现在用 workbuddy、codebuddy 这类 AI 编程工具最让人头疼的往往不是它不会写代码而是「需求还没说清楚它就开始动手了」。结果就是不断返工、反复修改token 烧了不少效率却没上来。(ps:项目在github上搜pre-workbuddy就行)pre-workbuddy 想解决的正是 AI 执行链条里被长期忽略的一环——需求收集。它作为一层「需求收集层」先由 AI 扮演对应职业的专业人士与甲方多轮对话摸清需求自动生成最终任务 prompt再一键交给 workbuddy / codebuddy 执行。一、痛点AI 工具「跑得快」但常「跑偏」如果你常用 AI 执行类工具大概都经历过这些提问环节太少需求还没明确就开始做任务做出来的东西经常要返工修改想用好这些工具往往需要专业人士先收集一份比较全面的需求文档过于偏执行层面而且执行耗时较长动辄几分钟到十几分钟工具忽略了现实里「乙方向甲方收集需求」的过程——现实中的甲方小商、小贩、小厂最开始往往并不清楚自己要什么学习成本过高工具要求用户每次看完执行结果再提修改意见可现实中甲方不会从 demo 阶段就一轮一轮地改token 消耗量大费用高。二、方案pre-workbuddy——先聊清楚再让 AI 动手一句话概括pre-workbuddy 是一个运行在 workbuddy 之前的「需求收集层」是你的专属助理。它的工作方式是这样的选择对应职业 → AI 扮演该职业的专业人士 → 与甲方多轮对话摸清需求 → 自动生成最终任务 prompt → 一键交给 workbuddy / codebuddy 执行。核心特性集成 2000 职业匹配专人专事服务通过提前多轮对话了解甲方需求后再调用 workbuddy更贴近前期乙方对甲方需求的收集阶段普适性扮演对应职业角色了解需求后自动生成最终 prompt全流程引导式操作学习成本低便宜集成便宜的 glm-flash API 和本地 Qwen 大模型对话成本几乎可以忽略不计更早阶段的自动化完成「需求收集 → 任务执行」的全流程自动化。三、工作流程整个流程可以概括为四步选择职业在页面中选择与你需求匹配的职业角色多轮对话收集需求AI 以对应职业专业人士的身份通过多轮提问帮你把需求聊清楚生成最终 prompt需求明确后自动整理为可执行的最终任务 prompt跳转 codebuddy 执行一键将 prompt 交给 workbuddy / codebuddy 执行得到结果。四、快速开始4.1 安装 Python 依赖先安装 Python 依赖pip install -r requirements.txt可选如需「不消耗 token」的本地模型对话模式再安装 llama-cpp-python 并下载模型约 2.6Gpip install llama-cpp-python./download_model.sh # 下载 Qwen3.5-4B-Q4_K_M.gguf 到 model_file/然后在 config.py 中把 use_local_model 改为 True并在 API_KEY 填入智谱 GLM 的 key云端模式需要。4.2 安装部署 codebuddy安装 codebuddy CLIcurl -fsSL https://copilot.tencent.com/cli/install.sh | bashsource ~/.zshenvcodebuddy --version启动 daemon端口需与 config.py 中 CODEBUDDY_DAEMON_URL 一致codebuddy daemon start --port 8000codebuddy daemon status4.3 启动网站运行前记得修改 config 里的 API_KEY如果用的是其他家的 model也记得自行修改 key 和 url。如果需要加载本地 model请自行修改 config 里的 use_local_model 参数。python index.py浏览器打开 http://127.0.0.1:5000 即可开始选择职业 → 多轮对话收集需求 → 生成 prompt → 跳转 codebuddy 执行。五、效果展示整个使用过程非常直观选择职业进入页面后先选择与你需求匹配的职业角色多轮对话AI 以专业人士身份引导你把需求聊清楚生成 prompt自动整理出最终任务 prompt跳转 codebuddy一键交给 codebuddy 执行等待结果。以上各环节对应项目的网站截图发布时可按需配图呈现。六、规划与展望项目仍处在早期规划中的方向包括完成英文化完成 app、web 端多端支持完成本地用户信息私有化完成软硬一体完成自动化训练。结语AI 执行工具已经足够「快」真正拖后腿的往往是「需求」这一环。pre-workbuddy 用一层轻量的「需求收集层」把「聊清楚」这件事补了回来——更省 token、更少返工也更贴近真实协作中「先对齐、再动手」的习惯。如果你也在为 AI 工具反复返工头疼不妨把它当作 workbuddy / codebuddy 之前的那个「专属助理」试一试。