企业官网建设流程全解析

WorkBuddy 这套工具用下来，真正拉开体验差距的不是模型本身，而是 Skill。可能你刚接触 WorkBuddy 时觉得它就是个能聊天的终端助手，可一旦把 Skill 装明白，它就能按你的工作流去执行具体任务——比如自动生成周报、按指定规范重构代码、调用某个接口整理数据。后台也经常有人问 WorkBuddy 和 CodeBuddy 的区别，从我使用的体感来说，两者定位不同，但 Skill 这套扩展思路是相通的。

这篇文章不讲虚的，就分享我实际装 Skill、写 Skill、再给同事排查各种花式报错的真实经验，包括完整的安装步骤、目录规范、常见故障排查，适合两类人看：一是正在用 WorkBuddy 但还只把它当普通聊天窗口的；二是想把重复性工作固化下来、让 AI 按自己的流程干活的人。你跟着操作就行，装完之后你会明显感觉这工具顺手了一个量级。

1. 先把 Skill 这件事想明白再动手

1.1 Skill 到底解决了什么问题

如果你什么都不配，直接拿 WorkBuddy 提问，你会发现它确实聪明，但每次都要把约束条件反复交代一遍。比如让 AI 帮你写技术方案，你每次都得重新说“格式按公司模板、要包含背景、风险分析和时间计划”。一次两次还能忍，天天说就太累了。

Skill 就是把这些固定的提示词、工作流程和外部脚本打包成一个可复用的“技能”。需要的时候，模型读到 Skill 的描述，就知道按什么套路干活。这个过程有点像带实习生：招一个聪明的应届生不难，难的是每次任务都得从零教。把岗位 SOP 写清楚，告诉他在什么场合按什么流程处理，效率立刻不一样。Skill 其实就是给 AI 用的 SOP。

从热词里也能看出来，大家在搜“workbuddy skill”“skill插件”“agent skill”的时候，诉求非常一致：不想每次重复描述需求，想让 AI 记住一套方法。Skill 解决的就是这个问题，它把“会聊天”变成“会干活”。

1.2 Skill 在 WorkBuddy 里是怎么被触发的

WorkBuddy 加载 Skill 的机制大致分两类：一类是会话启动时扫描配置目录，把 Skill 的说明信息加载进上下文；另一类是工具调用时触发，模型根据当前任务描述判断是否要调用某个 Skill 的脚本或流程。两种方式不是互斥的，很多 Skill 两种都有。

这里有个核心认知：决定 AI 能不能在正确时机调用某个 Skill 的，是 SKILL.md 里的描述文本。模型不是按文件名找人，而是“闻”描述。你写“用于代码审查的 Skill”，模型只知道有这么个东西；你写“审查 Python 代码时识别潜在内存泄漏、重复代码、安全问题，输出按严重程度排序的审查报告”，模型才知道什么时候该用它、用了能拿到什么。

我在实际使用中踩过最深的坑就在这：下载了一个功能很强的 Skill，但它的 description 写得太泛，导致我在需要它的时候它一次都没触发。后来我改了一下描述，明确“当用户要求对 Python 代码做 review 时优先使用本技能”，立刻就好了。

1.3 Skill 和规则、MCP 的区别

热词里既有“skill脚本”“agent skill”，也有“api mcpserver skill”“workbuddy mcp skill”，还有一个问法我印象很深：“给 workbuddy 定几条规则，后续对所有任务都生效”。这三个概念很容易混，我帮你理一下：

• 规则（Rules）：全局生效的行为约束，属于“价值观”层面。比如“所有回复都用中文”“涉及金额时给出计算过程”。规则对所有任务都生效，适合定语气、格式、底线。
• Skill：按场景生效的“技能包”，属于“方法论”层面。比如“周报怎么生成”“代码怎么审查”。它不是所有场合都触发，只在任务匹配时调用。
• MCP：工具连接协议，属于“能力”层面。它让模型能调用外部服务，比如连数据库、开浏览器、调 API。

三者能配合：Skill 负责“什么时候做、按什么流程做”，MCP 负责“具体调用什么工具去完成”。一个 Skill 的脚本里完全可以调用 MCP 工具，把流程和能力串起来。

