企业官网建设流程全解析

最近后台和社群里被问得最多的一个问题就是：大家都在用 WorkBuddy 做什么？说实话，这类问题单靠官方文档很难回答清楚，因为 WorkBuddy 本身是一款偏"个人工作流编排"的 AI 自动化工具，它的用法几乎取决于你想用它解决什么问题。有人拿它当跨平台订单巡检员，有人拿它做内容选题采集器，还有人干脆把它当成定时任务的调度中心。这篇文章我就基于自己实际跑过的案例，也结合周边朋友、社群成员分享的高频场景，把 WorkBuddy 的几种主流玩法掰开揉碎讲一遍，顺便回答那些"WorkBuddy 到底能干嘛"的疑问。如果你正在评估要不要入坑，或者刚装上不知道怎么下手，这篇应该能帮你找到方向。

顺便说一句，《WorkBuddy 行业应用指南》还在持续征集案例，如果你手上有比较有意思的自动化场景，建议整理成文发出来，这工具很多玩法真的是"一个人想不出来，一群人才能碰出火花"。

1. WorkBuddy 是什么？先搞清楚定位再谈案例

1.1 为什么我在一堆 AI 工具里选中了它

先说点背景。我自己的工作流里其实已经堆了不少 AI 工具，像 CodeBuddy 这类以代码生成为核心的产品我也用过，它们解决的是"写代码、改代码、解释代码"这类问题，使用场景集中在 IDE 内外。但日常工作中大量任务其实是重复性操作：登录后台、查数据、汇总、整理、发通知、写纪要——这些事情谈不上多难，但非常磨人。

WorkBuddy 给我的感觉是它是朝"自动化执行"这个方向去的。它不只是一个会对话的 AI，而是一个可以调用工具、读取本地文件、运行脚本、控制浏览器的执行体。你可以给它写一组 Skill（技能指令），它就会按照约定好的流程去操作，跑完以后再交给你一份结果。相比传统意义上"你问一句、它答一句"的助手，WorkBuddy 更像一个"会自己动手干活的 AI 操作员"。

我用一个生活化的类比：CodeBuddy 这类工具像是一个很厉害的编程老师，你问它怎么解决问题，它能给你讲得明明白白；而 WorkBuddy 更像一个你招进来的实习生，你给它一份标准作业流程手册，它能照着把活干了，干完还知道把结果放在哪里。

1.2 它的核心设计逻辑：Workflow 与 Skill 机制

要理解"大家都在用 WorkBuddy 做什么"，必须先理解它的两大支柱：一个是任务编排，一个是 Skill 机制。

任务编排解决的是"流程怎么走"的问题。你可以通过自然语言或者配置文件描述一个完整流程，比如"每天上午九点打开后台，获取昨日订单，统计异常数据，生成报表，写到 Obsidian 笔记，再发一份摘要到企业微信"。WorkBuddy 会把这个流程拆解成一个个可执行的步骤，按顺序跑。

Skill 机制解决的是"能力怎么封装"的问题。一个 Skill 本质上就是一段把"操作意图"翻译成"具体执行步骤"的指令包，里面可以包含提示词、脚本、API 调用规则、输入输出格式定义等。不同的 Skill 组合起来，就能覆盖不同的业务场景。很多群友自制的 WorkBuddy 自定义指令，实际上就是把重复性很强的套路固化成 Skill，下次执行的时候一键调用。

这也是为什么 WorkBuddy 在不同人手里的形态完全不一样：金融行业的朋友可以让它去抓取行情数据、做汇率播报；内容行业的朋友可以让它去采集公开信息、整理选题；电商行业的朋友可以让它盯全平台的订单和库存变动。你不需要成为程序员，但你需要愿意把自己的工作流"拆件"。

