WorkBuddy全流程教程：从零搭建AI办公自动化智能体

WorkBuddy 被不少用户称作 Codex 的国内平替版本——一台能帮你自动干活的 AI 数字员工。它的门槛极低，无需特殊网络环境，也不用折腾复杂配置，写方案、做表格、数据分析、做海报、写代码，甚至接管浏览器操控各类软件，都能一键出结果、直接交付成品。B 站 UP 主的这套 198 集系列课程，从安装入门一路讲到智能体搭建与工作流配置，本文提炼其中的核心操作路径。

传统大模型与 AI Agent 的本质区别

在讲具体操作之前，有必要先厘清一个概念。过去几年大家用 AI 的方式基本都是「问一句答一句」：给一段杂乱文档让 AI 统一格式，它会告诉你「怎么做」，但实际操作还得自己手动完成。

WorkBuddy^广告 这类 AI Agent 则不同。把同样的指令发过去，它会自己在桌面上找到那份文档，自动完成格式美化、标题重排、文字统一，你只需要等待任务结束。用 UP 主的话说，传统大模型擅长问答、分析和给建议，而 Agent 的重点是在你确认和授权的范围内，把任务推进到结果——它不只是你说一句它回一句，更像一名替你安排的数字员工，能够操纵电脑、调用工具、直接完成事情。

据 UP 主演示，类似的 Agent 产品还有 Codex 等，它们的共同特征是能直接上手操作。之所以建议新手从 WorkBuddy 这类工具起步，主要基于三点对比：上手难度低（浏览器搜索产品名即可下载安装）、国内工具可直接使用（连接器可对接企业微信等常用办公软件）、使用成本亲民（注册赠送积分，每日可领，轻度使用基本够用）。此外，内置的中文 Skill 市场支持一键安装常见能力，专家模块则相当于不同岗位的数字员工，可直接调用。

Agent 的技术本质在于「工具调用」（Tool Use / Function Calling）与「任务规划」的结合。传统大模型的输出是 token 序列，止步于文本；而 Agent 通过一套控制循环（通常称为 ReAct 模式：Reasoning + Acting），把「思考—行动—观察」串成闭环：模型先判断下一步该做什么，生成结构化的工具调用请求，由运行时环境真正执行（读文件、点鼠标、发请求），再把执行结果回灌给模型继续推理，直到任务完成。这意味着模型从「生成答案」升级为「驱动进程」，也意味着权限边界、操作审计和失败回滚成为产品设计的核心问题。

积分与计费机制是理解 Agent 使用成本的关键。由于每次循环都涉及多轮模型调用与工具执行，Agent 完成一个任务的 token 消耗往往数倍于单轮问答，平台因此倾向于用「积分」这类抽象单位呈现成本，背后通常按模型调用量、任务复杂度或执行时长折算。这也是文中强调「简单查询任务用 Ask 模式更省积分」的原因：降低不必要的循环次数即可显著压低消耗。

多模态生成中的提示词优化并非简单的同义改写，而是由模型把口语化需求重组成包含主体、场景、构图、风格、光照、比例、参考媒介等结构化要素的专业描述。它本质上是让模型先做一次「需求翻译」，把模糊意图转成文生图/文生视频模型更易解析的指令，因此在插画、视频等场景下对生成质量的提升尤为明显。

安装与界面：三步跑通第一个任务

安装流程非常简单：浏览器搜索 WorkBuddy，进入官网选择对应版本（Mac 或 Windows），下载后双击安装即可。注册默认赠送 2000 积分，足够使用相当长时间。

界面分为三大区域：左侧是快速入口（项目、专家等模块的跳转），中间是工作区（所有指令在此发送），右侧是预览区（生成结果可直接查看）。实际操作可归纳为四步：打开软件、输入内容、选择项目、拿到成品。

第一课的实战任务是整理一个杂乱的文件素材夹。操作时先选择目标空间，再输入要求「按日期和分类整理文件夹内容」，点击发送后即可看到它的思考过程与执行过程。这里有个安全细节值得注意：权限设置中「允许完全访问」不要轻易打开，保持关闭状态下，涉及敏感操作时它会主动询问你是否允许，相对更安全。

UP 主的演示中，整个整理过程仅消耗 77 个积分，完成后的文件夹按图片、素材、场景等类别清晰归档，每个子文件夹都可点进去查看。

三种工作模式：什么任务用什么模式

WorkBuddy 提供三种工作模式，可以类比为三种不同风格的员工：有人埋头苦干，有人先对接需求再动手，有人只回答问题不动手。

默认模式（执行模式）：最常用，适合简单且明确的日常任务，直接手动操作完成。下方还提供「增强提示词」功能，点一下即可优化指令表达，对新手相当友好。

计划模式（Plan）：适合复杂任务。发出需求后它会先反问细节——比如做游戏网站，它会先问你想做什么类型、用什么主题，经过几轮确认后给出一份完整计划，你确认无误再开始执行。

