WorkBuddy 蓝皮书：28 章完整手册，从安装到岗位落地

28 章完整目录：从安装入门到 AI 工作系统

这是一本以真实任务为主线的 WorkBuddy 中文使用手册。你可以从下载安装和第一个任务开始，再进入 Skills、连接器、移动办公、知识管理、专业诊断、内容自动化和多 Agent 团队，最终把一次成功沉淀为团队可复用的 AI 工作系统。

---

本文整理自开源项目 WorkBuddy 蓝皮书（WorkBuddy Guide）。原文以 MIT License 发布，版权归 WorkBuddy Guide Contributors 所有。本站已完成全文重排、界面截图重制与目录重构；再使用请同样保留本许可与署名。

第一篇 使用手册：先把 WorkBuddy 用起来

第 1 章 初识 WorkBuddy

WorkBuddy 是腾讯最新推出的全场景职场 AI 智能体工作台，

面向 人力资源、行政、运营、销售、研发等不同职场角色，是一款能够像真正同事一样思考、执行任务并交付结果的 AI 办公应用。

从“回答问题”到“交付结果”

与传统 AI 助手不同，WorkBuddy 不只是陪用户聊天、回答问题或者给出建议。

用户只需要用一句自然语言描述需求，它就可以理解任务目标，在本地电脑中自主规划执行步骤，并完成复杂的多模态任务。

在获得用户授权后，WorkBuddy 可以读取和处理本地文件，自动完成批量文件处理、文档生成、表格分析、PPT 制作、多模态内容创作、行业调研、本地知识库构建等工作。

对于更加复杂的任务，它还可以自主拆解步骤，并通过多个智能体（Agents）并行，减少人工在不同工具、文件和任务之间反复切换的成本。

例如，用户可以直接告诉 WorkBuddy，分析这个文件夹中的销售数据，并生成一份汇报 PPT。

WorkBuddy 会自主读取相关文件，理解数据内容，完成分析和总结，并生成最终可以查看和修改的工作成果。

整个过程中，用户不需要手动上传每一个文件，也不需要一步一步告诉 AI 下一步应该做什么。

WorkBuddy 面向的是完整的工作任务。

它的核心能力可以概括为三点，听得懂人话，能够自主思考规划，也真的能够操作电脑交付成果。

为了完成不同类型的任务，WorkBuddy 还提供了多模型切换（混元/DeepSeek/GLM/Kimi/MiniMax 等）、MCP Server、Skills 技能包等能力。

用户可以根据不同任务选择合适的模型，也可以通过 MCP 和 Skills 扩展 WorkBuddy 的工具和专业能力。

同时，针对本地文件操作、终端执行等场景，WorkBuddy 还提供高危指令拦截和权限控制机制，降低 AI 自主执行过程中的风险。

想对workbuddy打分，可以去观猹，写出你对workbuddy的真实评价～

第 2 章 WorkBuddy的下载、安装、登录与更新

WorkBuddy下载

下载WorkBuddy，点击官方地址（https://www.codebuddy.cn/work/），选择WorkBuddy，点击“下载WorkBuddy”即可下载。

