WorkBuddy新手教程：零基础上手AI Agent数字员工

WorkBuddy是什么：能替你动手的AI数字员工

如果你用过ChatGPT、文心一言这类对话式AI，可能已经习惯了「你问一句、它答一句」的模式。这类传统大模型擅长回答问题、分析内容和提出建议，但真正落地执行时，还是要你自己动手去操作。

WorkBuddy^广告走的是另一条路线。B站UP主在系列教程中将它定位为「Codex的国内平替版」，本质上是一款可以直接在你电脑里干活的AI Agent（人工智能体）。它能在你确认和授权的范围内，把任务推进到最终结果——写方案、做表格、分析数据、生成海报、开发软件，甚至接管你的浏览器和办公软件。

举个最简单的例子：面对一篇排版杂乱、符号混用、格式不统一的文档，传统AI会告诉你「应该怎么统一格式」，但操作还得你来；而WorkBuddy会直接找到桌面上的文件，自动完成美化排版，你只需要发送指令、等待结果。这就是AI Agent与传统大模型的核心区别。

为什么建议新手从WorkBuddy这类工具入门

同样是AI Agent，Codex这类海外工具自由度高，但需要用户具备理解代码、配置环境、调用工作流的技术基础，门槛偏高。而WorkBuddy在几个维度上对新手更友好：

• 安装简单：打开浏览器搜索产品名，下载安装即可，不需要复杂的网络环境和配置；
• 连接器丰富：内置连接器可以授权对接企业微信等常用办公软件，让AI在允许范围内参与实际工作流；
• 成本亲民：注册即送积分，每天还能领取额度，轻度使用者基本能覆盖日常任务，无需像海外产品那样必须付费才能发挥价值；
• 技能与专家生态：内置中文Skill市场，常见能力可一键安装；还有对应不同岗位的「专家」，相当于随取随用的数字员工。

对预算有限、又想低成本获得一个「数字员工」的个人和企业来说，这种兼容国内办公场景、部署门槛低的方案确实更实际。

AI Agent（智能体）与普通大模型的根本区别在于「感知-决策-执行」的闭环能力。传统大模型只负责「决策」环节——给出文字形式的建议或答案；而Agent还额外具备感知环境（读取文件、访问浏览器、调用外部API）和执行动作（创建文件夹、填写表单、点击界面元素）的能力。这种能力通常依赖「工具调用（Tool Use）」机制实现：底层大模型在推理时可以选择调用一系列预定义工具，每次工具返回结果后继续推理，直到任务完成。这一循环过程也被称为ReAct（Reasoning + Acting）框架。正因为Agent可以主动操作计算机，安全边界的设计就变得至关重要——WorkBuddy的「允许完全访问」开关正是这一安全考量的体现：关闭后，Agent在执行敏感操作前会显式向用户请求确认，避免误操作。

安装与第一个实战任务：整理杂乱文件夹

下载安装的流程非常直观：打开浏览器搜索WorkBuddy，进入官网后根据系统选择Mac或Windows版本，下载后双击安装即可。作为国内产品，界面功能和用法都标注得比较清晰，默认赠送2000积分，足够新手用上一段时间。

界面可以拆成三块理解：

• 左侧是快速入口，包含项目、专家等模块；
• 中间是工作区，所有指令都在这里发送；
• 右侧是结果预览区，生成的成果可直接浏览。

第一个实战任务是整理文件夹。操作前先选择目标空间（那个杂乱的文件夹），然后用自然语言下达要求，比如「按照日期和分类整理文件夹内容」。WorkBuddy会展示思考和执行过程：先盘点文件夹里的小说文稿、视频、图片、教学课件以及修改日期，再按分类建立带命名的子文件夹并归档。

一个值得关注的安全细节：界面里有「允许完全访问」的权限开关，建议保持关闭。不打开的情况下，涉及敏感操作时它会主动询问你是否确认，相对更安全。整个文件整理任务在演示中仅消耗了9个积分。

