企业官网建设流程全解析

1. 从 Codex 到 OpenWorkBuddy 的迁移决策

1.1 为什么我决定换掉 Codex CLI

最早用 Codex CLI 的时候，我的需求很简单：在终端里有一个能理解代码上下文、能帮我改文件、能跑命令的助手。刚开始那几周确实很爽，/compact压缩上下文、/model切模型、/resume恢复会话，这几个命令我闭着眼睛都能敲。但用到一个半月左右，问题开始集中暴露。

最直接的问题是上下文管理。Codex CLI 的会话是线性的，一旦对话轮次多了，/compact虽然能压缩，但压缩后的信息损失不可控。我试过在一个涉及十几个文件的重构任务里，压缩之后它完全忘了之前约定好的接口命名规范，导致后面生成的代码风格前后不一致。这种问题在单文件小任务里不明显，但一旦任务跨模块、跨天，就非常致命。

第二个问题是工具调用的边界。Codex CLI 能调 MCP，但它的 MCP 接入方式是“全局注册”，也就是说你配置的 MCP Server 对所有会话可见。这在个人项目里没问题，但我同时维护三个不同技术栈的项目时，就出现了工具污染——做前端项目时会看到后端数据库的 MCP 工具，模型有时候会误调用，产生莫名其妙的操作。

第三个问题是沙盒与权限。热词里有人提到“codex无法发送消息，显示更新agent沙盒”，这个我遇到过。Codex 的沙盒机制在某些系统环境下会卡住，尤其是涉及文件写入和网络请求的操作，它会反复弹权限确认，打断工作流。我查过一些社区讨论，发现这不是个例，而是沙盒策略和本地环境兼容性的问题。

这里要说明一点：我不是说 Codex CLI 不好。它在“单会话、单项目、短任务”场景下依然是很能打的工具。但我的工作模式是“多项目并行、长周期任务、需要精细控制工具权限”，Codex 的架构假设和我的实际需求错位了。

1.2 OpenWorkBuddy 吸引我的三个核心点

换到 OpenWorkBuddy 不是一时冲动，我大概花了两周时间做对比测试。最终让我下决心的，是它在三个维度上的设计正好补上了 Codex 的短板。

第一是工作台（Workbench）概念。OpenWorkBuddy 不是把 Agent 当成一个“会话”，而是当成一个“工作台实例”。每个工作台可以绑定独立的项目目录、独立的 MCP 工具集、独立的模型配置。这意味着我可以为前端项目开一个工作台，只挂 Figma MCP 和蓝湖 MCP；为后端项目开另一个工作台，只挂数据库和 GitLab CLI。工具不再互相干扰，模型也不会“手滑”调错工具。

第二是 Agent 生命周期的显式管理。在 Codex 里，Agent 的状态是隐式的，你只能通过对话历史去推断它“记得什么”。OpenWorkBuddy 把 Agent 的状态、记忆、工具权限都做成了可视化的面板。你可以看到当前 Agent 加载了哪些上下文、哪些工具可用、哪些操作需要二次确认。这种透明度对于调试和排查问题太重要了。

第三是 MCP 的细粒度授权。热词里有人问“codex 接入 figma mcp 怎么授权”，这个问题在 Codex 里确实比较绕。OpenWorkBuddy 把 MCP 授权做成了按工作台、按工具、按操作类型的多级授权。比如你可以允许某个工作台读取 Figma 设计稿，但禁止它修改设计稿；可以允许它查询数据库，但禁止执行写操作。这种粒度在团队协作场景下是刚需。

1.3 迁移成本的真实评估

换工具最大的顾虑是迁移成本。我实际迁移下来，大概花了三天时间，其中第一天是环境搭建和配置迁移，第二天是工作流适配，第三天是补坑和优化。

配置迁移方面，Codex 的 MCP 配置是 JSON 格式，OpenWorkBuddy 用的是 YAML，结构类似但字段名有差异。我写了一个简单的转换脚本，把原来的 MCP Server 列表批量转过去，大概省了半天时间。模型配置方面，OpenWorkBuddy 支持多模型并行，我保留了原来 Codex 用的模型，同时加了一个备用模型做对比测试。

工作流适配方面，最大的变化是“从会话思维切换到工作台思维”。以前我习惯开一个终端就开始聊，现在我会先想清楚这个任务属于哪个项目、需要哪些工具、用哪个模型，然后开对应的工作台。这个习惯转变大概花了一天，但转变之后效率提升很明显。

