企业官网建设流程全解析

过去大半年，我一直在尝试一件事：让 AI 真正替我干活，而不是陪我聊天。

起因很俗——团队里每周要出一份竞品分析周报，流程基本是：开三四个浏览器标签，分别查官网、看文档、翻更新日志，再把内容手动汇总成一份 Word。我尝试过让 AI 来干，结果发现 AI 确实能写出像模像样的内容，但每周"人去整理上下文、人工按按钮、手动搬数据"的环节一个都没少。AI 在我这儿，充其量是个打字速度极快的实习生，而且每次交接都得把背景从头讲一遍。

后来我开始系统性地研究 WorkBuddy。这是一款面向个人与团队的 AI Agent 工作台，核心定位是把大模型从聊天框里解放出来，变成能接管完整业务流程的"干活同事"。它支持自定义 Skill、本地部署、任务编排、与现有系统打通。这篇文章就是一份从零到一的上手指南，适合已经用过 ChatGPT 或 Claude、但对"AI 自动化"还停留在听说阶段的开发者，也适合团队里想降低重复劳动的技术负责人。

先说清楚一件事：WorkBuddy 不是又一个聊天网站，它解决的是"AI 只能聊天，不能干活"这个最让人头疼的问题。

1. 为什么 AI 一直停在"聊天"阶段，WorkBuddy 想解决什么问题

1.1 聊天式 AI 的三个结构性缺陷

我用了一年多各种 AI 聊天工具，最大的感受是：它们能帮我想，但不能替我办。问题出在三个地方。

上下文碎片化。每次开一个新对话，AI 就失忆了。你必须重新交代"我是谁、我在哪个项目、这个项目的背景是什么、上次我们已经讨论到了哪一步"。更麻烦的是，AI 的回答天然不稳定，同样的问题换个问法，结果千差万别。你想让它按一个固定流程干活，结果每次都像在面试新员工。

流程靠人肉衔接。聊天式 AI 只负责"出主意"，真正执行的人还是你。让它写一封邮件，它写完了，你得复制粘贴到邮箱；让它分析一份报表，它分析完了，你得手动下载附件再传给同事。AI 负责动嘴，所有跑腿的活全落在人身上。

输出无法沉淀。聊天记录会过期，会找不到，也没法自动化处理。今天让 AI 生成的日报模板，明天想改个格式，只能重新聊一遍。它做的所有工作，都没有变成你团队里可复用的资产。

这些缺陷叠加起来，就形成了一个尴尬局面：AI 用起来很热闹，但工作流程一点没变轻。

1.2 WorkBuddy 的解题思路：把"对话"改造成"任务流"

WorkBuddy 给出的方案，是把 AI 的使用方式从"对话"升级为"任务流"。

普通聊天是你出题、AI 答题；任务流是你定目标、AI 跑完整条链路。比如"生成周报"这个动作，聊天式 AI 的做法是你每次手动说"根据这些内容帮我写周报"，WorkBuddy 的做法是让你定义一个 Skill，把输入参数（代码仓库路径、时间范围、模板格式）、处理逻辑（拉取提交、抓取竞品动态、让大模型总结）、输出动作（写入 Markdown 文件、推送到群机器人）全部封装起来。以后只需要一句话，或者干脆设定一个定时器，让它自动执行。

WorkBuddy 里最核心的抽象有三个：Skill（技能）、任务流、上下文。

Skill 可以理解成给 AI 的一份岗位说明书，里面写清楚了它的职责范围、输入输出格式、执行步骤。任务流则是把这些 Skill 串起来的业务流程，可以按时触发，也可以被外部事件唤醒。上下文管理解决的是"AI 失忆"问题——WorkBuddy 会把中间状态、历史记录、项目知识保存下来，让每个 Skill 在运行时都能拿到该拿的信息。

1.3 它和 CodeBuddy、普通聊天工具不在一个维度

很多朋友问我和 CodeBuddy 有什么区别。简单说，CodeBuddy 偏重代码场景，解决的是"怎么写代码"的问题；WorkBuddy 偏重工作流场景，解决的是"怎么把活干完"的问题。两者可以配合使用，CodeBuddy 帮你更快产出代码，WorkBuddy 帮你把这些代码跑进自动化流程里。