操作流程可以归纳为四步：打开软件 → 输入任务 → 选择项目 → 拿到成品。

三种工作模式：什么任务用什么模式

WorkBuddy提供三种工作模式，可以理解成三类不同工作习惯的员工，在界面顶部可直接切换。

默认模式（执行模式）

最常用的模式，适合简单且明确的任务，直接动手操作，比如整理文件夹。它还带一个「增强提示词」功能，点击后会自动优化你的指令，让结果更规范，对新手很友好。

计划模式（Plan）

适合复杂任务。它会先向你提问、规划任务，等你确认后再执行。比如让它「做一个游戏网站」，它会先追问网站类型、主题等细节，逐步生成完整计划，你确认无误后再开始执行。

问答模式（Ask）

最接近传统AI的模式，只回答不动手。不同的是它能读取本地文件，比如问「这个文件夹里有多少个素材」，它会直接读取并给出答案（文稿15个、图片10个、视频9个）。它消耗积分最少，适合查资料、读本地文件、分析数据这类简单问答。

选择逻辑很清晰：简单问答用Ask（省积分且不动文件），需要动手操作用默认模式，复杂任务用Plan。如果简单任务硬用默认或计划模式，只会白白消耗更多积分。

这三种模式在AI Agent领域对应着两种经典的任务规划策略。默认模式和Ask模式属于「单步/直接执行」，适合任务边界清晰、无需动态调整的场景；而Plan模式对应「先规划后执行（Plan-and-Execute）」范式——Agent先生成一份结构化的步骤列表，经用户审核后再逐步执行，中间可以插入人工反馈。这种分阶段的方式在处理多步骤、跨工具的复杂任务时能显著降低出错率，因为每一步的目标在执行前已被明确定义。「增强提示词」功能则属于提示词工程中的「自动优化（Prompt Optimization）」技术，系统会将模糊的自然语言指令扩写为包含约束条件、格式要求和边界说明的结构化提示，从而减少模型的歧义理解，尤其对缺乏提示词撰写经验的新手帮助明显。

多模态能力：从生成绘本到合成短视频

WorkBuddy的多模态能力可以概括为「什么都能干」——文档、图片、视频、PPT全部覆盖。界面提供了文档处理、幻灯片生成、图片生成、视频生成等常用入口。

教程演示了一个完整案例：制作一部《卖火柴的小女孩》主题的儿童绘本短视频。

第一步生成绘本图片：在设计创意入口选择设计风格，给出指令「设计几张儿童绘本插画」，设置16:9比例，并让它优化提示词。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）等要求，生成结果更精准。生成的绘本图片建立在右侧画板中，多余文字可以让它直接去掉，独立元素还能用选择工具单独调整，所有图片自动保存在同一文件夹。

第二步图片转视频：通过拖拽或@工作空间的方式调用刚生成的图片，下达「根据这些图片生成绘本短视频」的指令，并让它自动添加转场切换、文字旁白、适配横屏播放。最终渲染出一段25秒的绘本动画短视频，字幕由AI自动生成，后续还能对话补充旁白等修改。

这里的核心经验只有一条：学会用自然语言沟通，把提示词写得越详细越好。无论是文档、PPT还是图片视频，平台大多提供案例模板，替换里面的内容即可快速上手。

「多模态」指模型能同时理解和生成文本、图像、音频、视频等不同类型的数据，而不局限于单一的文字输入输出。WorkBuddy在这里实际上是以「工作流编排」的方式串联了多个专项模型：图片生成环节调用的是文生图模型（类似Stable Diffusion或国内同类模型），视频生成环节则调用图生视频模型（类似Runway Gen系列或国内的即梦、可灵等）。这类「模型组合调用」是当前AI Agent产品的主流技术路线——每个专项模型负责自己最擅长的模态，由Agent层负责任务拆解、参数传递和结果整合。正因如此，最终效果的上限由各底层模型的能力决定，而提示词的质量则直接影响参数能否被正确传递给对应模型，这也解释了为什么教程反复强调「把提示词写得越详细越好」。

上手建议：别让工具躺在收藏夹里

综合这套教程的思路，WorkBuddy这类国产AI Agent的价值在于把「AI建议」变成了「AI执行」，用较低的门槛和成本让普通用户也能拥有一个可授权、可控制的数字员工。

对新手来说，最有效的学习方式是边看边做：先跑通文件整理这类简单任务建立信心，再理解三种模式的适用场景以避免积分浪费，最后尝试多模态创作。工具的能力上限往往取决于你提示词的清晰度，而不是它本身。教程后续还会深入讲解专家、技能、连接器等核心玩法，这些才是把WorkBuddy真正用出生产力的关键。