过来一句"你试试 WorkBuddy，腾讯出的 AI 工作台"，我抱着"又一个套壳聊天框"的心态装上了，结果用了两周之后，我把它固定在了任务栏第一位。

这篇内容我想聊的不是"WorkBuddy 有多神"，而是一个真实使用者从安装、配置、自定义模型、写规则、踩坑到形成稳定工作流的完整过程。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。如果你属于下面几类人，这篇值得你花二十分钟读完：

• 刚听说 WorkBuddy，想知道它和普通 AI 对话工具有什么本质区别；
• 已经装了但只会"问一句答一句"，没发挥出 Agent 的自动化能力；
• 想接自己的模型、改缓存目录、写全局规则，但被配置文件劝退；
• 在 WorkBuddy、CodeBuddy 这类工具之间纠结，不知道选哪个。

我会把安装、模型配置、规则体系、Skill 机制、缓存迁移、常见报错这几块拆开讲透，每个环节都附上我实际操作的参数和踩过的坑。这不是一份官方文档的复述，而是一个重度用户的工作台搭建笔记。

2. WorkBuddy 到底是什么：先搞清楚它和聊天机器人的区别

2.1 从"对话"到"执行"的定位差异

很多人第一次打开 WorkBuddy 会觉得"这不就是个聊天框吗"。这个误解很致命，因为它会让你完全用错工具。普通 AI 对话产品的核心是生成内容——你问它答，答案停留在对话框里，要落地还得你自己复制粘贴。而 WorkBuddy 的定位是腾讯 AI 工作台，本质是一个 AI Agent 运行环境，它的核心能力是调用工具、操作文件、执行多步骤任务。

打个比方：普通对话 AI 像一个博学的顾问，你问他什么他告诉你什么；WorkBuddy 更像一个坐在你工位旁边的助理，你说"把这三个 Excel 合并成一份带汇总表的报告"，它会真的去读文件、写脚本、跑代码、生成结果文件。这个差别决定了你的使用姿势——你要学会"下任务"而不是"提问题"。

2.2 Agent 能力的三层结构

我把 WorkBuddy 的能力理解成三层，理解了这三层你就知道该往哪个方向使劲：

大部分人卡在第一层，觉得"也就那样"。真正让 WorkBuddy 拉开差距的是第二、三层——它能动手，而且能按你定的规则持续动手。这也是为什么热词里反复出现"给 WorkBuddy 定几条规则，后续对所有任务都生效"这类需求，因为规则才是把一次性对话变成稳定工作流的关键。

2.3 和 CodeBuddy 的关系与区别

这是被问得最多的问题之一。我的理解是：CodeBuddy 更偏代码场景的深度优化，WorkBuddy 更偏通用办公与多任务编排。两者底层都涉及 AI Agent 能力，但面向的使用者不同。如果你主要写代码、做工程，CodeBuddy 的代码上下文理解会更顺手；如果你要处理文档、表格、跨应用任务、批量文件操作，WorkBuddy 的工作台形态更合适。实际使用中我经常两个都开着，各干各的活，并不冲突。

3. 安装与首次配置：把地基打牢

3.1 安装渠道与版本选择

WorkBuddy 目前有网页版和客户端两种形态。我的建议很明确：日常重度使用一定装客户端。原因有三个：客户端能直接访问本地文件系统，网页版受浏览器沙箱限制；客户端能常驻后台跑长任务，网页版关掉标签页就断了；客户端的缓存和配置可控，方便做本地化部署和目录迁移。

安装过程本身没什么坑，下载、双击、登录，三步走完。但有几个细节值得注意：

• 登录账号要选对。如果你所在的组织有企业版，用企业账号登录能拿到更完整的权限和额度，个人账号在部分 Skill 上会受限。
• 首次启动别急着用。先花十分钟把设置页翻一遍，尤其是模型配置、缓存目录、权限授权这三块，后面会省很多事。
• 积分机制要心里有数。WorkBuddy 的部分高级能力消耗积分，重度使用前先了解自己的额度，避免任务跑到一半断掉。