我整理了一张对比表，可以直观看到差异：

看完这张表，你应该能明白 WorkBuddy 不是来抢 AI 聊天工具饭碗的，它解决的是更靠后的环节：怎么让 AI 的输出真正对接到你现有的工作流里。

2. 部署与激活：从环境准备到跑通第一个任务

2.1 先说环境

WorkBuddy 这类工具，本质上是跑在机器上的一个后台服务，所以我的建议是：开发调试放本机，生产使用放服务器。如果你在 Linux 服务器上跑定时任务，会非常省心；如果只用 Windows，建议装好 WSL2 再操作，否则很多命令行工具和脚本都会有兼容性问题。

安装前先检查一下基本环境，至少需要 Python 3.10 以上、Node.js 18 以上。如果你的后端准备走 Java 那一套，还需要 JDK 17。检查命令很简单：

python3 --version node -v java -version

哪个版本低了，先去补齐，不然后面跑 Skill 脚本的时候各种报错会让人崩溃。

2.2 安装三步走

WorkBuddy 提供了多种安装方式，最省事的是直接用包管理器装 CLI：

npm install -g @workbuddy/cli

安装完执行初始化：

workbuddy init

初始化命令会创建默认配置目录，并引导你填写模型提供商和密钥。如果你更习惯源码运行，也可以把仓库克隆下来之后用 pip 安装：

git clone <WorkBuddy 仓库地址> cd WorkBuddy pip install -e .

装完验证一下版本号：

workbuddy --version

看到版本号输出，说明主体已经就绪。这时候我还建议顺手执行一句workbuddy skill list，系统会列出一批内置的示例技能。这些示例技能是很好的学习素材，没必要急着删。

2.3 接模型：远程 API 和本地模型两种方案

WorkBuddy 本身不内置大模型，它需要对接一个大模型作为推理后端。目前主流的有两种接法。

第一种是接远程 API。如果你已经在用 OpenAI 兼容接口的模型服务，直接在配置里填好就行。我用的方式是设置环境变量：

export WORKBUDDY_MODEL_PROVIDER=openai-compatible export WORKBUDDY_MODEL_NAME=qwen-plus export WORKBUDDY_API_KEY=sk-xxxx

这里的sk-xxxx只是占位，实际填你自己申请的 API Key。WorkBuddy 支持绝大多数兼容 OpenAI 接口的模型服务商，不一定非得是官方渠道，只要是 OpenAI 兼容协议都能自适应。

第二种是接本地模型。如果你的数据不想出内网，或者你想省掉 API 调用费用，可以用 Ollama 跑本地模型。先在服务器上装好 Ollama，然后拉一个模型：

ollama pull qwen2.5:7b ollama serve

再回到 WorkBuddy，把 provider 设成 local：

export WORKBUDDY_MODEL_PROVIDER=local export WORKBUDDY_MODEL_NAME=qwen2.5:7b

两种方式的取舍我放一张表：

我个人的建议是：先用远程 API 把流程跑通，确认逻辑没问题之后，再评估要不要切到本地模型。一上来就折腾本地部署，很容易被模型效果劝退。

2.4 第一次热身运行

环境都配好之后，跑一个内置的示例技能验证链路：

workbuddy run hello-world --name "Team"

如果一切正常，你会看到这样的过程：WorkBuddy 读取 hello-world 这个 Skill 的定义，把参数拼进提示词模板，调用大模型生成内容，最后把结果写回终端。第一次完整跑通的时候，你会第一次感受到"我在指挥一个自动化流程"而不是"我在和机器人聊天"。

到这里，安装部署就算完成了。接下来要做的，是把 WorkBuddy 的核心概念彻底搞清楚。

3. Skill、任务流与上下文窗口：先弄懂这几个名词再往前

3.1 Skill 是 WorkBuddy 的最小能力单元

Skill 是 WorkBuddy 里最基础、也最重要的概念。我习惯把它理解成"给 AI 的岗位说明书"。

一份岗位说明书会写清楚岗位职责、汇报对象、工作输出，Skill 也是这个逻辑。它里面定义了：

• 这个技能是干什么的（description）
• 需要哪些输入参数（parameters）
• 执行时参考哪些提示词模板（prompt）
• 可能会调用哪些外部脚本或 API（tools）

在磁盘上，一个 Skill 通常是一个目录，结构长这样：

skills/ weekly-report/ SKILL.md scripts/ collect.py render.py

其中SKILL.md是技能的元信息文件，格式类似这样：

--- name: weekly-report description: 根据本周提交记录和竞品动态生成周报 version: 1.0.0 parameters: project_dir: type: string required: true description: 项目代码所在的本地路径 date_range: type: string default: last_week description: 统计周期，支持 last_week / last_month steps: - collect_git_commits - collect_product_news - generate_report ---