2. Agent 工作台的核心架构拆解

2.1 工作台、Agent、MCP 三者的关系

理解 OpenWorkBuddy 的架构，关键是理清工作台、Agent、MCP 这三层的关系。我用一个类比来说明：工作台就像一间办公室，Agent 是坐在办公室里的员工，MCP 是员工可以使用的工具和设备。

工作台是隔离边界。不同工作台之间的上下文、工具、文件访问权限是完全隔离的。你在工作台 A 里让 Agent 读了一个文件，工作台 B 里的 Agent 是看不到的。这种隔离不是限制，而是保护——它防止了跨项目的上下文污染，也防止了工具误调用。

Agent 是执行主体。每个工作台可以跑一个或多个 Agent，每个 Agent 有自己的系统提示词、模型配置、记忆存储。Agent 之间可以通过工作台的消息总线通信，但默认是隔离的。这个设计让我可以同时跑一个“代码审查 Agent”和一个“文档生成 Agent”，它们共享同一个项目的文件访问权限，但各自有独立的对话历史。

MCP 是能力扩展。MCP Server 注册到工作台级别，然后按需分配给 Agent。一个 MCP Server 可以被多个 Agent 共享，也可以只给特定 Agent 使用。这种设计比 Codex 的全局注册灵活得多。

2.2 为什么 MCP 的授权模型是关键差异

MCP 协议本身是一个“能力暴露”协议，它定义的是“工具怎么被调用”，但没有定义“谁可以调用、调用到什么程度”。Codex 和 OpenWorkBuddy 在 MCP 授权上的差异，本质上是对这个空缺的不同填补方式。

Codex 的做法是信任边界在用户。你配置了 MCP Server，就默认信任它，Agent 可以自由调用。这在个人开发场景下没问题，因为你自己配的 Server 你自己清楚。但一旦涉及第三方 MCP（比如 Figma MCP、蓝湖 MCP），你就需要信任这些第三方服务的权限控制。

OpenWorkBuddy 的做法是信任边界在工作台。每个工作台有独立的授权策略，你可以精确控制“这个工作台里的 Agent 可以调用 Figma MCP 的哪些方法”。比如 Figma MCP 可能暴露了get_file、list_comments、post_comment三个方法，你可以只授权get_file和list_comments，禁止post_comment。这样即使 Agent 被诱导去发评论，也会被授权层拦截。

这个差异在实际使用中非常明显。我之前用 Codex 接入 Figma MCP 时，总是担心 Agent 会不会误操作设计稿。换到 OpenWorkBuddy 后，我直接在工作台配置里把写操作全部禁掉，心里踏实多了。

2.3 工作台配置的实操要点

配置一个工作台，我通常按这个顺序来：

1. 创建项目目录绑定。工作台启动时会扫描项目目录，建立文件索引。这个索引是 Agent 理解项目结构的基础。我建议把不需要的文件（如node_modules、.git、构建产物）加入忽略列表，否则索引会很大，影响启动速度。

2. 注册 MCP Server。在mcp_servers字段里列出需要的 Server。每个 Server 需要配置启动命令或连接地址。对于本地 Server，我建议用绝对路径，避免工作目录变化导致启动失败。

3. 配置授权策略。在permissions字段里定义每个 MCP Server 的允许方法列表。如果不配置，默认是全部允许。我建议至少把写操作和删除操作显式列出来，提醒自己这些是高危操作。

4. 分配 Agent。在agents字段里定义 Agent 列表，每个 Agent 指定模型、系统提示词、可用的 MCP Server。我通常会给每个 Agent 起一个有意义的名字，比如code-reviewer、doc-writer，方便后续管理。

5. 设置模型池。在models字段里配置可用的模型。OpenWorkBuddy 支持多模型，你可以为不同 Agent 分配不同模型。比如代码审查用推理能力强的模型，文档生成用写作能力强的模型。

# 工作台配置示例 workbench: name: "frontend-project" project_dir: "/Users/me/projects/web-app" ignore: - "node_modules" - ".git" - "dist" mcp_servers: figma: command: "npx @figma/mcp-server" args: ["--token", "${FIGMA_TOKEN}"] lanhu: command: "npx @lanhu/mcp-server" args: ["--project-id", "xxx"] permissions: figma: allow: ["get_file", "list_comments"] deny: ["post_comment", "update_file"] lanhu: allow: ["get_design", "list_pages"] agents: - name: "code-reviewer" model: "claude-sonnet" system_prompt: "你是一个严格的代码审查员..." mcp_servers: ["figma"] - name: "doc-writer" model: "gpt-4" system_prompt: "你是一个技术文档撰写者..." mcp_servers: ["figma", "lanhu"] models: claude-sonnet: provider: "anthropic" model: "claude-sonnet-4-20250514" gpt-4: provider: "openai" model: "gpt-4-turbo"