2. 安装之前的准备工作

2.1 先搞清楚你用的是哪个 WorkBuddy

热词里很多人搜“workbuddy 国际版”“workbuddy 使用教程”，我多说一句：WorkBuddy 在 Windows、macOS、Linux 上都有跑法，甚至有人在自己服务器上本地部署。不同版本的安装路径和配置方式会有细微差别，尤其是国际版和国内版的默认目录命名可能不一样。

所以安装 Skill 之前，第一步不是找教程，而是确认自己当前版本。一般在 WorkBuddy 界面右上角或命令行里能找到版本信息。我建议先升级到最新版，老版本对 Skill 的支持不完整，有些甚至没有扫描 Skill 目录的功能，你装了半天不生效，其实不是操作问题，是版本不支持。

2.2 确认 Skill 安装目录的位置

Skill 的安装本质就是“把文件放到正确的目录”。WorkBuddy 通常支持两个层级的 Skill 目录：

• 全局目录：所有项目都能用的 Skill，一般在用户主目录下的.workbuddy/skills，Windows 上类似C:\Users\你的用户名\.workbuddy\skills。
• 项目级目录：只对当前项目生效，一般在项目根目录下的.workbuddy/skills。

我的习惯是：个人通用的技能放全局目录，比如周报生成、代码审查、搜索整理；跟具体项目强绑定的放项目目录，比如某套业务的数据清洗流程。这样既方便复用，又避免技能之间互相干扰。你可以在 WorkBuddy 的配置面板里直接看它当前扫描的目录是哪个，比瞎猜路径靠谱得多。

2.3 现成 Skill 去哪找

热词里“claude code skill”“codex skill”“cursor 有哪些skill推荐”的热度说明社区生态已经起来了。找现成 Skill 的渠道无非几个：

1. WorkBuddy 官方仓库或插件市场（如果有）。
2. GitHub 上直接搜workbuddy skill或agent skills。
3. 从同类 AI 编程工具的 Skill 移植。很多 Skill 的格式是通用的，改改目录和描述就能用。
4. 注意“book to skill”这个玩法——把一本书、一套手册转化成 Skill，现在有不少人把领域手册做成技能库，拿来做垂直知识增强，效果很不错。

不过要提醒一句：从网上下载的 Skill 质量参差不齐，装之前至少打开 SKILL.md 把内容过一遍，确认没有可疑脚本。要跑第三方脚本之前先看代码，这和装任何软件的原则一样——你不能因为它是 AI 生态的一部分就放松警惕。

3. 安装 Skill 的三种实操方法

3.1 方法一：用命令安装

如果 WorkBuddy 自带 skill 管理命令，那安装体验和包管理器类似，最省事。你可以先在输入框敲/help或/skills看看当前支持的指令，不同版本命令名可能略有差异。常见的安装思路是：

/skill install https://github.com/用户名/仓库名

或者把本地已经下载好的 Skill 路径直接传给安装命令。命令行安装的好处是它会自动帮你放到正确目录，省得自己找路径。我实测下来，只要网络通畅，装完基本不会有路径问题。装完之后记得重开会话，或者在不重启的情况下手动刷新一次，让模型重新扫描 Skill 目录。

3.2 方法二：手动放置文件

这个方法最通用，也最适合排查问题，因为你完全掌控文件去了哪里。步骤很简单：

1. 下载 Skill 压缩包并解压，得到一个以技能名命名的文件夹。
2. 确认文件夹结构正常，里面至少有 SKILL.md。
3. 把整个文件夹复制到全局目录或项目目录下的 skills 文件夹里。
4. 重启 WorkBuddy 会话，让新 Skill 被扫描到。

这里有个容易忽略的细节：文件夹命名建议统一用小写字母加短横线，比如code-review-helper。类 Unix 体系对大小写敏感，命名不规范可能导致加载不到。我见过有人把文件夹命名成“代码审查助手”带中文和空格，结果就是怎么装都不生效，改个名就好了。

3.3 方法三：批量导入与更新

如果你从 GitHub 仓库拿到一堆 Skill，一个个手动复制太累。可以把仓库克隆到本地，然后批量复制到目标目录：

git clone https://github.com/用户名/skill-collection.git cp -r skill-collection/* ~/.workbuddy/skills/