问答模式（Ask）：最接近传统 AI 的形态，区别在于它能读取本地文件。比如直接问「这个文件夹里一共有多少素材」，它会读取文件后给出文檔、图片、视频素材的具体数量。这类简单直白的任务交给 Ask 模式即可，用默认模式属于大材小用，会消耗更多积分。

选择逻辑很清晰：简单明确的任务用默认模式，复杂任务用计划模式，纯查询类用问答模式。

多模态实战：从绘本图片到短视频

多模态能力意味着什么都能干——不只是生成文档，图片、视频同样能处理。界面中提供文档处理、PPT 生成、设计创意、视频生成等常用入口。

UP 主演示了一个完整链路：先让 AI 设计一组儿童绘本插画，主题是《卖火柴的小女孩》，比例设为 16:9，并用「优化提示词」功能丰富描述。优化后的提示词会明确关键场景、色彩风格（柔和温暖、适合低龄儿童绘本）和叙事性要求，生成结果明显更准确。

生成后的画板支持局部修改——比如框选画面中不想要的文字，发送指令即可去掉；元素独立分开，可用工具自由选择；图片会统一保存在文件夹中，也支持链接分享。接着把这些图片拖入新项目或直接 @ 对应工作空间，让 AI 生成绘本短视频，它同样会先优化提示词（适配横屏播放等），再渲染出带转场效果的动画短片。

这一课的核心只有一句话：无论图片、视频还是文档，关键都在于把提示词写得足够详细，用自然语言反复沟通、反复修改。

专家、专家团与技能：一个人成为一家公司

从第五课开始进入 WorkBuddy 的核心玩法：专家、技能、连接器三大能力。

专家相当于具体岗位的员工。选择「生活助手」可一键领优惠券，选择「高级开发工程师」则调用具备十年以上全栈经验的数字角色，把需求发给它就能直接产出代码。

专家团则是一个完整团队。以软件开发团队为例，团队里包含产品经理定制需求、架构师设计拆解任务、工程师实现代码、QA 验证质量。UP 主演示了用它开发贪吃蛇游戏的全过程：AI 先创建团队，再完成代码，然后验收交付——这个流程和真实工作流几乎一致。过程中你随时可以打断、调整方向，最终只消耗少量积分，产出的游戏支持方向键操控、吃到食物变长，界面完成度不错。

技能（Skill） 可以理解为已经训练好的专业工具或工作能力，平台内置了中文 Skill 市场，常见能力一键安装。连接器则是授权 AI 使用某个软件或服务的入口，比如授权企业微信后，它可以协助回复信息，或结合聊天记录整理文档。这两部分在系列课程后续还有专门讲解。

多智能体（Multi-Agent）协作是「专家团」背后的技术范式。其核心是角色分工与消息传递：每个智能体拥有独立的系统提示、可用工具集与职责边界，产品经理 Agent 负责澄清需求并产出需求文档，架构师 Agent 依据文档拆解任务，工程师 Agent 实现代码，QA Agent 执行验收。协调者负责编排顺序、汇总产物、在冲突时决定以谁为准。这种架构的优势是每个环节上下文更聚焦、职责更清晰，缺点是链路过长会放大误差累积与积分消耗，因此实际产品往往在团队规模与任务复杂度之间做取舍。

MCP（模型上下文协议） 是当前连接器类能力的通用底座。它由 Anthropic 于 2024 年底提出，用统一的方式把外部数据源与工具接口暴露给模型，使同一个 Agent 可以接入不同厂商的软件、数据库、内部系统，而不必为每个服务单独写适配。文中提到的「授权企业微信后协助回复信息」正是这一思路的落地：连接器负责鉴权与协议适配，模型只看到标准化的工具描述。理解这一点，也有助于判断一款 Agent 产品生态扩展能力的上限。

给入门者的几点判断

这套教程传递出的一个观点值得琢磨：提示词本身只是想法和建议，建议不值钱，执行才值钱。Agent 类工具的价值，正在于把想法直接变成实际操作。对于大多数入门用户来说，选择一个易部署、兼容国内办公场景、成本可控的 AI Agent，是用较低成本获得一名数字员工的务实起点。至于 Codex 这类自由度更高的工具，需要理解代码逻辑与工作流调用，更适合有技术基础的玩家。