1.3 它和 CodeBuddy、RPA 这类方案有什么不同

很多刚接触的人会问：WorkBuddy 和 CodeBuddy 到底哪个好用？我的结论是，这俩根本不是一类东西，硬要比的话就像问"螺丝刀和电钻哪个好用"——取决于你要拧的是哪种螺丝。CodeBuddy 的核心场景是代码生成、技术问答，它面对的主要是开发者；WorkBuddy 的核心场景是自动执行、流程编排，它面向的是想把自己从重复劳动中解放出来的所有人。

还有一个常被拿来对比的是 RPA（机器人流程自动化）。RPA 工具像 UiPath、按键精灵这些，优点是稳定可控，缺点是编排成本高，每一步都要用图形化组件拖拽，改一个字段要重新配置。WorkBuddy 这类 AI 原生的自动化工具，优势在于你可以用自然语言描述流程，然后由 AI 辅助生成 Skill，遇到界面变化也能自适应调整，灵活性明显更高。

先把这个基础打底，后面看案例就好理解多了。下面我挑三个我实际验证过的案例场景，分别代表“数据抓取类”“内容采集类”“日常事务类”三种典型用法。

2. 实战案例一：跨境电商多平台订单抓取自动化工作流

2.1 多平台订单管理的真实痛点

先说一个我实际帮朋友搭过的场景。做跨境电商的人应该都有体会，订单分布在好几个平台的后台里，每天要登录不同站点去查订单、看库存、核对发货状态。如果只有几单还好，单量上去以后，光登录后台、切来切去就能耗掉一两个小时。而且人工巡检还有一个问题：容易漏单，某个平台有个退货申请没看到，可能第二天才发现，处理时效就过了。

这位朋友原先的办法是"定时写 Excel 表"，说白了就是每天下午手动复制粘贴一遍各平台订单数据。数据一多就容易出错。我和他聊完，发现他的真实需求不是"做一个复杂的可视化报表"，而是"每天固定时间，有谁帮我把几个平台的新订单、异常订单都过一遍，汇总到一个文件里，有问题叫我"。这就是 WorkBuddy 最擅长的事。

2.2 用 WorkBuddy 搭建一个订单巡检器的关键要素

我把这套方案拆成了三个部分：抓取、分析、通知。

抓取层的实现方式取决于各个平台开放什么接口。主流电商平台都有开放平台 API，比如获取订单列表、退款单列表这些接口，WorkBuddy 可以通过内置的 HTTP 请求模块直接调用。如果某个平台没有开放接口，或者接口权限申请不下来，退而求其次可以用浏览器自动化模块模拟登录后台去读数据，但这种情况要格外注意平台的服务条款，我是建议优先走正规 API。

分析层用 WorkBuddy 的 AI 能力来做。拿到的原始订单数据通常很乱，API 返回的字段多、命名不一致，平台 A 的"order_status"和平台 B 的"fulfillment_status"可能意思一样但不叫一个名字。WorkBuddy 的 Skill 里可以定义好清洗规则，把各平台的订单状态映射成"待发货 / 已发货 / 退款中 / 异常"这几个统一状态，同时自动高亮异常订单，比如超时未发货、退款申请超时未处理之类。

通知层也很关键。这一步可以接到企业微信、钉钉、邮件或者 Telegram。我推荐的形式不是把整个报表甩过去，而是生成一条摘要，说明今日订单总量、异常订单数量、需要人工处理的列表。这样巡检员从"全人工盯后台"变成了"AI 盯后台，人来盯异常"。

这套流程跑起来以后，我实测最明显的改变是：他每天下午不用再花一个多小时登录各平台复制粘贴了，只需要看一眼 WorkBuddy 推送的摘要，处理异常订单，其他时间去做更有产出的事情。这里我很有感触的一点是，自动化工具选型时，不要一上来就追求"全智能全自动"，先把最重复、最不容易出错的部分自动化掉，收益就已经巨大了。

2.3 效率对比与踩坑提醒

配置完这套工作流之后，我做了个简单对比记录：

• 人工巡检耗时：约 90 分钟/天（登录 3 个平台 + 导出核对 + 汇总）
• WorkBuddy 巡检耗时：约 6 分钟/次（主要是等待 API 返回和 AI 分析）
• 每天能处理异常的时间窗：从"发现问题已经滞后半天的状态"，变成"每分钟都是处理时间"