3.2 首次启动的三项必做设置

我把首次配置总结成"三件套"，做完这三件事，后面用起来会顺很多：

1. 确认默认模型。打开设置里的模型配置，看看默认走的是哪个模型。如果只是日常问答，默认够用；如果要处理复杂任务，建议换成推理能力更强的模型。
2. 检查缓存目录。默认缓存通常在系统盘的用户目录下，如果你系统盘空间紧张，这一步就要规划迁移（后面 5.2 节详细讲）。
3. 授权工作目录。给 WorkBuddy 划定一个专门的工作文件夹，让它只在这个范围内读写文件。这既是安全考虑，也能避免它误操作你其他重要文件。

提示：工作目录建议单独建一个，比如D:\WorkBuddySpace，所有让它处理的文件都先丢进去。这样即使出问题，影响范围也可控。

3.3 权限授权的边界感

Agent 类工具最让人纠结的就是权限。给多了怕它乱动，给少了它干不了活。我的做法是分级授权：日常读写限定在工作目录内；涉及删除、覆盖这类破坏性操作时，开启二次确认；联网检索按需开启，不用时关掉。WorkBuddy 在权限管理上做得比较克制，关键操作会弹确认，这一点比很多同类工具让人放心。

4. 自定义模型配置：models.json 到底怎么改

4.1 为什么要自定义模型

默认模型能覆盖大部分场景，但有两类需求绕不开自定义：一是你想用特定厂商的模型，二是你想在成本和质量之间做精细平衡。WorkBuddy 通过models.json这个配置文件来管理模型接入，理解它的结构，你就能自由切换模型。

4.2 models.json 的结构拆解

配置文件的核心是"模型条目"，每个条目描述一个可用的模型。一个典型的条目包含这些字段：

{ "models": [ { "name": "my-model", "provider": "custom", "baseUrl": "https://your-endpoint/v1", "apiKey": "your-key-here", "model": "model-id", "maxTokens": 8192, "temperature": 0.7 } ] }

逐个字段说清楚：

• name：你给这个模型起的别名，界面上显示的就是它，随便起但要自己能记住。
• provider：供应商标识，自定义接入一般填custom。
• baseUrl：接口地址，注意结尾的/v1这类路径要按实际接口文档填，多一个斜杠少一个斜杠都可能报 404。
• apiKey：密钥，这个字段最敏感，配置文件千万别提交到任何公开仓库。
• model：模型的实际 ID，这个必须和接口方给的完全一致，大小写都不能错。
• maxTokens：单次最大输出长度，设太小长文会被截断，设太大有些接口会直接报错。
• temperature：随机性，写代码建议 0.2 左右，创意写作可以到 0.8。

4.3 配置生效与验证

改完models.json后，必须重启 WorkBuddy 或重新加载配置，否则改动不生效。验证方法很简单：新建一个对话，在模型选择里看能不能选到你新加的模型，选中后随便问一句，能正常回复就说明通了。

如果选不到或者报错，按这个顺序排查：

1. JSON 格式是否合法（用在线 JSON 校验工具过一遍，逗号、引号最容易出错）；
2. baseUrl和model是否和接口文档完全一致；
3. apiKey是否有效、是否过期；
4. 网络是否能正常访问该接口地址。

注意：改配置文件前先备份一份原文件。我踩过一次坑，改错一个逗号导致整个模型列表加载失败，连默认模型都用不了，最后靠备份才恢复。

4.4 多模型并存的策略

我建议配置里保留两到三个模型：一个快速模型处理日常问答和简单任务，一个强力模型处理复杂推理和长文，一个备用模型在主模型接口不稳定时顶上。切换成本几乎为零，但应对不同场景的体验差别很大。这也是自定义模型配置最大的价值——把选择权拿回自己手里。