注意：MCP Server 的启动命令里如果包含敏感信息（如 token），建议用环境变量引用，不要直接写在配置文件里。OpenWorkBuddy 支持${VAR}语法读取环境变量。

3. 实操过程与核心环节实现

3.1 环境准备与安装

OpenWorkBuddy 的安装方式取决于你的操作系统。我是在 macOS 上操作的，Linux 和 Windows 的流程类似，主要是路径和依赖管理的差异。

第一步：安装运行时依赖。OpenWorkBuddy 本身是一个 Node.js 应用，需要 Node 18 以上版本。我建议用nvm管理 Node 版本，避免和系统自带的 Node 冲突。

# 安装 nvm（如果还没装） curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash # 安装 Node 20 nvm install 20 nvm use 20 # 验证版本 node --version # 应该输出 v20.x.x

第二步：安装 OpenWorkBuddy CLI。官方提供了 npm 包，直接全局安装即可。

npm install -g openworkbuddy-cli # 验证安装 owb --version

第三步：初始化配置目录。第一次运行owb init会在~/.openworkbuddy下创建默认配置。这个目录包含全局配置、工作台配置、日志和缓存。

owb init # 目录结构 ~/.openworkbuddy/ ├── config.yaml # 全局配置 ├── workbenches/ # 工作台配置目录 ├── logs/ # 日志 └── cache/ # 缓存

第四步：配置模型提供商。在全局配置里填入模型 API Key。OpenWorkBuddy 支持多个提供商，你可以只配一个，也可以配多个做切换。

# ~/.openworkbuddy/config.yaml providers: anthropic: api_key: "${ANTHROPIC_API_KEY}" openai: api_key: "${OPENAI_API_KEY}"

实操心得：我建议把 API Key 放在环境变量里，而不是直接写在配置文件里。这样配置文件可以安全地同步到其他机器，不用担心泄露。OpenWorkBuddy 的${VAR}语法会自动读取环境变量。

3.2 从 Codex 迁移 MCP 配置

如果你之前用 Codex CLI，MCP 配置大概率是 JSON 格式，存在~/.codex/mcp.json或项目目录的.codex/mcp.json里。迁移到 OpenWorkBuddy 需要做格式转换。

Codex 的 MCP 配置长这样：

{ "mcpServers": { "figma": { "command": "npx", "args": ["@figma/mcp-server", "--token", "xxx"] }, "database": { "command": "npx", "args": ["@modelcontextprotocol/server-postgres", "postgresql://localhost/mydb"] } } }

OpenWorkBuddy 的工作台配置是 YAML，结构类似但字段名不同。我写了一个转换脚本，核心逻辑是遍历mcpServers，把每个 Server 的command和args映射到 YAML 的对应字段。

import json import yaml def convert_codex_to_owb(codex_config_path, owb_output_path): with open(codex_config_path) as f: codex = json.load(f) owb = { "workbench": { "name": "migrated-workbench", "mcp_servers": {} } } for name, server in codex.get("mcpServers", {}).items(): owb["workbench"]["mcp_servers"][name] = { "command": server["command"], "args": server.get("args", []), "env": server.get("env", {}) } with open(owb_output_path, "w") as f: yaml.dump(owb, f, default_flow_style=False) convert_codex_to_owb("~/.codex/mcp.json", "~/.openworkbuddy/workbenches/migrated.yaml")

转换完成后，你需要手动补充permissions字段。Codex 没有授权概念，所以转换后的配置默认是全部允许。我建议至少把写操作和删除操作列出来，显式决定是否允许。

3.3 工作台启动与 Agent 调度

配置完成后，启动工作台的命令是owb start <workbench-name>。启动过程会做几件事：加载配置、启动 MCP Server、初始化 Agent、建立文件索引。

owb start frontend-project # 输出示例 [INFO] Loading workbench: frontend-project [INFO] Starting MCP server: figma [INFO] Starting MCP server: lanhu [INFO] Initializing agent: code-reviewer (model: claude-sonnet) [INFO] Initializing agent: doc-writer (model: gpt-4) [INFO] Indexing project files... 1243 files indexed [INFO] Workbench ready. Use 'owb attach frontend-project' to connect.