这里有几个坑，我提醒一下准备上手的读者：

1. 各平台 API 的凭证信息和 Token 务必单独存放，不要写死在 Skill 里。建议用环境变量或者 WorkBuddy 的密钥管理功能。这是个很重要的安全习惯。
2. 定时任务要设置"失败重试"逻辑，一次抓取失败不等于没有订单。我的习惯是失败后等待 5 分钟重试一次，连续失败 3 次才发送告警通知。
3. 多平台数据的时间口径要统一。有的平台返回的是下单时间，有的是支付时间，有的是 GMT 时间，如果不做统一转换，汇总后的"昨日订单"统计就是错的。

3. 实战案例二：小红书内容采集与选题库搭建

3.1 先讲清楚边界：内容采集不是搬运

聊到"WorkBuddy 抓取小红书"，这是群里被提到最多的场景。但我必须先把边界讲清楚：内容采集是用于数据分析、选题研究、行业观察，而不是把别人的内容扒下来洗稿，更不能做二次传播。我在自己的采集 Skill 里只保留公开可见的标题、点赞数、评论数、发布时间这些基础信息，用于分析趋势，不会下载图片和正文内容做搬运。这一点也是各平台规则里明确不允许的，守着底线才不会惹麻烦。

说回需求。做自媒体运营和内容营销的人都知道，选题是每天都得琢磨的事。选题的好坏直接影响内容的数据表现，但每次打开搜索页翻热门内容，翻完就忘，没有一个系统性的沉淀，那这个动作就白做了。WorkBuddy 在这里解决的是"定期把热点内容抓下来，结构化存好，供后续分析用"这件事，相当于给自己建了一个选题情报库。

3.2 写一个"内容观察"Skill：采集、清洗、入库

我实际用的方案是给 WorkBuddy 写了一个名为"内容观察"的自定义 Skill。执行流程分三步：搜索、清洗、入库。

搜索环节，WorkBuddy 通过内置浏览器模块打开搜索页，输入我定义的关键词列表，比如"跨境电商""AI 办公""副业""效率工具"等，然后滚动加载更多内容，采集当前搜索结果页里每条内容的标题、点赞、评论、收藏数、所属账号和发布时间。这里需要注意抓取频率不能太激进，我一般设置每次任务之间至少间隔 5 秒，每天最多跑两轮，避免对目标站点造成压力。

清洗环节是最容易被人忽视的。原始采集结果里有大量噪音：明显是广告的内容、与自己领域完全无关的推荐内容、重复的内容、数据异常的条目。我会在 Skill 里加上几道规则，比如标题包含"广告""推广"等词直接标记、点赞数超出正常区间太多的做人工复核标记。另外，强烈建议做一步"数据标准化"，把"1.2万"这种字符串统一替换成数字 12000，反正这些细节不处理干净，给到后续的数据分析模型也是垃圾进垃圾出。

入库环节我采用的是落盘到本地 SQLite 数据库，同时输出一份 CSV 方便直接用 Excel 查看。入库前会做去重，以"标题 + 作者"为唯一键，重复数据直接跳过。这样每天跑一轮，一个月就能积累上千条带数据的选题池。

3.3 数据落库后，这个选题库还能怎么用

很多人以为采集完了就结束了，其实落库才是开始。WorkBuddy 的 AI 分析能力可以把积累的选题数据做几层深加工：

第一层是趋势分析。让 WorkBuddy 按月统计各类关键词下的平均互动率，看看哪些方向的数据在涨、哪些在跌。我拿自己的账号做过验证，按这个方式筛出来的"上升期选题"，确实比凭空想选题的爆发概率要高。

第二层是选题推荐。把历史爆款内容的关键特征交给 WorkBuddy，比如标题句式、字数区间、账号风格，它会生成一批符合当前热度的选题建议。注意不要把"生成式 AI 给的建议"当成"事实"，最终发布前还是要人工判断内容质量和真实性。

