1. 为什么我要认真写一份 WorkBuddy 实战笔记WorkBuddy 这个腾讯 AI 工作台刚出来的时候我其实是抱着又一个套壳聊天框的心态去试的。结果装完第一天就被打脸——它不是一个简单的对话窗口而是一套把 AI Agent、Skill 插件、models.json 配置、工作流编排揉在一起的桌面级工作台。你可以把它理解成一个AI 员工的操作系统左边是任务流右边是模型和技能中间跑的是你自己的 Agent。我前后折腾了大概两周从 Windows 装到 Linux从默认配置改到自定义 models.json踩过的坑包括但不限于Skill 加载失败、缓存目录把 C 盘撑爆、Agent 规则不生效、国际版和国内版配置串味。所以这篇不是官方文档的复读而是我自己从安装到避坑的完整记录。适合三类人看一是刚听说 WorkBuddy 想上手的新手二是想用它搭 AI Agent 的开发者三是被 Skill 和 models.json 折腾到怀疑人生的同行。核心关键词我先摆出来WorkBuddy、腾讯 AI 工作台、AI Agent、models.json、Skill。这五个词基本覆盖了它 80% 的使用场景。下面我按设计思路 → 核心细节 → 实操过程 → 避坑排查的顺序讲每一步都告诉你为什么这么做而不是只给命令。2. WorkBuddy 整体设计与思路拆解2.1 它到底解决什么问题从聊天到干活普通 AI 对话工具的问题是你问一句它答一句任务结束就断了下次还得重新交代背景。WorkBuddy 的思路是把对话升级成工作台。它内置了任务管理、文件操作、Skill 调用、多模型切换这几层能力让 AI 能持续地在一个项目上下文里干活。我举个实际例子。我要做一份数学建模的竞赛报告传统做法是开一个对话问思路再开一个对话写代码再开一个对话润色。WorkBuddy 里我只需要建一个工作区挂上数学建模 Skill配好模型然后 Agent 会自己拆解任务先读题、再建模、再写 Python、最后生成文档。这就是 AI Agent 和普通 Chatbot 的本质区别——Agent 有目标、有工具、有记忆。所以 WorkBuddy 的定位不是更好的聊天框而是AI Agent 中台。它把模型大脑、Skill手脚、工作区记忆三样东西组装起来你负责定规则它负责执行。2.2 三层架构模型层、技能层、编排层我把它的结构拆成三层来理解这样后面配置的时候不会乱。模型层由models.json管。这个文件决定了 WorkBuddy 能调用哪些大模型、走什么接口、用什么参数。你可以只留一个默认模型也可以挂多个模型做任务分流——比如简单任务用轻量模型复杂推理用强模型。这是成本控制的关键。技能层就是 Skill。Skill 可以理解成给 Agent 装的专业插件。一个 Skill 通常包含提示词模板、工具调用定义、可选的脚本。热词里出现的skill 编码247仓颉 skill数学建模 skillunity skill attack indicators其实都是不同领域的 Skill 实例。Skill 让通用模型变成领域专家。编排层是工作台本身。它负责把用户的任务拆成步骤决定什么时候调哪个 Skill、用哪个模型、结果存哪里。你在界面上看到的规则任务流工作区都属于这一层。三层的关系是编排层下指令模型层出智力技能层出执行力。任何一层配错表现都是Agent 变傻或者任务卡住。2.3 为什么用 models.json 而不是图形化配置很多人第一次看到要手改models.json会吐槽都 2026 年了还让我编辑 JSON我一开始也这么想但用久了发现这是有道理的。图形化配置适合固定选项但模型接入这件事变化太快——今天加一个供应商明天改一个参数后天要支持自定义 endpoint。JSON 的好处是可版本管理、可复制、可脚本化。你团队里一个人配好models.json直接发给其他人就能复用比截图教人点按钮靠谱得多。而且models.json支持多模型并存和优先级设置这在图形界面里做会很臃肿。我的建议是把它当成配置文件而不是设置项用编辑器打开改完保存重启习惯之后效率很高。2.4 和 CodeBuddy 的区别别搞混了热词里高频出现workbuddy 和 codebuddy 的区别我专门说一下。CodeBuddy 更偏代码补全和 IDE 内的编程辅助定位接近AI 编程助手。WorkBuddy 是工作台范围更宽——它能写代码但也能做文档、做数据分析、跑工作流。简单判断如果你只是想在编辑器里补代码CodeBuddy 够用如果你想搭一个能持续干活的 Agent处理跨文件、跨任务的项目那 WorkBuddy 更合适。两者不是替代关系我实际是两个都装写代码时用 CodeBuddy做完整项目时用 WorkBuddy。3. 核心细节解析与实操要点3.1 安装前的环境准备别跳过这一步安装 WorkBuddy 之前有几件事必须先确认否则装完大概率报错。