5. 规则体系与 Skill 机制：让 WorkBuddy 真正"懂你"

5.1 全局规则怎么写才有效

热词里"给 WorkBuddy 定几条规则，后续对所有任务都生效"这句话点到了核心。规则的作用是把重复的指令固化成默认行为。比如你每次都要它"输出用中文、代码加注释、文件保存到指定目录"，与其每次重复，不如写进规则。

我自己的规则大概长这样：

• 所有输出默认使用中文，专业术语保留英文原文；
• 生成的文件统一保存到工作目录的output子文件夹；
• 涉及代码时，关键逻辑必须加注释，变量命名用英文；
• 执行破坏性操作前必须先说明将要做什么，等我确认。

写规则有几个心得：规则要具体、可执行，别写"要专业""要准确"这种没法落地的空话；规则数量别太多，十条以内，多了会互相干扰；规则之间不能矛盾，否则模型会随机选一个执行，结果不稳定。

5.2 缓存目录迁移到 D 盘

系统盘空间紧张是很多人的痛点，"WorkBuddy 系统缓存目录能改到 D 盘吗"这个问题我实测过，答案是能。思路是修改配置里的缓存路径指向，然后把旧缓存迁移过去。

操作步骤：

1. 完全退出 WorkBuddy，确保进程不在运行；
2. 找到配置文件里的缓存路径字段，改成新目录，比如D:\WorkBuddyCache；
3. 把原缓存目录整个复制到新位置；
4. 重启 WorkBuddy，确认新目录开始产生文件；
5. 确认无误后，删除旧缓存释放空间。

提示：迁移时用"复制"而不是"移动"，确认新目录工作正常后再删旧的。我有一次直接移动，结果路径没配对，缓存全丢，虽然不影响核心功能，但历史记录没了挺可惜。

5.3 Skill 机制：哪些 Skill 最值得用

Skill 是 WorkBuddy 的能力扩展单元，相当于给 Agent 装插件。热词里"WorkBuddy 哪些 Skill 最好用"是高频问题。我的经验是，别贪多，按你的高频场景选三到五个。用得最多的几类：

• 文件处理类：批量重命名、格式转换、内容提取，办公场景刚需；
• 文档生成类：把零散内容整理成结构化文档，写报告、写综述很省事；
• 检索类：联网查资料并汇总，做调研时效率翻倍；
• 记忆类：跨对话记忆，让它在不同会话里记住你的偏好和上下文。

Skill 装多了会拖慢响应，而且有些 Skill 之间功能重叠，反而让模型选择困难。精简、聚焦，比堆满一屏更实用。

5.4 跨对话记忆的实际价值

"跨对话记忆"这个 Skill 我强烈推荐。默认情况下，每个新对话都是白纸，你得重新交代背景。开了记忆之后，它会记住你的工作习惯、常用路径、项目背景，新对话直接进入状态。做长期项目时这个体验提升非常明显——不用每次都从头解释"我是谁、我在做什么"。

6. 实操流程：从零跑通一个完整任务

6.1 任务拆解的正确姿势

Agent 用得好不好，一半看你会不会拆任务。我的原则是把大任务拆成有明确输入输出的步骤。比如"帮我做一份季度总结"，这个指令太模糊，它只能瞎猜。改成：

1. 读取工作目录data文件夹里的三份月度数据表；
2. 合并成一张总表，按月份排序；
3. 计算各月环比增长率；
4. 生成一份带图表的总结文档，保存到output。

这样每一步都有明确的动作和产物，模型执行起来准确率高得多。模糊的指令得到模糊的结果，这是 Agent 使用的铁律。

6.2 一个真实任务的执行记录

我拿一个实际做过的任务举例：整理一批命名混乱的图片文件。原始文件是IMG_001.jpg、photo(2).png这种，我要按拍摄日期重命名并分类到不同文件夹。

我的指令是："读取photos文件夹里所有图片，按文件的修改日期重命名成2026-01-15_001.jpg这种格式，然后按月份分到子文件夹里。"

