企业官网建设流程全解析

1. 从“偶尔用一下”到“每天离不开”：workbuddy 到底改变了什么

大多数人第一次接触 AI 工具的状态，我太熟悉了——打开一个对话框，问几个问题，觉得“还行”，然后关掉，第二天继续手动干活。问题不在于 AI 不够强，而在于它始终游离在你的工作流之外，像一个偶尔串门的邻居，而不是住在你家里的帮手。workbuddy 这类工具真正要解决的，就是把这个“邻居”变成“室友”。

我用了大概三周时间，把 workbuddy 从一个“试试看”的工具，变成了每天开工第一个打开、收工最后一个关掉的工作台。这个转变不是因为它功能多炫酷，而是因为它把Ask、Plan、Agent这三件事串成了一条线：你有问题就问（Ask），问完了让它帮你规划（Plan），规划好了让它直接执行（Agent）。这条线一旦跑通，你的工作方式会发生一个质的变化——从“我来做，AI 辅助”变成“AI 来做，我来把关”。

这篇文章适合几类人看：一是刚装上 workbuddy 但不知道怎么把它用起来的；二是用了一段时间但总觉得“差点意思”的；三是想搞清楚 Agent 编排到底怎么落地到日常工作里的。我会把这三周踩过的坑、试出来的技巧、以及那些“早知道就好了”的经验全部摊开讲。不聊虚的，只讲你明天上班就能用的东西。

提示：本文所有操作基于 workbuddy 桌面版（Windows 和 Linux 均适用），部分技巧在国际版上同样有效。如果你还没安装，先去官网下载对应平台的安装包，安装过程不复杂，一路下一步即可，这里不展开。

2. 把 workbuddy 装进日常工作流：先搞清楚它的三个核心能力

2.1 Ask 模式：不是搜索引擎，是你的“第二大脑”

很多人把 workbuddy 的 Ask 模式当搜索引擎用，问一句答一句，然后就没有然后了。这是最大的浪费。Ask 模式的真正价值在于追问和深挖——它保留了上下文，你可以像跟一个同事讨论问题一样，一层一层往下挖。

我举个自己的例子。上周我要写一份技术方案，涉及一个我没接触过的消息队列选型。我的操作流程是这样的：

1. 第一问：“我要在日均千万级消息的场景下选一个消息队列，候选是 Kafka、Pulsar、RocketMQ，帮我列一下核心对比维度。”
2. 第二问：“Pulsar 的分层存储在实际运维中最大的坑是什么？”
3. 第三问：“如果我团队只有三个人，运维能力一般，你建议选哪个？给出理由。”
4. 第四问：“帮我按这个选型写一份决策文档的提纲。”

四轮对话下来，我得到的东西比我自己查两天资料还扎实。关键在于不要一次问完所有问题，而是一层一层剥。每一轮的回答都会成为下一轮提问的上下文，AI 会越来越懂你的场景。

注意：Ask 模式下，如果你发现回答开始“飘”了，大概率是上下文太长了。这时候开一个新会话，把关键结论复制过去重新开始，比在旧会话里继续纠缠效率高得多。

2.2 Plan 模式：把“想法”翻译成“步骤”的翻译器

Plan 模式是我用得最多的功能，没有之一。它的本质是：你给一个模糊的目标，它帮你拆成可执行的步骤清单。但很多人用不好，原因是给的输入太模糊。

我试过一个对比实验。同样是想做一个“自动整理周报”的功能：

• 模糊输入：“帮我做一个自动整理周报的工具。”——得到的 Plan 非常泛，基本是“收集数据→整理格式→输出”这种废话。
• 具体输入：“我每周需要从 Jira 导出已完成任务、从 Git 统计代码提交量、从飞书文档摘取会议纪要，然后合并成一份 Markdown 格式的周报。帮我规划一个自动化流程。”——得到的 Plan 直接给出了 API 调用顺序、数据合并逻辑、甚至异常处理建议。