第一是系统版本。Windows 建议 Win10 1909 以上Linux 建议主流发行版的较新版本。老系统上运行时依赖可能缺失表现是启动闪退或者界面白屏。第二是磁盘空间。这一点我要重点提醒WorkBuddy 的系统缓存目录默认在系统盘随着你跑任务、装 Skill、存工作区缓存会快速膨胀。我见过有人 C 盘被吃掉 30 多个 G。所以安装前先规划好数据盘。第三是网络与账号。首次启动需要登录并拉取基础配置这一步要保证网络通畅否则会卡在初始化。提示安装路径尽量别用带中文或空格的目录某些 Skill 的脚本调用对路径敏感中文路径会导致执行失败。3.2 models.json 到底怎么配字段逐个说models.json是核心中的核心。我按实际用到的字段讲不堆文档。一个典型的模型条目包含模型标识id、显示名name、接口地址base_url、密钥api_key、模型名model、以及可选的参数temperature、max_tokens 等。多个条目组成一个数组WorkBuddy 启动时读取。配置时有几个关键点id 必须唯一重复会导致后加载的覆盖前面的表现是我明明配了两个模型只剩一个。base_url 结尾不要多加斜杠有些接口对路径拼接敏感多一个斜杠就 404。api_key 不要明文提交到公开仓库用环境变量引用更安全。temperature 按任务类型调写代码和做数学建模建议 0.2 到 0.4创意文案可以到 0.7 以上。我实测下来配置改完一定要完全退出再重启热加载有时候不生效会让你误以为配置写错了。3.3 Skill 的加载机制为什么你的 Skill 不生效Skill 不生效是新手最高频的问题。原因通常有三类。第一类是目录结构不对。Skill 一般要求放在指定目录下且每个 Skill 有自己的文件夹和清单文件。你把文件直接丢在根目录WorkBuddy 扫不到。第二类是清单文件格式错误。Skill 的元数据名称、描述、触发条件、依赖写在清单里少一个字段或者 JSON 语法错一个逗号整个 Skill 就加载失败。而且报错往往很隐晦只说加载失败不告诉你哪一行。第三类是依赖缺失。有些 Skill 带脚本需要特定的运行时或库。比如带 Python 脚本的 Skill你机器上没装对应版本的解释器调用时就报错。我的排查顺序是先看目录结构 → 再校验清单 JSON → 最后看依赖。这个顺序能解决 90% 的 Skill 问题。3.4 给 WorkBuddy 定规则让规则对所有任务生效热词里有一条给 workbuddy 定几条规则后续对所有任务都生效这个需求非常真实。WorkBuddy 支持全局规则你写一次之后所有任务都遵守。规则怎么写才有效我的经验是三条原则具体可执行别写回答要好要写回答先给结论再给理由代码块标注语言。数量别太多超过十条模型容易顾此失彼挑最重要的五到八条。区分硬约束和软偏好硬约束比如不要编造数据放前面软偏好比如语气简洁放后面。我自己的全局规则里有一条是涉及文件操作前先说明将要修改哪个文件这条帮我避免了好几次误改。4. 实操过程与核心环节实现4.1 从零安装完整步骤记录下面是我在 Windows 上的完整安装流程Linux 大同小异。第一步下载安装包。从官方渠道获取对应系统的版本注意区分国内版和国际版两者配置不通用别装混了。第二步运行安装程序。选择安装路径时直接选数据盘别用默认的 C 盘路径。这一步能省掉后面迁移缓存的麻烦。第三步首次启动登录。等待初始化完成界面出现工作区说明安装成功。第四步验证基础功能。随便发一个任务看模型是否正常响应。如果转圈不出结果八成是 models.json 或网络问题。第五步配置 models.json。找到配置目录编辑模型条目保存后完全重启。第六步安装第一个 Skill。建议从简单的开始比如一个文本处理 Skill跑通流程再上复杂的。4.2 缓存目录迁移到 D 盘完整操作这是热词里问得最多的问题之一workbuddy 系统缓存目录能改到 D 盘吗。答案是能但要按步骤来。思路是先关闭 WorkBuddy把原缓存目录整体移动到目标盘然后通过配置或软链接让程序指向新位置。具体做法有两种方法一改配置。如果 WorkBuddy 的配置里支持指定缓存路径直接改配置最干净。找到配置项把路径改成 D 盘目标目录重启即可。方法二软链接。如果配置不支持就用系统软链接。先把原目录移到 D 盘再在原位置创建一个指向 D 盘的链接。这样程序以为还在原路径实际数据在 D 盘。注意移动缓存目录前一定要完全退出程序包括托盘里的后台进程。程序运行时移动文件会导致数据损坏。迁移完成后跑一个任务验证确认缓存正常写入新位置。4.3 搭建第一个 AI Agent从 0 到 1热词里从 0 到 1 搭建 ai agent是很多人的目标。我用 WorkBuddy 搭一个资料整理 Agent来演示。