之后更新也方便，拉取仓库最新代码再整体覆盖即可。不过批量装之前要先想清楚，装太多 Skill 不是好事。每个 Skill 的描述都会占用模型判断的空间，技能装多了，描述之间互相干扰的概率就变大。我自己保持在一个精炼的集合，大概 10 个左右，覆盖高频场景就够了。

4. 看懂 Skill 的目录结构，比会装更重要

4.1 SKILL.md：一份给模型看的说明书

每个 Skill 的核心是 SKILL.md。它由两部分组成：开头是 YAML frontmatter，写元信息；正文是具体行为说明。

--- name: weekly-report description: 根据用户提供的本周工作内容快速生成周报，按“本周完成/下周计划/风险与求助”三段组织 ---

正文里写触发条件、执行步骤、输出格式、注意事项。我建议写正文时把自己想象成在给一个聪明但没经验的同事写交接文档：不要说“生成周报”这种空话，要说清楚“先让用户列出本周完成事项，或从对话素材里提取；再按项目归类；最后用简洁的动宾结构输出”。

4.2 scripts 和 references：从纯提示词进化为工作包

很多 Skill 不只是文字说明，还带脚本和资料。常见的目录结构是：

skill-name/ ├── SKILL.md ├── scripts/ │ └── generate_report.py ├── references/ │ └── company_template.md └── assets/ └── logo.png

scripts 放可执行脚本，比如调用外部 API、把 AI 生成的 JSON 转成表格、批量重命名文件；references 放参考资料，比如代码规范、示例输出，模型在需要时可以按需读取；assets 放模板或静态资源。

我之前觉得 Skill 就是“好一点的提示词”，后来才意识到它其实是“AI 工作包”。把知识、流程、工具脚本封在一起之后，维护起来比单纯改 prompt 要舒服得多。你改脚本不影响描述，改描述不影响脚本，模块边界很清楚。

热词里提到的“仓颉 skill”“unity skill attack indicators”“倪海厦 skill”这类名字，其实都是这个思路在不同领域的落地：有的是针对特定模型底座做的技能适配，有的是游戏开发里的专项技能，有的是把某位老师公开的讲课资料整理成了知识型 Skill。你会看到 Skill 不限于写代码，任何有固定方法论的领域都可以做成技能。

4.3 动手写一个最小 Skill 并验证

不亲自写一个，你很难真正理解这套机制。一个最小可用的 Skill 只需要一个文件夹加一个 SKILL.md：

--- name: weekly-report description: 根据本周工作内容快速生成周报，输出按“本周完成/下周计划/风险与求助”三段组织 --- # 周报生成 Skill ## 适用场景 用户需要整理周报，且提供本周大致工作内容时使用。 ## 执行步骤 1. 让用户列出本周完成事项，或从已有素材中提取 2. 将事项按项目归类 3. 按三段模板输出周报，语气简洁，事项描述用动宾结构 ## 输出格式 - 本周完成：按项目列 3-5 条 - 下周计划：按优先级列 2-3 条 - 风险与求助：无风险则写“无”

把这个文件夹放进 skills 目录，重开会话，用自然语言说“帮我把这周的工作整理成周报”，看模型是否主动使用这个 Skill。这个测试能让你直观感受到“描述触发”是怎么回事。我做完这个实验之后，再看别人写的 Skill，一眼就能判断它的描述写得好不好。

5. 装完不生效怎么办：常见问题排查

5.1 先确认最基础的三件事

很多人说“Skill 装了没反应”，我第一反应永远是先查三件事：

1. 目录放对了吗？全局还是项目目录，有没有弄混。
2. 结构完整吗？SKILL.md 必须存在，文件名和文件夹名有没有中文、空格、不规范大小写。
3. 会话刷新了吗？Skill 扫描发生在会话启动阶段，你装完不重开会话，它当然看不见。