差别在哪？你给的信息越具体，Plan 的质量越高。这就像你找装修师傅，说“帮我装个修”和说“三室两厅，现代简约风，预算 20 万，重点搞厨房和主卧”，得到的方案完全是两个级别。

2.3 Agent 模式：从“给建议”到“动手干”的跨越

Agent 模式是 workbuddy 最容易被低估的功能。简单说，它不只是告诉你“怎么做”，而是直接帮你“做”。你可以把它理解成一个能调用工具、能读写文件、能执行命令的实习生——你需要给它清晰的指令和边界。

我目前跑通的 Agent 场景包括：

• 代码审查：给它一个 Git diff，让它按我预设的规则检查命名规范、潜在 bug、日志缺失。
• 文档生成：给它一个代码仓库路径，让它自动生成 API 文档草稿。
• 数据清洗：给它一个 CSV 文件，让它按规则去重、补全、格式化。

但 Agent 模式有一个铁律：你必须给它定规则。没有规则的 Agent 就像一个没有 SOP 的新员工，做出来的东西你不敢直接用。下一节我会详细讲怎么给 workbuddy 定规则。

3. 给 workbuddy 定规则：一次设置，长期生效的关键操作

3.1 为什么必须定规则：没有规则的 Agent 等于没有方向盘的车

我刚开始用 Agent 模式的时候，犯了一个典型错误：每次任务都重新描述一遍要求。比如“代码注释要用中文”“日志要包含请求 ID”“异常要分类处理”——每次都要重复说，烦不说，还经常漏。

后来我发现 workbuddy 支持全局规则设置，你可以把那些“对所有任务都生效”的要求写进去，一次设置，后续所有任务自动遵守。这个功能藏得不算深，但很多人没注意到。

我的全局规则大概长这样（根据你的实际场景调整）：

## 通用规则 - 所有输出使用中文，技术术语保留英文原文 - 代码注释使用中文，注释率不低于 20% - 日志必须包含：时间戳、请求 ID、用户 ID、操作类型 - 异常处理必须分类：业务异常、系统异常、第三方异常 - 文件命名使用小写字母 + 下划线，禁止空格 ## 代码相关 - Python 代码遵循 PEP8，行宽不超过 100 - 所有函数必须有 docstring - 禁止使用 print 调试，统一用 logging ## 文档相关 - Markdown 格式，标题层级不超过三级 - 表格必须对齐 - 代码块必须标注语言类型

设置完之后，我跑了一个测试任务：让它审查一段代码。结果它自动按我的规则指出了“缺少请求 ID 日志”“异常未分类”“函数缺少 docstring”等问题。那一刻我就知道，这个规则设置值了。

3.2 规则的分层：全局规则、项目规则、任务规则

workbuddy 的规则系统支持分层，这一点非常关键。我的做法是：

全局规则是“宪法”，项目规则是“地方法规”，任务规则是“临时通知”。三层配合，既能保证一致性，又能灵活应对特殊情况。

提示：项目规则我建议写在项目根目录的.workbuddy/rules.md文件里，这样切换项目时自动加载，不用手动切换。这个技巧是我踩了两次坑才发现的——之前每次换项目都要重新设置一遍，效率极低。

3.3 规则的“灰度”处理：什么时候该打破规则

规则不是死的。我遇到过一种情况：全局规则要求“所有输出使用中文”，但有一次我需要它生成一份英文的技术文档给海外团队看。这时候如果死守规则，反而添乱。

我的做法是：在任务规则里明确写“本次任务例外：输出使用英文”。workbuddy 会优先执行任务规则，覆盖全局规则。这个优先级逻辑是：任务规则 > 项目规则 > 全局规则。理解了这个优先级，你就能灵活控制它的行为。