第三层是对标账号观察。记录竞品账号的内容发布频率、点赞波动，能很直观地看到哪些内容策略有效、哪些在走下坡路。我观察过几个同行账号，几个关键的时间节点基本都能通过数据看出来，比自己靠感觉判断准确得多。

我特别有体会的是，这个场景真正难的不是"实现一个采集脚本"，而是"把采集到的数据真正融入自己的工作流"。很多人的自动化项目做到一半就荒废了，原因不是技术不行，而是没有形成固定的使用习惯。你至少要给数据落库设定一个固定的定时任务，比如每天 20:00 自动更新选题库，这样第二天打开电脑就有前一天的数据可看，它才跑得起来。

4. 实战案例三：告别"手动战士"——自动签到与办公日程自动化

4.1 自动签到的正确打开方式

自动签到是 WorkBuddy 最常见的入门场景，没有之一。很多社区、论坛、学习平台都有每日签到机制，连续签到能拿积分、兑换会员或者提升等级。但每天手动去点那个按钮，说实话挺消耗耐心的，而且特别容易断签。

网上流传的"WorkBuddy 自动签到"方案，大部分是让 WorkBuddy 每天定时打开对应的签到页面，模拟点击签到按钮，然后把签到结果截图或者保存日志。这里我想认真强调一下合规边界：自动签到只适用于平台允许的、不违反服务条款的日常操作。比如你参加一个知识社区的连续学习打卡，通过 WorkBuddy 定时访问页面完成签到，这是没问题的；但如果用这个能力去做刷分、薅羊毛、攻击性质的批量操作，那就不对了，也不在我的讨论范围内。

从技术实现角度看，自动签到其实是一个非常好的练手案例。它会强制你学会使用 WorkBuddy 的定时任务、浏览器控制、条件判断（今天是否已经签到）以及结果通知这几个核心功能。我自己的建议顺序是：先做一个单平台的签到 Skill，跑通后再扩展成多平台的签到管家。

4.2 用 WorkBuddy 调度所有"每天要做又没意思"的事

抛开签到，我发现 WorkBuddy 更大的价值在于把一类"每天都要做但又很没意思"的琐事统一托管。你们可以把这一类统称为"每日事务自动巡检"，听起来高级，本质就是上面那种逻辑的复制。

拿我自己的日常来说，我给 WorkBuddy 安排的固定任务有：

• 每天早上 9:00 读取我的日历，汇总当天会议安排，推送到企业微信
• 每天下午 17:00 检查我关注的几个项目的进展（通过 API 拉取状态），如果有异常就发告警
• 每个工作日晚上 20:00 自动把当天 Git 提交记录整理成日报草稿，同步到团队文档
• 每周五 18:00 生成本周工作总结，发到指定的邮箱

这些任务单个拎出来都不复杂，但如果让我每天手动做一遍，大概率会漏掉其中一两个。把它们写进 WorkBuddy 的定时任务列表之后，我只需要在每周复盘的时候看一次汇总即可，节省的不仅是时间，更是"时刻惦记着还有一件事没做"的心理负担。

我建议刚开始用 WorkBuddy 的人，可以用两周时间记录自己的日常事务，把其中"每周至少重复三次的动作"拎出来，逐个评估能不能交给 WorkBuddy 做。这个过程比去看任何教程都有效，因为只有你自己最清楚哪些事情是最烦人的。

4.3 定时任务的三种触发方式，按需选对

WorkBuddy 的定时任务支持几种触发方式，我用下来觉得可以按场景选：

一种是固定时间触发，适合每天固定时间执行的任务，比如每日签到、每日数据汇总。用类似 cron 的表达式配置，可以精确到分钟，也可以直接用自然语言，比如"每个工作日早上九点"。

另一种是间隔触发，适合定期轮询的任务，比如每 30 分钟检查一次某个页面有没有更新。我一般用它来做一些"等了才会出现"的信息监控，比如抢购补货提醒、价格变动提醒。