为什么要有这么一层封装？因为如果你直接把需求写成一句"帮我生成周报"，大模型每次执行的方式都可能不一样，你没法验证也没法复用。但有了 Skill 之后，参数、步骤、输出格式全被固定下来，这个能力就从一个"随机事件"变成了"标准服务"。

3.2 一条任务流的三个环节

WorkBuddy 里所有任务的执行，都可以归结为三个环节：输入、处理、输出。

输入环节负责收集任务所需的一切素材。可以来自用户手动传入的参数，可以来自定时触发器自动带入的时间范围，也可以来自上一个任务的输出结果。

处理环节是核心，它会调用大模型，也可能配合执行 Python 脚本、Shell 命令，或者调用外部 API。比如要生成日报，处理环节可能是：先用脚本拉取 Git 提交记录，再把这些记录交给大模型提取重点，最后调用渲染脚本生成 Markdown 排版。

输出环节决定了任务结果去哪里。可以写到本地文件，可以推送到企业微信或者钉钉群机器人，也可以调用 Webhook 触发下游系统。

这三个环节缺一不可。很多人在设计任务流时只盯着"让大模型生成什么"，忽略了输入怎么来、输出往哪去，结果任务流跑不起来。

3.3 上下文窗口不等于记忆

大模型的上下文窗口再大，也只是"一次性看完几页纸"，并不代表它能把你的项目背景长期记住。真正支撑 WorkBuddy 跨任务记忆的，是状态管理和外部存储。

WorkBuddy 的通用做法是把任务执行过程中的中间产物落盘。比如上一步生成的临时 JSON、上一次任务的执行结果、用户维护的项目背景文档，都会被存到工作目录或者配置的数据库里。下一个 Skill 执行时，可以主动读取这些内容，而不是让大模型自己"回忆"。

我自己在维护一个项目背景文件project_context.md，里面写清楚团队常用术语、业务逻辑、坑点。每个 Skill 的提示词模板都会引用这个文件。这样一来，AI 每次干活前都会先"读一遍说明书"，稳定性和准确率明显比光靠聊天记忆高得多。

4. 动手写一个可复用的 Skill：从岗位说明书到可调度任务

4.1 Skill 的标准结构

写 Skill 是 WorkBuddy 使用中最关键的进阶能力。一个可复用的 Skill，至少要做到三件事：描述清晰、参数收敛、步骤可执行。

描述清晰，指的是description字段要让模型一眼看懂这个技能什么时候该被调用。参数收敛，指的是只暴露必要的输入项，并且尽量给默认值。步骤可执行，指的是每个步骤要么能调用脚本，要么能触发 API，而不是空泛地写"整理资料"。

4.2 实例：会议纪要整理

我拿一个真实的例子来拆解。团队每周开例会，会上用录音转写工具生成了一份杂乱文本，我写了一个叫meeting-minutes的 Skill 来自动整理纪要。

它的SKILL.md长这样：

--- name: meeting-minutes description: 将会议转写文本整理为结构化会议纪要，包含讨论要点、决策结果、待办事项 version: 1.0.0 parameters: transcript: type: string required: true description: 录音转写的原始文本，通常是口语化的长段落 language: type: string default: zh description: 输出语言，zh 或 en include_action_items: type: boolean default: true description: 是否在纪要中单独列出待办事项 ---

对应的处理脚本是一个简单的 Python 伪代码逻辑：

def render(transcript: str) -> str: # 1. 对转写文本做分段，剔除口头禅和无效信息 chunks = preprocess(transcript) # 2. 将分段结果和提示词模板拼装，调用大模型 prompt = build_prompt( chunks, language="zh", include_action_items=True, ) # 3. 调用 WorkBuddy 内置的 llm 接口 result = llm.chat(prompt) return result

实际运行的效果是：喂进去一段两三千字的转写文本，输出一份几百字的结构化纪要，包含"讨论要点、决策、待办事项"三个部分，待办还会按负责人归类。这个 Skill 写好之后，全团队复用，每周节省的时间至少有四十分钟。

4.3 参数设计最容易踩的三个坑

写多了 Skill 之后，我总结出参数设计的三个高频错误。

第一个错误是参数全是必填。我曾经写过一个数据分析 Skill，定义了六个必填参数，结果每次调用都要翻文档核对字段名，用了一次就没人用了。参数最好是"聪明的默认值"，也就是说，即使什么都不填，它也能基于合理假设干活。