4. 从 Ask 到 Plan 到 Agent：一条完整的任务流水线怎么跑

4.1 一个真实案例：用 workbuddy 完成一次技术调研

我拿上周实际做的一个任务来拆解。任务背景：团队需要引入一个前端监控方案，候选有 Sentry、Fundebug、自研。我需要在一周内出一份调研报告。

第一步：Ask 阶段（信息收集）

我连续问了几个问题：

• “前端监控方案的核心评估维度有哪些？”
• “Sentry 在中小团队的实际使用成本大概是多少？”
• “自研监控的最小可行方案包含哪些模块？”
• “这三者在错误捕获率、性能影响、接入成本上的对比数据有吗？”

这一步的目标是建立认知框架，不追求答案完美，而是让自己知道“该关注什么”。

第二步：Plan 阶段（方案规划）

我把 Ask 阶段收集到的信息整理成一段描述，丢给 Plan 模式：

“我需要写一份前端监控方案调研报告，候选是 Sentry、Fundebug、自研。报告需要包含：背景与目标、评估维度与权重、各方案详细对比、推荐方案与理由、实施路线图。帮我规划一个写作计划，包括每部分的要点和预计篇幅。”

Plan 模式返回了一个非常清晰的写作计划，甚至帮我分配了每部分的字数。我直接把这个计划作为报告的骨架。

第三步：Agent 阶段（执行落地）

我让 Agent 帮我做了两件事：

1. 根据 Plan 生成的提纲，自动生成报告初稿（我提供了 Ask 阶段收集的所有素材）。
2. 对初稿进行格式检查，确保符合我的全局规则（标题层级、表格对齐、代码块标注）。

最终我拿到了一份 80% 完成度的报告，我只需要补充一些团队内部的实际情况和最终决策即可。整个过程从原来的两天缩短到半天。

4.2 流水线的关键：每一步的输出都是下一步的输入

这条流水线能跑通的核心在于信息不丢失。Ask 阶段的结论要整理成结构化文本，Plan 阶段要基于这些文本生成计划，Agent 阶段要基于计划执行。很多人用不好，是因为每一步都重新开始，信息断了。

我的做法是：在 Ask 阶段结束时，让 workbuddy 帮我总结一份“关键结论清单”；在 Plan 阶段结束时，让它输出一份“执行清单”；在 Agent 阶段，直接把这两份清单作为输入。这样整条线是连贯的。

4.3 什么时候该跳过某个阶段

不是所有任务都需要走完整流水线。我的经验是：

• 简单任务（比如查一个 API 用法）：只用 Ask。
• 中等任务（比如写一个脚本）：Ask + Agent，跳过 Plan。
• 复杂任务（比如技术调研、方案设计）：走完整流水线。

判断标准很简单：如果你自己都说不清楚要做什么，就先走 Plan；如果你说得很清楚但不想动手，直接上 Agent。

5. 那些让我效率翻倍的 workbuddy 使用技巧

5.1 技巧一：用“角色设定”让回答质量提升一个档次

workbuddy 默认的回答风格是中性的、通用的。但如果你在对话开头给它一个角色设定，回答质量会明显提升。比如：

“你是一个有十年经验的后端架构师，擅长高并发系统设计。现在我要问你一个关于消息队列的问题……”

对比一下，不加角色设定的回答往往是“教科书式”的，加了角色设定之后，它会给出更多实战经验和权衡建议。这个技巧在 Ask 模式下尤其有效。

我常用的角色设定包括：

• 技术方案评审：资深架构师
• 代码审查：严格的技术负责人
• 文档写作：技术文档工程师
• 问题排查：运维专家

5.2 技巧二：用“反向提问”让 workbuddy 帮你查漏补缺

大多数人用 AI 是“我问它答”。但有一个更高级的用法：让它反过来问你。比如：

“我要做一个用户行为分析系统，你作为架构师，觉得我应该考虑哪些问题？请列出你需要我回答的问题清单。”

它会列出一堆你可能没想到的问题：数据量级、实时性要求、存储周期、隐私合规、查询模式……你逐个回答之后，它再基于你的回答给出方案。这样出来的方案，比直接问“帮我设计一个用户行为分析系统”要靠谱得多。