启动后，用owb attach连接到工作台，就可以开始和 Agent 交互了。OpenWorkBuddy 的交互界面是 TUI（终端用户界面），支持多 Agent 切换、工具调用可视化、上下文查看。

owb attach frontend-project # 进入 TUI 后 # 按 Tab 切换 Agent # 按 Ctrl+T 查看当前 Agent 的工具列表 # 按 Ctrl+C 查看上下文使用情况

Agent 调度方面，OpenWorkBuddy 支持两种模式：手动切换和自动路由。手动切换就是你指定用哪个 Agent 处理当前任务。自动路由是工作台根据任务类型自动选择 Agent，比如检测到代码审查任务就路由到code-reviewer，检测到文档任务就路由到doc-writer。

我个人的习惯是手动切换为主，自动路由为辅。因为自动路由的准确率取决于任务分类器的质量，在复杂任务上偶尔会误判。手动切换虽然多一步操作，但可控性更强。

3.4 并发场景下的 Agent 管理

热词里有人问“ai agent 怎么扛并发”，这个问题在 OpenWorkBuddy 里有一个比较清晰的答案：工作台级别的并发隔离 + Agent 级别的任务队列。

工作台级别的并发隔离是指，不同工作台可以并行运行，互不影响。你可以在终端 A 跑前端项目的工作台，在终端 B 跑后端项目的工作台，两个工作台的 Agent 各自独立调度，不会互相阻塞。

Agent 级别的任务队列是指，同一个 Agent 同时只能处理一个任务，后续任务会排队。这个设计是为了保证上下文的一致性——如果两个任务同时修改同一个 Agent 的记忆，会导致状态混乱。OpenWorkBuddy 的任务队列是 FIFO（先进先出），但支持优先级插队。

# 工作台并发配置 workbench: concurrency: max_parallel_agents: 3 # 最多同时跑 3 个 Agent task_queue_size: 10 # 每个 Agent 最多排队 10 个任务 task_timeout: 300 # 单任务超时 300 秒

实操心得：并发数不是越高越好。我试过把max_parallel_agents调到 5，结果 MCP Server 的连接数不够用，出现了工具调用超时。后来降到 3，稳定了很多。建议根据你的 MCP Server 承载能力来调整，一般 2-3 个比较稳妥。

4. 常见问题与排查技巧实录

4.1 MCP 连接失败的排查路径

MCP 连接失败是最常见的问题，表现是 Agent 启动后工具列表为空，或者调用工具时报“MCP server not available”。排查路径我总结成了一张表：

我遇到最多的是“Server 启动即退出”。有一次配 Figma MCP，命令是npx @figma/mcp-server，但本地没有全局安装这个包，npx会尝试下载，下载过程中因为网络问题失败了。后来改成先npm install -g @figma/mcp-server，再用绝对路径启动，就稳定了。

另一个坑是环境变量传递。MCP Server 启动时，OpenWorkBuddy 默认只传递白名单内的环境变量。如果你的 Server 依赖某个自定义环境变量（比如FIGMA_TOKEN），需要在配置里显式声明。

mcp_servers: figma: command: "node" args: ["/path/to/figma-mcp/index.js"] env: FIGMA_TOKEN: "${FIGMA_TOKEN}" LOG_LEVEL: "debug"

4.2 Agent 上下文溢出的处理

上下文溢出是长任务场景下的高频问题。OpenWorkBuddy 的上下文管理比 Codex 更透明，你可以通过Ctrl+C查看当前上下文的 token 使用情况。当使用率超过 80% 时，工作台会提示你压缩或清理。

我的处理策略分三档：

第一档：轻度溢出（80%-90%）。用owb compact命令压缩上下文。OpenWorkBuddy 的压缩算法会保留最近的任务相关上下文，丢弃早期的闲聊和已完成的子任务。压缩后一般能释放 30%-50% 的空间。

第二档：中度溢出（90%-95%）。手动清理不相关的上下文。OpenWorkBuddy 支持按消息粒度删除，你可以选中早期的消息，用owb context drop <message-id>删除。我通常会把任务开始前的环境配置对话删掉，那些信息已经不需要了。

第三档：重度溢出（95% 以上）。拆分任务，开新的 Agent。如果当前任务确实需要大量上下文，我会把它拆成几个子任务，每个子任务用一个新 Agent 处理，子任务之间通过文件或消息总线传递结果。这样每个 Agent 的上下文压力都小很多。

实操心得：预防胜于治疗。我在开始一个长任务前，会先估算大概需要多少上下文。如果预计会超过 70%，我会主动拆任务，而不是等到溢出了再处理。拆任务的成本远低于上下文溢出的调试成本。

4.3 模型切换与降级策略

OpenWorkBuddy 支持在工作台运行过程中切换模型。切换命令是owb model <agent-name> <model-name>。这个功能在模型服务不稳定时特别有用。