第二个错误是没有默认值且忽略边界条件。比如日期参数，如果不给默认值，模型会自动理解成当前日期，但用户想要的往往是"上一周"或"上个月"。这类基础假设，一定要在 Skill 定义里写清楚。

第三个错误是描述太模糊。参数名是input，描述只写"输入内容"，模型根本不知道该填什么。每个参数都应该像写接口文档一样，写清类型、格式、示例值、边界条件。

4.4 和 Spring AI 等业务系统打通

如果你所在团队的技术栈是 Java，WorkBuddy 的价值会更大。它可以作为 AI Agent 的编排层，和 Spring AI 这类 Java 生态工具打通，把你们已有的业务能力变成可被工作流调用的工具。

思路是这样：后端服务用 Spring AI 把业务方法暴露成 Tool 注解的方法，WorkBuddy 通过标准协议去调用。比如订单查询就是一个典型的工具方法：

@Tool(name = "query_order", description = "按订单号查询订单状态") public String queryOrder(@Param("orderId") String orderId) { return orderService.query(orderId); }

WorkBuddy 不关心这个方法是 Java 写的还是 Python 写的，它只关心能不能通过协议调起来。这样一来，你不需要把业务逻辑迁到 WorkBuddy 里，只需要让工作流能访问你已有的服务接口。我们后来做的一个"每日订单异常巡检"，就是让 WorkBuddy 每天定时调用订单查询工具，拉数据、做分析、输出异常摘要、推送告警，整条链路没有写一行额外的业务代码。

5. 完整实战：搭一个"日报自动生成 + 定时提醒"的个人工作台

5.1 业务拆解

最能体现 WorkBuddy 价值的，是一个能自动跑起来的完整场景。我以"每日工作日报自动生成 + 群提醒"为例，讲一遍完整落地过程。

需求很简单：每天早上 9 点，从 Git 仓库拉取昨天所有提交记录，结合最近的项目动态，自动生成一份日报，并推送到钉钉群。

拆解下来，这件事包含四个动作：

1. 收集：读取指定 Git 仓库的提交记录，找出昨天某个作者或整个团队的提交。
2. 整理：把提交记录按模块分类，过滤掉无意义的 Merge 提交。
3. 生成：将整理后的数据交给大模型，生成一段自然流畅的日报文本。
4. 推送：把生成的日报发送到钉钉群机器人 Webhook。

如果纯靠手工干，每天至少二十分钟。用 WorkBuddy 干完第一次之后，剩下的事情就是每天瞄一眼群消息。

5.2 落地配置

我把整个工作台写进了项目的workbuddy.yaml。配置的核心逻辑是：定义一个定时触发器，每天 9 点执行名叫daily-report的任务；任务内部调用一个自定义 Skill，把结果推到钉钉群里。

version: 1.0 default_model: qwen-plus triggers: daily-morning: type: cron schedule: "0 9 * * *" execute: daily-report skills: daily-report: description: 汇总昨日 Git 提交，生成日报并推送群机器人 inputs: repo: type: string default: "https://git.example.com/team/project.git" timezone: type: string default: "Asia/Shanghai" outputs: - type: file path: "reports/daily-{{ date }}.md" - type: webhook url: "https://oapi.dingtalk.com/robot/send?access_token=xxxx"

这里的{{ date }}是模板变量，WorkBuddy 执行时会自动替换成当天的日期。钉钉机器人地址我做了脱敏，实际配置时换成你们自己群里创建的机器人地址就行。

5.3 从手动跑通到自动定时

配置写完之后，我的习惯是先把定时触发器关掉，手动执行一遍，确认链路是通的：

workbuddy run daily-report --repo "https://git.example.com/team/project.git"

第一次跑通常不会太顺。我遇到的第一个坑是仓库地址权限问题，WorkBuddy 在服务器上拉仓库需要 SSH Key 或者 Personal Access Token，这个不配好的话，Git 拉取会直接卡住。第二个坑是时区问题，服务器默认可能是 UTC 时间，导致"昨天"的提交少算了一批。这个在配置里显式指定timezone: "Asia/Shanghai"之后解决。

手动跑通之后，确认日报内容看着像样了，再把 cron 触发器打开。接下来几天要做的只是观察日志，看看推送有没有失败，内容是否稳定，然后慢慢调提示词模板。

5.4 让日报越用越懂你

日报这类任务，最大的变数不是技术，而是"什么样的内容算好的日报"。不同团队风格差异很大，有的喜欢事无巨细，有的喜欢一句话总结。

我的做法是把团队风格沉淀成一个project_context.md文件，里面写清楚："日报要求以结果为导向，每条提交按'做了什么、为什么做、影响范围'的格式描述；不要写过程细节；语气简洁。"然后在 daily-report 的提示词模板里引用这个文件。