5.3 技巧三：用“分步确认”避免 Agent 跑偏

Agent 模式最大的风险是“跑偏”——你让它做 A，它做着做着跑去做 B 了。我的应对方法是分步确认：把一个大任务拆成几个小步骤，每完成一步让它停下来，你确认后再继续。

比如让 Agent 帮我重构一个模块，我会这样拆：

1. 第一步：分析现有代码，列出重构点。（完成后我确认）
2. 第二步：按重构点逐个修改，每改一个停下来。（我逐个确认）
3. 第三步：运行测试，报告结果。（我确认）

这样虽然多几次交互，但避免了它一口气改完然后你发现方向全错了的灾难。

5.4 技巧四：用“上下文压缩”处理长对话

workbuddy 的上下文窗口是有限的（具体大小取决于你用的模型版本）。当对话很长时，它会开始“遗忘”前面的内容。我的做法是：每 10 轮左右，让它总结一次当前的关键结论，然后开一个新会话，把总结作为起点。

这个操作看起来麻烦，但实际上节省了大量“它怎么又忘了”的纠错时间。我一般会在总结里包含：已确认的结论、待解决的问题、下一步计划。

5.5 技巧五：把常用 Prompt 存成模板

我把自己常用的几类 Prompt 存成了模板，用的时候直接改几个参数就行。比如：

• 代码审查模板：角色 + 审查维度 + 输出格式
• 方案评审模板：背景 + 候选方案 + 评估维度 + 输出要求
• 文档生成模板：目标读者 + 文档类型 + 结构要求 + 风格要求

这些模板我放在一个 Markdown 文件里，用的时候复制粘贴，改几个关键词。比每次重新组织语言快得多。

6. 踩过的坑和对应的解决方案

6.1 坑一：Agent 执行中断，报错“execution terminated due to error”

这是我最常遇到的错误之一。原因通常有三种：

1. 任务太复杂：Agent 试图一次性完成太多步骤，中间某一步失败了。
2. 权限不足：Agent 需要访问某个文件或执行某个命令，但权限不够。
3. 网络问题：调用外部 API 时超时。

我的解决方案：

• 把大任务拆成小任务，逐个执行。
• 提前检查文件和目录权限，确保 Agent 有读写权限。
• 对于网络相关的操作，设置合理的超时时间，并让 Agent 在失败时重试。

注意：如果 Agent 反复在同一个地方失败，不要一直重试。停下来，检查那一步的输入和输出，大概率是某个前置条件没满足。

6.2 坑二：规则设置了但不生效

我遇到过好几次“明明设置了全局规则，但 Agent 就是不遵守”的情况。排查下来，原因通常是：

• 规则文件路径不对（项目规则必须放在项目根目录的指定位置）。
• 规则之间有冲突（全局规则和项目规则矛盾时，项目规则优先）。
• 规则描述太模糊（“代码要写得好”这种规则等于没写）。

解决方案：规则要具体、可验证。比如“代码注释率不低于 20%”比“代码要有注释”好得多。另外，设置完规则后，跑一个测试任务验证一下，确保生效。

6.3 坑三：Ask 模式下回答越来越“水”

长对话之后，回答质量下降是常见问题。我的应对策略：

• 定期开新会话，把关键结论带过去。
• 在提问时明确说“请基于以上所有对话内容回答”，强制它回顾上下文。
• 如果还是不行，换一个角度重新提问，有时候换个问法就能激活它的“记忆”。

6.4 坑四：Plan 模式给出的计划太“教科书”