我遇到过几次模型 API 超时的情况。Codex 的处理方式是直接报错，任务中断。OpenWorkBuddy 支持配置降级策略：主模型超时后自动切换到备用模型，任务继续执行。

agents: - name: "code-reviewer" model: "claude-sonnet" fallback_models: - "gpt-4" - "claude-haiku" fallback_timeout: 30 # 主模型 30 秒无响应则降级

降级策略的代价是输出质量可能下降。备用模型的推理能力通常不如主模型，所以降级后的结果我建议人工复核一遍。我的做法是，降级发生后，工作台会在输出里标记[FALLBACK]，我看到这个标记就会重点检查。

4.4 工作台配置的热更新

OpenWorkBuddy 支持配置热更新，修改工作台配置文件后，不需要重启工作台，执行owb reload <workbench>即可生效。这个功能在调试 MCP 授权时特别方便。

但热更新有一个坑：正在执行的任务不会应用新配置。如果你修改了某个 Agent 的模型，正在跑的任务还是用旧模型，只有新任务才会用新模型。这个设计是为了避免任务执行中途配置变化导致状态不一致。

我踩过的另一个坑是配置文件语法错误导致热更新失败。YAML 对缩进很敏感，一个空格错了就会解析失败。OpenWorkBuddy 在热更新前会做语法校验，如果失败会保留旧配置并报错。我建议修改配置后用owb validate <workbench>先校验一遍，再执行 reload。

# 校验配置 owb validate frontend-project # 输出示例 [OK] YAML syntax valid [OK] MCP servers reachable [WARN] Agent 'doc-writer' has no fallback model configured [OK] Configuration valid # 热更新 owb reload frontend-project

5. 从工具切换到工作流重构的体会

5.1 工作台思维带来的效率变化

用了 OpenWorkBuddy 大概一个月后，我回头对比了一下效率数据。最明显的变化是任务切换成本降低了。以前用 Codex 时，从一个项目切到另一个项目，我需要手动清理上下文、重新配置 MCP、调整模型。现在只需要owb attach到另一个工作台，所有配置都是现成的。

另一个变化是调试时间减少了。Codex 的 Agent 状态是黑盒，出问题时只能靠猜。OpenWorkBuddy 的可视化面板让我能直接看到 Agent 加载了哪些上下文、调用了哪些工具、授权是否通过。排查问题的路径从“猜-试-猜”变成了“看-定位-修”。

还有一个隐性收益是团队协作。工作台配置可以提交到 Git，团队成员拉下来就能用。我们团队现在把工作台配置和项目代码放在同一个仓库里，新人入职第一天就能跑起来，不需要口口相传配置方法。

5.2 什么场景下我还会用 Codex

虽然主力工具换成了 OpenWorkBuddy，但 Codex 我并没有完全弃用。在两种场景下我还会打开 Codex：

一是快速的一次性任务。比如临时改一个配置文件、查一个命令的用法，这种任务不需要工作台级别的隔离和授权，Codex 的轻量级会话更合适。开工作台反而显得重。

二是对比测试。有时候我想验证一个模型的表现，会用同一个任务分别在 Codex 和 OpenWorkBuddy 里跑一遍，对比输出质量。Codex 的会话更简单，适合做这种对照实验。

工具没有绝对的好坏，只有适不适合当前场景。我的建议是，如果你主要做单项目、短任务，Codex 足够用；如果你做多项目、长任务、需要精细控制工具权限，OpenWorkBuddy 的工作台模型会更顺手。

5.3 后续可以扩展的方向

工作台配置目前是我手动维护的，下一步我想把它和项目的 CI 流程打通。比如在 CI 里加一个步骤，用 OpenWorkBuddy 的 headless 模式跑代码审查 Agent，把审查结果作为 PR 评论发出来。这样代码审查就不再依赖人工触发，而是自动化的。

另一个方向是工作台模板化。我现在每个新项目都要从头写工作台配置，虽然不复杂但重复劳动。我想把常用的配置抽成模板，比如“前端项目模板”“后端项目模板”“数据科学项目模板”，新项目直接套模板，改几个参数就能用。

MCP 生态也在快速变化。热词里提到的 Unreal 5.8 MCP、x32dbg MCP 插件、Cheat Engine 桥接 MCP，这些垂直领域的 MCP Server 越来越多。工作台的价值会随着 MCP 生态的丰富而放大——当你有几十个 MCP Server 可选时，如何组织、授权、隔离它们，就成了一个必须解决的问题。OpenWorkBuddy 的工作台模型正好回答了这个问题的前半部分，后半部分（比如跨工作台的 MCP 共享、MCP 版本管理）还在演进中，我会持续关注。