这个文件也是可以维护的资产。每次收到同事"这个日报看不懂"的反馈，我就往里面补一条规则，效果会越来越稳定。这也是我反复强调的：WorkBuddy 的长期价值不在单次生成的惊艳，而在于你能把业务约定不断沉淀进配置里。

6. 避坑清单：这几个问题折腾掉了我不少时间

6.1 以点开头的目录不是垃圾文件

第一次部署完 WorkBuddy，我一度以为安装出了 bug，因为工作目录里多了一个以点开头的文件夹：.workbuddy/。如果你也遇到了，千万别手滑删掉。

这个目录是 WorkBuddy 的配置和状态目录，存放全局配置、日志、任务缓存。类似你可以回想一下~/.ssh、~/.npmrc这些目录，命令行工具都很习惯把配置放在点开头的隐藏目录里。后面你改全局模型、查日志、看任务状态，基本都要到这里找文件。

还有一个小细节：项目根目录下如果也生成了.workbuddy/，记得把它加进.gitignore。这些配置文件里往往包含 API Key 之类的敏感信息，一旦提交到 Git 仓库，后面清理起来极其麻烦。

6.2 权限给得太宽，后台任务会乱跑

WorkBuddy 的 Skill 可以执行脚本、可以访问文件系统、可以调用 API。权限是把双刃剑，给得太宽，后台任务就有可能不受控。

我踩过一次实打实的坑。为了图方便，我写了一个 Skill 用 root 用户跑，结果它的某个文件操作脚本因为一个小 Bug，把目录下所有 Markdown 文件的权限改乱了，修复花了一个下午。从那以后我定了三条规则：生产环境的 WorkBuddy 服务用独立低权限用户运行；Skill 脚本只允许访问白名单目录；任何有删除和覆盖操作的任务，默认先做备份。

你可以通过配置限制可执行命令的范围、设置工作目录、隔离 API 密钥权限。一开始多花十分钟做约束，后面能省几小时收拾烂摊子。

6.3 大模型推理慢导致的任务超时

大模型推理有一个特性：耗时波动非常大。高峰期调用远程 API，一个简单的总结请求等上几十秒很正常。但任务流是有超时时间的，一旦超时，整个任务会被标记失败，后面的重试逻辑也会被触发。

我遇到过最典型的情况是：本地模型没有 GPU 只靠 CPU 跑 7B 参数，一次推理就要一两分钟。如果任务流里连续调三四次大模型，总耗时很容易超过默认超时阈值。解决思路有三个：增大超时配置；把一个大任务拆成几个小任务分步执行；或者干脆给本地模型换成更大显存的 GPU。

成本方面也要注意。远程 API 接入的工作流如果每小时触发一次，每次还要处理大量文本，月底账单会很难看。我的建议是给每个关键任务开日志输出，记录 token 消耗和耗时，连续观察几天再决定要不要优化。

6.4 最大的挑战，其实是怎么改掉"聊天式用 AI"的习惯

说到最后，WorkBuddy 真正难的不是安装和配置，而是心态转变。

我一开始也习惯性地把它当聊天工具用，遇到问题就问一句，AI 答完我就拿走了。这样用了一个月，几乎一点效率提升都没有。后来我才意识到，WorkBuddy 的正确打开方式，是先把自己从"操作员"变成"流程设计者"。你要做的不再是"向 AI 提问"，而是想清楚：这件事的输入是什么、处理逻辑是什么、输出应该长什么样、多久跑一次。思考的单位不再是"一次对话"，而是"一条流水线"。

这个转变说起来容易，做起来需要刻意练习。我后来的习惯是：凡是需要重复三遍以上的操作，都会主动琢磨一下"能不能做成一个 Skill"。哪怕是复制粘贴文件、整理搜索结果这种小事，一旦封装起来，积累下来的时间复利非常可观。

如果你现在还在用 AI 聊天工具做重复性工作，我真心建议花一个周末把 WorkBuddy 完整搭起来，先从一个最简单的"自动生成日报"开始。等到某个周五早上，你还没来得及打开电脑，日报已经自己躺在群里的时候，你就会明白我为什么说它把 AI 从聊天工具变成了干活同事。