还有一种是事件触发，也就是当某个条件满足时才执行后续动作。比如 WorkBuddy 检测到某个 API 返回了特定状态码，就自动执行下一步。这种适合做告警链路的上游，可以配合通知模块使用。

三种触发方式可以叠加使用，不一定只能选一个。例如我的订单巡检任务，每天固定时间触发主流程，但如果某次 API 请求连续失败，就会触发一个事件型任务，额外发送一封告警邮件。这种组合设计能让自动化流程具备一定的容错能力。

4.4 和 Obsidian 联动打造自己的知识工作流

在热词里看到"WorkBuddy Obsidian"我一点都不意外，因为我自己就是把 WorkBuddy 输出的所有结果都沉淀到 Obsidian 的。刚开始我这么做只是为了方便整理，后来发现这个组合可以形成一套完整的"知识 + 自动化"闭环。

具体怎么联动？WorkBuddy 执行完一个任务后，可以把结果写入 Obsidian 的 Vault 目录，用一个单独的文件夹存放，比如"230_自动化日志"这种 Zettelkasten 风格的结构。更优雅的方式是，让 WorkBuddy 通过 Obsidian 的本地 UR API 创建笔记，或者直接操作 Vault 里的 Markdown 文件，自动填充标题、标签、正文内容和日期字段。

以我之前做的内容选题库为例，WorkBuddy 每天生成的内容分析结果会直接生成一篇 Markdown 笔记，放在"选题库/2025/04"这个目录下，自动带上一级和二级标签。然后我给 Obsidian 里建了一个 Dataview 查询，可以直接把所有"高潜力选题"筛选出来，形成一张动态表格。每次我在 Obsidian 里打开笔记库，看到的是最新数据，而不是几个月前手动复制的内容。

用 WorkBuddy 和 Obsidian 联动还有一个非常大的好处：所有数据都是本地文件，不依赖某个特定平台的在线服务。就算某一天 WorkBuddy 的任务出了问题，历史数据还完整地留在 Vault 里。这种"数据自主可控"的感觉，是我很看重的一点。

5. 新手必看：WorkBuddy 安装配置与自定义指令（Skill）写法

5.1 从下载到跑通第一个任务，总共分几步

不少刚接触的朋友卡在了安装这一步。WorkBuddy 目前的安装包对主流桌面环境覆盖已经比较全了，Windows、macOS、Linux 都有对应的版本，Ubuntu 这类发行版也能正常安装使用。下载后按官方指引安装即可，但有几个细节点值得注意。

第一个点是安装目录的选择。如果你安装的时候用的是默认目录，之后执行任务时可能会遇到"检测到应用安装目录下存在用户项目目录"这类提示。这通常是因为你在安装目录里直接放了用户数据或者项目文件，导致 WorkBuddy 分不清哪些是程序文件、哪些是你的工作文件。解决办法很简单：把用户数据放到独立的数据目录，不要在安装目录里创建项目。干净的角色分离能省去后续很多权限和迁移烦恼。

第二个点是首次启动后的模型配置。WorkBuddy 本身不自带大模型，它需要接一个模型后端。官方支持的模型服务有很多，国内用户用得比较多的包括 DeepSeek、豆包、Kimi 这类。WorkBuddy 接入 DeepSeek 的配置不算复杂，在设置里找到模型接口配置，填入 API Key 和对应的接口地址，模型选 deepseek-chat 或 deepseek-reasoner 都可以，看你的任务偏创作还是偏推理。就我自己的使用体验来说，DeepSeek 的性价比确实很高，日常自动化任务完全够用。

第三个点是跑通第一个任务。不要一上来就写复杂的 Skill，我建议第一个任务就从"定时输出一段文本并保存"开始，比如让 WorkBuddy 每天早上把今天的日期写在日志里。这个任务虽然简单，但它会把安装、模型配置、任务调度、文件读写这几个关键环节全部跑通一遍。这一步跑通了，后面的学习曲线会平缓很多。