执行过程中它做了几件事：扫描目录、读取每个文件的元数据、生成新文件名、创建月份子文件夹、移动文件。整个过程大概两分钟，处理了三百多张图。中间有一次因为某张图没有日期元数据卡住了，它主动停下来问我怎么处理，我让它用文件创建时间兜底，然后继续跑完。

这个案例说明两点：一是 Agent 能处理批量重复劳动，二是遇到边界情况它会求助而不是硬来。后者尤其重要，说明它的执行是有边界的。

6.3 结果验证与回滚

任务跑完别急着关，一定要抽查结果。批量操作最怕的是"看起来对了但细节错了"。我的习惯是随机抽几个文件核对，确认命名规则、分类逻辑都符合预期。如果发现问题，趁早回滚——所以操作前对原始文件做个备份是必须的，尤其是批量重命名、批量删除这类不可逆操作。

7. 常见问题与避坑实录

7.1 高频问题速查表

7.2 几个我踩过的坑

坑一：密钥写进配置文件后忘了保护。有次我把配置文件夹同步到了云盘，密钥差点泄露。后来我把密钥单独管理，配置文件里只留占位符，用的时候再填。安全无小事，密钥永远不要出现在会被同步、被提交的地方。

坑二：规则写太满导致行为僵化。一开始我写了十几条规则，结果模型执行任务时畏首畏尾，动不动就停下来问。后来砍到六条，只保留最核心的约束，反而顺畅了。规则是护栏不是牢笼，留出发挥空间。

坑三：工作目录设成了整个 D 盘。图省事把授权范围开到最大，结果有次让它"清理临时文件"，它差点把整个盘扫一遍。后来老老实实建了独立工作目录。权限给到够用就行，别图方便开大口子。

坑四：以为网页版和客户端能力一样。网页版做轻量问答没问题，但涉及本地文件操作就抓瞎。搞清楚每个形态的边界，别在错误的工具上浪费时间。

7.3 关于本地化部署的说明

热词里"WorkBuddy 本地部署""私有化部署"出现频率很高。需要说明的是，本地化部署涉及环境准备、依赖安装、配置调整等一整套流程，对使用者的技术基础有一定要求。如果你只是日常办公使用，客户端版本完全够用；如果确实有数据不出本地的硬性需求，再考虑本地化方案，并且提前把环境依赖理清楚，避免装到一半卡在某个依赖上。

8. 我的使用心得与后续可扩展方向

用 WorkBuddy 这几个月，最大的感受是它改变了我对"用 AI"的理解。以前是把 AI 当搜索引擎用，问一句拿一个答案；现在是把它当执行者用，交代一个任务拿一个结果。这个转变带来的效率提升不是线性的，而是量级的——尤其是那些重复、琐碎、需要跨多个文件的活，交给它之后我能腾出整块时间做真正需要思考的事。

如果让我给刚上手的人一句建议：别急着追求"用满所有功能"，先把一个高频场景跑通。比如就专注做"文档整理"这一件事，把规则、Skill、工作目录都围绕它配好，跑顺了再扩展。贪多嚼不烂，Agent 工具的价值在于深度使用，不在于功能清单有多长。

后续我打算继续折腾的方向有两个：一是把更多重复性工作流固化成规则组合，让它真正变成"我说一句话就能跑完"的自动化；二是研究 Skill 的组合编排，把几个简单 Skill 串成处理复杂任务的流水线。这块玩明白了，WorkBuddy 才算真正从"好用的工具"变成"离不开的工作台"。

最后分享一个小技巧：定期回顾你的规则和 Skill 列表。用了一个月之后，你会发现有些规则从来没触发过，有些 Skill 装了就没打开过。把它们清掉，工作台会清爽很多，响应也会更快。工具是为人服务的，别让配置本身变成负担。