Plan 模式有时候会给出非常泛的计划，比如“第一步：需求分析；第二步：方案设计；第三步：开发实现”。这种计划没有实操价值。

解决方案：在输入里加入约束条件。比如“团队只有三个人”“预算不超过五万”“两周内必须上线”。约束越具体，Plan 越接地气。

7. 进阶玩法：把 workbuddy 和其他工具串起来

7.1 workbuddy + 版本控制：自动生成提交信息和变更日志

我现在的习惯是：每次提交代码前，让 workbuddy 看一下 Git diff，自动生成提交信息。格式我定好了：

类型(范围): 简短描述 详细说明： - 改动点 1 - 改动点 2 影响范围：xxx 测试建议：xxx

这个操作每次节省我 2-3 分钟，一天提交五六次，就是十几分钟。更重要的是，提交信息质量上去了，后面查历史记录方便很多。

7.2 workbuddy + 项目管理：自动同步任务状态

我让 workbuddy 每天下班前做一件事：读取我当天的 Git 提交记录和文档修改记录，自动更新项目管理工具里的任务状态。这个操作通过 Agent 模式实现，它调用 API 完成更新。

虽然配置起来花了一点时间，但每天节省了手动更新任务状态的时间，而且不会漏更新。

7.3 workbuddy + 知识库：把常用结论沉淀下来

我建了一个本地的 Markdown 知识库，每次 workbuddy 给出有价值的结论，我就让它自动追加到对应的文件里。比如“消息队列选型结论”“前端监控方案对比”“API 设计规范”等。

时间长了，这个知识库就成了我个人的“第二大脑”。新项目遇到类似问题时，先查知识库，查不到再问 workbuddy。

8. 关于 workbuddy 国际版和 Linux 版的一些实际体验

workbuddy 国际版和国内版在核心功能上基本一致，主要差异在于可用的模型和部分网络相关的配置。如果你在 Linux 环境下使用，安装过程比 Windows 稍微多几步，主要是依赖库的安装。我在一台 Ubuntu 机器上跑过，整体体验和 Windows 版没有明显差别。

Linux 版有一个额外的好处：更容易和命令行工具集成。比如你可以写一个 shell 脚本，把 workbuddy 的 Agent 模式嵌进去，实现自动化的代码审查、日志分析等。我目前跑通了一个“提交前自动审查”的脚本，每次 Git commit 之前自动触发 workbuddy 检查代码，不通过就阻止提交。

这个脚本的核心逻辑很简单：

#!/bin/bash # 获取暂存区的 diff DIFF=$(git diff --cached) # 调用 workbuddy 审查 RESULT=$(workbuddy agent --task "审查以下代码变更，检查命名规范、潜在bug、日志缺失：$DIFF") # 如果审查不通过，阻止提交 if echo "$RESULT" | grep -q "不通过"; then echo "代码审查未通过，请修复后再提交" exit 1 fi

这个脚本我用了两周，帮我拦下了好几个低级错误，比如忘记加日志、变量命名不规范等。

9. 我对“让 AI 成为工作日常”这件事的真实体会

用了三周 workbuddy 之后，我最大的感受不是“效率提升了多少倍”这种数字化的东西，而是工作节奏变了。以前我一天的时间分配大概是：30% 查资料、40% 写代码/文档、30% 沟通协调。现在变成了：20% 查资料、50% 写代码/文档、30% 沟通协调——看起来只是 10% 的转移，但实际体验完全不同。

因为那 10% 的查资料时间，从“我自己翻文档、搜论坛、试错”变成了“我问 workbuddy，它给我整理好的结论，我验证一下”。这个转变带来的不仅是时间节省，更是心理负担的减轻。以前遇到不熟悉的技术问题，第一反应是“又要花时间研究了”，现在第一反应是“先问问 workbuddy 怎么说”。

另一个体会是：规则比技巧重要。我花在设置规则上的时间大概有两个小时，但这两个小时带来的回报是后续所有任务的质量一致性。没有规则的时候，我每次都要检查它的输出是否符合要求；有了规则之后，大部分输出直接可用，我只需要做最终把关。

最后分享一个小习惯：我每天下班前会花五分钟，把当天 workbuddy 帮我解决的问题、给出的好结论、以及我调整过的规则记录下来。这个习惯让我不断优化自己的使用方式，也让我对“哪些任务适合交给 AI、哪些必须自己做”有了越来越清晰的判断。这个判断力，我觉得才是用好 AI 工具的真正门槛。