关于 Linux 版本的安装，我补一句：Ubuntu 用户注意看一下依赖是否齐全，特别是浏览器自动化模块需要的系统库。我踩过的一个坑就是 headless 模式有时候启动不了，后来查下来是缺了 libnss3 相关的库，装上就好了。这种问题 Stack Overflow 上有大量现成答案，按报错信息搜索基本都能解决。

5.2 Skill 到底怎么写？一个模板讲清楚

Skill 是 WorkBuddy 的灵魂，新手学习自定义指令时最需要理解的一点是：Skill 的本质是把"一次性的对话"变成"可复用的标准作业流程"。一个合格的 Skill 至少要有三部分：头部元信息、主体指令、输入输出定义。

头部元信息用 YAML 格式写在文件开头，主要记录 Skill 的名称、描述、作者、版本。描述部分是关键，它会被用于模型判断"什么时候该调用这个 Skill"，写得模糊会导致该用的时候不用、不该用的时候乱用。

主体指令是核心，是你要给模型看的那段话。我建议在主体里写清楚这几件事：

• 任务目标：这个 Skill 到底要干什么
• 执行步骤：分成哪几个步骤，顺序是什么
• 数据来源：从哪里拿数据，用什么方式拿
• 数据格式：结果应该长什么样，用什么格式输出
• 异常处理：遇到某个错误时应该怎么做

输入输出定义，是指定这个 Skill 接收哪些参数、返回什么结果。我习惯在 Skill 里加一个示例输入和示例输出，这样模型更容易对齐预期，实测下来能减少很多"调了几次仍然输出乱七八糟"的挫败感。

这里分享一个我自己总结的 Skill 编写骨架，给大家做一个参考（以"订单汇总"为例）：

name: order_daily_summary description: 获取各平台订单数据并生成日汇总 version: 1.0.0 inputs: platform_list: type: array description: 待抓取平台列表 default: ["platform_a", "platform_b"] steps: 1: 调用各平台 API 获取订单列表 2: 统一下单时间到东八区 3: 映射订单状态为统一枚举值 4: 统计订单总数/异常数/待发货数 5: 生成 Markdown 格式的日报 6: 写入指定目录并发送摘要通知 output: 文件: 订单日报_YYYY-MM-DD.md 通知: 摘要消息

当然，这只是骨架，具体不同场景需要按需修改。写 Skill 的时候有几个容易踩的坑：一是步骤写得太宽泛，模型不知道具体该怎么执行；二是没有写清楚输出格式，结果每次跑出来的 JSON 字段都不一样；三是缺少异常处理，一旦某个平台接口超时，整个流程就崩了。我把这些坑写出来，主要是希望大家写自定义指令时少走弯路。

5.3 接入 DeepSeek 还是豆包？模型选型与成本控制

关于模型接入，群里问得最多的就是 WorkBuddy 接入 DeepSeek 好不好用，以及和豆包这类国产模型比怎么选。我自己的经验是：日常任务处理、内容摘要、结构化数据提取，用 DeepSeek 就挺好的，速度快、价格低、API 接口是 OpenAI 兼容的，WorkBuddy 里配置很简单，填个地址和 key 就能跑。如果你用习惯了 WorkBuddy 自带的"智能体"类功能，对推理要求不太高，那么豆包也是一个可考虑的选择，但整合度和可配置性上我更喜欢前者。

成本上我一直是克制派。自动化任务每天都在跑，如果每个任务都让模型做大段的总结，一个月下来 token 消耗会非常可观。我的省钱经验是：

1. 能用脚本完成的数据清洗，就不要让模型去做；模型只负责"分析"和"生成总结"。
2. 给每个 Skill 开启"最小输出"模式，只返回必要的字段，别让模型自由发挥写一大段空话。
3. 尽量选择支持缓存的模型服务，同一个 Skill 在短时间内的重复调用，token 消耗能省不少。

另外提醒一下：API Key 是敏感信息，不要写进 Skill 文件里，也不要提交到任何公开代码仓库。我见过不止一个同学把 key 直接写在自定义指令里，然后把文件分享到群里，这是非常危险的做法。