目标给它一个主题它自动搜集要点、整理成结构化文档。步骤一建工作区。新建一个工作区命名清晰比如资料整理。步骤二选模型。在 models.json 里选一个长文本能力强的模型作为主模型。步骤三挂 Skill。挂上文本处理和文档生成相关的 Skill。步骤四写规则。给这个工作区写专属规则比如输出必须分章节每章有小结。步骤五跑任务。输入主题观察 Agent 的执行过程看它在哪一步卡住或跑偏。步骤六迭代。根据结果调整规则和 Skill 组合通常迭代两三轮就能稳定。这个流程跑通之后你会发现搭 Agent 的核心不是技术而是把任务拆清楚、把规则写明白。4.4 用 Skill 做数学建模一个真实案例热词里有数学建模 skill我拿它做个具体案例。数学建模的流程是读题 → 假设 → 建模 → 求解 → 验证 → 写论文。传统做法每步都要人盯着用 WorkBuddy 可以半自动化。我挂上数学建模 Skill 后Agent 会按这个流程走。读题阶段它提取关键变量和约束建模阶段它给出候选模型并说明选择理由求解阶段它写 Python 代码并运行验证阶段它检查结果合理性最后生成论文框架。实测下来建模思路和代码框架它能给到七八成但假设的合理性、结果的物理解释还需要人来把关。所以我的用法是让它做重复劳动我做判断决策。这样效率提升明显又不会因为盲信 AI 出错。4.5 生成网站并发布流程拆解workbuddy 怎么生成网站发布也是高频问题。流程大致是描述需求 → Agent 生成前端代码 → 本地预览 → 调整 → 部署。关键点在预览和调整。Agent 生成的页面第一版通常能用但不好看你要给它具体的修改指令比如导航栏改成固定顶部配色换成深色系。指令越具体改得越准。部署环节WorkBuddy 可以帮你生成部署所需的文件但实际的托管和域名配置还是要在对应平台上操作。别指望一句话全自动上线中间的人工确认不能省。5. 常见问题与排查技巧实录5.1 高频问题速查表问题现象可能原因排查方向启动闪退系统依赖缺失检查系统版本和运行库模型不响应models.json 配置错误校验 JSON 语法和字段Skill 加载失败目录结构或清单错误检查目录和清单格式规则不生效规则位置或格式问题确认是全局还是工作区规则C 盘爆满缓存目录在系统盘迁移缓存到数据盘任务中途卡住Skill 依赖缺失检查脚本运行时环境国际版配置失效版本配置串用确认版本并重新配置5.2 三个我踩过的坑坑一JSON 尾逗号。models.json里最后一个条目后面多了一个逗号程序直接不加载任何模型。这种错误肉眼很难发现建议用带语法检查的编辑器。坑二Skill 路径含中文。有个 Skill 的脚本调用失败查了半天发现是安装路径里有中文目录。改成纯英文路径后正常。坑三规则写太多。我一开始给全局规则写了二十多条结果模型执行时顾此失彼重要规则反而被忽略。精简到八条之后效果明显变好。5.3 独家避坑技巧第一改配置前先备份。models.json和 Skill 目录都备份一份改坏了能快速回滚。第二一次只改一个变量。调模型参数、加 Skill、改规则别同时动否则出问题不知道是哪个引起的。第三善用日志。WorkBuddy 的运行日志里有很多线索遇到诡异问题先翻日志比瞎猜快得多。第四版本别乱升。稳定运行的版本不要轻易升级新版本可能引入不兼容。要升先在测试环境验证。第五规则用版本管理。把全局规则存成文本文件改之前留个记录方便对比哪次改动导致了效果变化。6. 关于 Skill 生态和后续扩展的一些个人看法Skill 是 WorkBuddy 最有想象力的部分。热词里从skill 编码247到仓颉 skill再到unity skill attack indicators能看出大家已经在往各个垂直领域铺 Skill 了。我的判断是未来 WorkBuddy 的价值很大程度上取决于 Skill 生态的丰富度——模型大家都能接但好用的领域 Skill 是稀缺的。如果你有开发能力我建议自己写 Skill。写 Skill 的门槛没有想象中高核心是把领域知识整理成清晰的提示词和工具定义。我写过一个简单的文档处理 Skill从构思到跑通只用了半天。自己写的 Skill 最贴合自己的需求比到处找现成的强。至于workbuddy 从入门到精通 pdf 下载这类需求我的建议是别迷信速成资料。WorkBuddy 这类工具更新快任何静态文档都会过时。真正有效的方式是装好、跑通一个完整任务、踩几个坑、把坑记下来。这个过程走一遍比看十份教程都管用。最后分享一个我自己的习惯每搭一个新 Agent我都会先写一份任务说明书把目标、输入、输出、约束写清楚再翻译成 WorkBuddy 的规则和 Skill 配置。这份说明书既是给 AI 看的也是给我自己理思路的。很多时候 Agent 跑不好不是工具的问题是我自己没想清楚要它干什么。把这件事想明白WorkBuddy 才真正开始为你干活。