WorkBuddy 实战:用 Skill 技能玩转 AI Agent 办公自动化

WorkBuddy 通过 Skill、专家、专家团三层能力体系,将 AI 从聊天工具进化为可组合的自动化 Agent。
本文介绍了 WorkBuddy(WorkBody)的核心能力架构:Skill 技能是最基础的执行单元,让 AI 具备发邮件、生成 PPT 等具体能力;专家在技能之上叠加领域经验,形成更贴合业务场景的 AI 角色;专家团则由多个专家协同处理复杂任务。文章以「贪吃蛇游戏文档转 PPT」为实战案例,展示了 AI 真实读取工作空间文件并生成结构完整演示文稿的能力,同时指出首次生成结果往往需要多轮人工调整。对零基础用户,建议从办公三件套相关 Skill 入手,逐步过渡到专家与专家团,并善用增强提示词打磨输出质量。
WorkBuddy 的灵魂不在工具本身,而在 Skill
很多人第一次上手 WorkBuddy广告(视频中称 WorkBody)后觉得「不过如此」,问题往往出在没有真正调用它的核心能力——Skill 技能。这款被点名为战略级的产品,真正的想象空间来自可以挂载各种「神级 Skill」,让 AI 从一个聊天工具进化为能实际干活的 Agent。
据 B站该系列课程 UP 主的讲解,Skill 本质就是「技能」,可以理解为赋予 AI 一种具体的执行能力。比如发送邮件的能力、操作 PPT 的能力,都属于 Skill 的范畴。这些能力并非凭空而来,而是通过持续训练沉淀出来的可复用模块。

从产品架构角度来看,WorkBuddy 所说的 Skill 与当前 AI Agent 领域中「工具调用(Tool Use)」的概念高度对应。大语言模型本身只能生成文本,而通过将外部工具封装为可调用的 Skill,AI 得以突破纯文本生成的边界,真正操作文件、发送邮件或读写数据库。这种设计思路与 OpenAI 的 Function Calling、Anthropic 的 Tool Use 如出一辙——本质上都是让模型在推理过程中决定「何时调用什么能力」。WorkBuddy 的差异化在于将这些能力以「技能库」的形式产品化,让非开发者也能通过点击安装而非编写代码来扩展 AI 的执行边界。
如何安装与调用 Skill
在 WorkBuddy 中,打开「技能」面板就能看到一系列常用能力,例如 PPT 演示文稿这一项,安装后即可让 AI 具备创建、读取、编辑 PPT 的能力。安装流程很简单:进入技能库点击安装,完成后就能在对话中调用。
调用方式相当灵活,视频中演示了三种路径:一是直接按「/」键唤出技能列表;二是通过对话框旁的「加号」选择对应技能;三是加载本地技能。上一节课讲到的「专家」也在同一位置调用。这种统一的入口设计,降低了零基础用户的上手门槛。

实战演示:从 HTML 游戏到项目展示 PPT
课程用一个具体案例展示了 Skill 的实际效果。UP 主选取了之前做好的「贪吃蛇(贪吃毛毛虫)」游戏文档,指令是把这个游戏做成一份项目展示 PPT,并在发送前用「增强提示词」功能优化了一遍描述。
AI 会真实读取工作空间里已完成的贪吃蛇 HTML 文件,并据此生成 PPT。成品首页放的是游戏运行截图——说明它确实「看」过了这个游戏,而不是凭空编造。后续目录涵盖了项目背景、核心玩法、主要功能、技术要点、开发难点以及总结,结构相当完整,文案也基本由 AI 自主撰写。

值得关注的一个实战经验是:AI 首次生成的结果往往不能直接用。UP 主坦言,即便是自己的教学 PPT 也是经过多轮修改的。使用者的核心工作,是把控方向并持续对话调整,比如追加动画需求,AI 都能配合完成。换句话说,Skill 提供的是生产力起点而非终点。

Skill、专家与专家团的区别
课程厘清了三个容易混淆的概念,这也是理解 WorkBuddy Agent 体系的关键。
技能(Skill)
技能让 AI「有能力做某件事」,是最基础的执行单元,比如生成 PPT、发邮件。它解决的是「能不能做」的问题。
专家(Expert)
专家在拥有能力的基础上,还叠加了某个领域的经验,是「懂某个领域的 AI 角色」。一个专家往往可以调用多个技能,因此比单一 Skill 更贴合具体业务场景。
专家团(Expert Team)
专家团由多位专家组成,适合处理需要多角色配合的复杂任务。视频提到,制作贪吃蛇游戏时正是调用了专家团来协同完成——单靠一个 Skill 或一个专家难以覆盖开发全流程。
简单概括:Skill 让 AI 能做事,专家让 AI 懂行业,专家团让 AI 会协作。三者构成了从原子能力到团队协作的完整能力梯度。
这套三层能力体系在 AI Agent 领域有一个更通用的对应框架:Skill 对应「原子工具(Atomic Tool)」,专家对应「单智能体(Single Agent)」,专家团则对应「多智能体系统(Multi-Agent System)」。多智能体协作的核心价值在于任务分解与并行处理——复杂项目(如开发一款完整游戏)可以拆分为需求分析、代码编写、测试验证等子任务,由不同专家并发执行,最终由协调者汇总结果。这种架构能显著提升处理复杂、跨领域任务的效率,但同时也对任务编排和上下文传递提出更高要求,这也是为什么视频中强调专家团更适合「全流程开发」而非简单的单步操作。
给零基础用户的落地建议
这套课程强调「边看边做」,而非把工具留在收藏夹吃灰。对想上手 AI Agent 自动化的用户,可以遵循几个路径:先从办公三件套(Excel、Word、PPT)相关的 Skill 入手,因为需求高频、反馈直观;再逐步尝试专家和专家团,处理更复杂的组合任务;最后善用「增强提示词」和多轮对话,把 AI 的输出打磨到可交付水平。
据介绍,该系列还配套整理了一份蓝皮书,覆盖安装说明、案例拆解、Skill 定制及行业应用四大模块,并附有 12 个常用 Skill。对入门者而言,这类结构化资料能显著缩短试错周期。整体来看,WorkBuddy 的价值不在于「一句话生成一切」,而在于把 AI 能力模块化、可组合,让普通办公用户也能搭建属于自己的自动化工作流。
相关推荐

12GB显卡跑Qwen3.8-Flash-Next:自研引擎实现65 tok/s
开发者用自研Strata推理引擎在12GB RTX 5070上运行Qwen3.8-Flash-Next,输出速度达65 tok/s,比llama.cpp提升近4倍。附完整量化性能数据、硬件配置与开源地址。

Qwen模型的"话痨"陷阱:AI推理停不下来的失控现象
Reddit热帖调侃Qwen模型陷入"永远准备行动却从不执行"的推理循环,本文解析推理型大模型在Agent场景中的话痨陷阱、失效原因及对AI Agent开发的启示。

Critic:让写代码的AI Agent来审查自己的代码
Hacker News上的Show HN项目Critic提出让编写代码的AI Agent审查自己写的代码。本文分析这一反直觉思路的价值、局限,以及AI代码审查环节自动化的行业趋势。