6. 常见问题与排查技巧实录

6.1 提示"502 write eacces"：权限问题排查实录

热词里出现"workbuddy 502 write eacces"，这应该是很多新用户遇到的第一个硬错误。这个报错的意思是：WorkBuddy 尝试向某个目录写入文件时，系统权限不足，操作被拒绝了。英文拆开看就是"写入时权限不够"。

我在 Ubuntu 上遇到过几次，排查思路大致是这样：

1. 先确认是哪个目录写入失败。报错信息里一般会带路径，如果没有，打开 WorkBuddy 的日志文件看最近的记录。
2. 如果是安装目录下的某个子目录，大概率是安装时用了系统级目录（比如 /opt、/usr 下面），当前用户没有写权限。解决办法是把 WorkBuddy 的数据目录移到用户目录下，比如 ~/.workbuddy，并赋予当前用户 rwx 权限。
3. 如果是挂载的外部磁盘或网络盘，要检查挂载参数是否允许当前用户写入。这个在 Linux 下特别常见，Windows 下相对少一些。

经验之谈是，从一开始就规划好目录结构能避开大部分权限烦恼。建议把"程序安装目录"和"数据写入目录"完全分离，程序目录不要手动往里放文件，数据目录放在用户目录下，这样的布局后续升级、迁移都会很方便。

6.2 C 盘空间越来越小，WorkBuddy 到底存了什么

有热词提到"workbuddy 清理c盘"，我猜不少 Windows 用户遇到了 C 盘空间莫名其妙变少的问题。WorkBuddy 在做自动化任务时，会在本地保存日志、缓存、浏览器配置、临时下载文件等。每天跑几个任务，几个月下来积累的数据量确实不小。

我的清理思路分三步：

1. 检查数据目录的体积。在 WorkBuddy 设置里找到数据目录，用文件管理器看一眼占用最多的子目录，通常 log 和 cache 是重灾区。
2. 配置日志轮转。WorkBuddy 支持日志保留周期设置，比如只保留最近 14 天的日志，定期自动清理。
3. 如果下载了比较多的临时文件，可以做一个定期清理任务，让 WorkBuddy 每周运行一次"清理超过 7 天的临时文件"的 Skill。

这里我也要吐槽一句：日志这东西，平时谁都不会去看，但真出问题排查的时候，它是最重要的线索。所以我建议清理时保留一个"近期日志"备份，不要一股脑全删了。

6.3 "检测到应用安装目录下存在用户项目目录"怎么处理

这个提示我在前面装环境时提到过。它的本质是 WorkBuddy 发现了你的用户数据放在错误的位置。触发原因通常是：你在安装 WorkBuddy 的目录里创建了项目文件、保存了笔记或者放置了下载的数据。

处理办法很直接：在用户目录下新建独立的 Project/Vault 目录，把安装目录里的项目文件移动过去，然后在 WorkBuddy 的设置里更新默认数据路径。改完之后，把原安装目录里的多余文件清理干净，重启 WorkBuddy 就不会再看到这个提示了。

我特别想强调一下"程序目录"和"数据目录"分离这个习惯，不只是为了消掉这个弹窗，更是为了后续升级。只要数据独立存放，升级时直接替换程序文件即可，不用担心用户数据被覆盖。

6.4 常见问题速查表

最后整理一个我平时答疑时最常用的速查表，大家可以收藏备用：

上面这些内容，算是我把 WorkBuddy 的几个主流使用方向从思路到落地都过了一遍。最后说几句个人体会：我越来越觉得，像 WorkBuddy 这类工具带给我的最大价值，不是简单地"省了几小时"，而是让我重新审视了一遍自己每天的工作，哪些事是真正有价值的，哪些事只是机械地重复。把后者交给 AI 去跑，人才能把精力放在前者上。希望大家在搭建自己的自动化工作流时，也能从自己的真实痛点出发，先小步快跑，再逐渐完善，给自己省出更多可以自由支配的时间。