这三步能解决大部分“不生效”的问题。如果还不行，就去看 WorkBuddy 的日志，启动时扫描不到文件一般会有记录，路径、权限、解析错误都会体现在日志里。

5.2 权限和路径的真实坑

这个坑我是在 Linux 服务器上踩的。用普通用户跑 WorkBuddy，但 Skill 目录建在了 root 权限的路径下，扫描直接失败，日志里提示权限不足。很多人一看到“权限”两个字就头疼，其实解决办法很简单：把目录所有权划给运行 WorkBuddy 的用户就行。

chown -R 用户名:用户名 /home/用户名/.workbuddy/skills

另外有人问“workbuddy 系统缓存目录能改到 d 盘吗”这类问题，顺带提一句：缓存目录和 Skill 目录是两个概念，缓存管的是临时数据，Skill 目录管的是技能文件。如果你的系统盘空间紧张，缓存目录确实可以挪到别的盘，但 Skill 目录最好别乱改，它跟配置体系的关联更深。

5.3 描述冲突导致 Skill 选择混乱

Skill 多了以后，最常遇到的就是“该用的没用上，不该用的乱触发”。比如你装了一个“代码审查”Skill，又装了一个“Python 代码审查”Skill，模型可能就懵了，不知道用哪个。

解决办法是调整 description，把各自适用条件写清楚。通用审查 Skill 描述里写明“适用于未指定语言或非 Python 项目”，专项 Skill 描述里写明“仅当审查对象为 Python 代码时使用”。模型有很强的是非判断能力，你只要把边界说清楚，它一般不会选错。

5.4 脚本执行失败怎么查

如果 SKILL.md 能正常加载，但 Skill 内部的脚本一跑就报错，按这个顺序排查：

1. 脚本依赖装了没有？有些 Skill 依赖第三方库，环境里缺了就跑不起来。
2. 工作目录对不对？脚本可能有相对路径引用，而你当前的工作目录不在 Skill 目录下。
3. 权限到位没有？脚本可执行权限是否正常，特别是 Linux 环境。
4. 看完整报错输出，而不是只看“失败”两个字。把报错贴给模型让它分析，往往比你自己搜更高效。

6. 从安装到用好 Skill 的几条经验

6.1 建议从这几个方向开始积累

如果你是第一次用，我建议优先装这几类 Skill 练手：

• 周报/日报生成：频率最高，最容易感知效果。
• 代码审查：有固定检查项，输出格式好界定，适合体验“方法论型”技能。
• 文档总结/知识整理：把长文档转成结构化笔记，属于高频场景。
• 特定领域参考：比如把内部规范、常用命令、项目背景做成 Skill，新人上手也能直接复用。

热词里有人搜“skill编码247”“skill插件”，我看下来其实就是社区的整理方式，把同类技能分门别类，方便检索。你在积累技能库的时候也可以给自己定一套命名规范，比如“领域-场景-技能名”，等量大了就知道好处了。

6.2 Skill 的多环境同步与备份

Skill 文件本质是普通文件，所以天然可以纳入版本管理。我自己的做法是建一个专门的 Git 仓库放 Skill 集合，然后在各台机器的.workbuddy/skills下做软链指向仓库目录。这样不管换电脑还是重新配环境，一条命令就能把所有技能拉回来。

值得备份的不只是 Skill 文件本身，还有你的规则配置。写规则的时候宁少勿杂，几条核心原则就够了，规则写得太多会和 Skill 的边界重叠，反而让模型在执行时犹豫不决。

6.3 从使用到开发，其实门槛没那么高

最后说说 Skill 开发这件事。很多人一听写 Skill 可能觉得要先会编程，其实不然。最简单的纯文档型 Skill 只要会写 Markdown 就行。真正需要写脚本的 Skill 才涉及编程，但脚本往往只是辅助，核心还是在 SKILL.md 里把流程讲清楚。

我的经验是：先在现成 Skill 上改，找一个和你的场景最接近的，改描述、改步骤、改输出格式，慢慢就会形成自己的风格。等你积累几个技能之后，你会开始用 WorkBuddy 本身去辅助你写新 Skill，比如让它根据你的一段操作习惯生成一份 SKILL.md 初稿，你再微调——这个循环一旦转起来，你的技能库增长会非常快。

我个人在实际操作中的体会是：Skill 这套东西，装是入门，写才是进阶。你要是想真正发挥 WorkBuddy 的价值，与其到处找别人的 Skill，不如花一个晚上把自己最常做的三件事写成三个最小 Skill。过程不复杂，但对理解整个机制帮助极大，而且你自己写的东西，用起来比网上随便下的顺手的不是一点半点。