网站会自动检查你当前设备，判断你是什么版本，Mac ARM64、Mac x64或者Windows x64。

切记：从官方入口进入下载，不从网盘或不明镜像获取安装包。

Windows 安装

1. 下载完成后双击安装文件。

1. 如系统弹出安全提示，先核对发布者与下载来源，再决定是否继续。

1. 按安装向导完成安装并启动 WorkBuddy。

1. 进入准备运行环境

macOS 安装

1. 打开安装文件，将 WorkBuddy 拖入“应用程序”；

1. 从“应用程序”启动；

登录

点击登录按钮

自动跳转网页登录

选择微信扫码登录，也可以手机号登录

完成后，即可使用WorkBuddy进行工作

PS：若公司电脑禁止安装软件，不要绕过终端安全策略，应联系 IT 管理员确认白名单或企业部署方式。

更新

点击左下角个人中心，选择“检查更新”，检查是否有新版本，若有新版本，可更新

常见问题

安装包打不开或提示损坏

先删除安装包并从官网重新下载，核对系统和芯片版本。仍失败时记录系统版本、安装包名和报错截图，通过官方反馈渠道处理，不要随意关闭系统安全功能。

登录后没有反应

检查默认浏览器是否拦截登录回跳、网络代理是否影响认证、系统时间是否准确。退出应用后重试，并保留日志与截图。

无法读取或写入文件

确认任务选择的工作目录是否正确、系统是否授予对应目录权限、文件是否被其他程序锁定。先用一个空白文本文件测试，不要直接拿重要文件反复试错。

更新前要不要备份

应用更新一般不应修改工作文件，但长期项目仍应把输入、产物、配置和自定义 Skill 纳入版本管理或定期备份。

第 3 章 WorkBuddy 的主界面、任务与工作区

WorkBuddy 主界面可以理解为三个区域：左侧（侧边栏）管理任务，中间（对话区）下达和追踪任务，右侧（结果区）查看文件、变更、预览和最终产物。

三个区域分别做什么

侧边栏的“任务”和“工作空间”的区别，在于你是否设置了“工作空间”目录。

“工作空间”是 WorkBuddy 为了管理任务而设置的目录，每个任务都有一个对应的目录空间，任务可以在目录空间内进行操作。

若未设置，会在默认安装的目录下执行任务，对话保存在“任务”目录下。

为什么要隔离工作目录

工作目录既是效率设置，也是安全边界。把发票、周报、客户材料混在同一个大目录里，会增加误读、误改和信息串用的风险。

推荐按任务建目录空间。

同时，可以对目录空间的权限进行设置，当开启“允许完全访问”（开启完全访问后智能体可读写授权目录外文件，请谨慎使用并优先按任务限定目录。）

三种工作模式

WorkBuddy 提供三种工作模式：

选择不同的模型

默认为自动模式，可以指定你想使用的模型，不同模型积分消耗不同。

第 4 章 快速完成第一个 WorkBuddy 任务

快速创建一个 WorkBuddy 任务

1. 点击“新建任务”；

1. 选择或创建独立工作目录；

PS：WorkBuddy 采用文件夹级授权与高危拦截，首次操作请先在演练目录进行、留意授权范围，处理真实业务数据前谨慎确认

1. 判断应该使用模式，默认为Craft，还可以设置成Ask或Plan；

1. 选择模型，可以指定你想使用的模型，不同模型积分消耗不同。

1. 输入任务说明，“帮我分析一下《电商销售数据.xlsx》数据，生成一份汇报 PPT。”

1. 如有必要，指定 Skill、专家、连接器或资料库，这里暂时忽略

1. 发送后观察计划、工具调用和文件变更；

1. 在结果区预览产物并验收。

文件可以本地打开、上传云端、或分享，注意分享前先确认产物不含敏感或涉密信息，按公司规范选择共享范围。

如何写一个任务说明

入门任务 A：整理文件

目标：整理 input 目录中的练习文件，便于按类型查找。
输入：仅处理当前工作区的 input 目录。
动作：识别文件类型，提出分类和重命名方案。
约束：不删除、不覆盖原文件；重名时保留两份并标记序号。
输出：先生成 inventory.xlsx 和 proposed-actions.md。
验收：清单文件数与 input 实际文件数一致，所有动作可追溯。
在我确认 proposed-actions.md 前，不移动文件。

入门任务 B：生成会议纪要

请把 input/meeting.txt 整理为结构化会议纪要。
必须包含：会议结论、待办事项、负责人、截止日期、待确认问题。
不能从原文确认的负责人或日期写“待确认”，不要自行补全。
输出 output/会议纪要.md 和 output/待办清单.xlsx。
验收：每一项结论可以在原文找到依据；待办不遗漏负责人和时间状态。

入门任务 C：Word 转 PPT

把 input/项目汇报.docx 转成 10 页以内的内部汇报 PPT。
受众：部门负责人；汇报时长：8 分钟。
保持原文事实和数字，不新增未经证实的数据。
结构：背景、现状、问题、方案、计划、需要决策。
使用 reference/brand-guide.pdf 中的颜色与字体规范。
输出 output/项目汇报_v1.pptx，同时提供逐页内容清单。
验收：每页只有一个核心观点，数字与原文一致，正文在投影状态可读。

第 5 章 WorkBuddy加载一个真正用得上的 Skill

Skill 是什么

WorkBuddy 本身负责理解任务和组织执行；Skill 则是一组可复用的说明、脚本、参考资料和资源，告诉 Agent 某类任务应该怎样做、调用什么工具、交付什么格式。

Anthropic 在 2025 年 10 月正式推出 Agent Skills，2025 年 12 月将其发布为开放标准。

一个最标准的 Skill，大概长这样：

my-skill/
├── SKILL.md
├── scripts/
│   └── check.py
├── references/
│   └── guide.md
└── assets/
    └── template.pptx

其中只有 SKILL.md 是必须的。

---
name: tech-article-writing
description: 用于撰写 AI 产品、模型评测和科技行业相关文章
---

收到写作任务后：

1. 先确认文章核心角度
2. 查找一手资料
3. 对核心事实交叉验证
4. 根据用户写作风格完成初稿
5. 检查禁用句式和 AI 味表达

还可以带上：

references/style.md

Skill 是怎么工作的

Skill 最关键的设计，其实不是 SKILL.md，而是 Progressive Disclosure，渐进式披露。

假设你的 Agent 装了 100 个 Skill。

它不会一上来把 100 个 Skill 的完整内容全部塞进上下文。这样不仅浪费 Token，还会让模型被大量无关指令干扰。

标准做法分三层。

第一层，Agent 启动时只看所有 Skill 的名称和 description。

比如：

pptx
处理 PowerPoint 创建、编辑、读取任务

pdf
处理 PDF 提取、合并、编辑、填写任务

tech-article-writing
撰写 AI 和科技行业文章

第二层，当用户说：

帮我写一篇 WorkBuddy 的公众号文章

Agent 根据 description 判断 tech-article-writing 可能相关，这时才加载完整的 SKILL.md。

第三层，执行过程中发现需要模仿你的写作风格，才继续读取：

references/style.md

需要检查 AI 味，才执行：

scripts/check-ai-phrases.py

标准规范建议，所有 Skill 启动时只加载数十至上百Token的元数据，Skill 激活后再加载完整说明，其他资料和脚本继续按需读取。OpenAI Codex 也采用类似机制，先向模型暴露 Skill 的名称、描述和路径，再在模型决定使用时读取完整内容。

所以 Skill 解决了一个长期困扰 Agent 的问题：

怎么给 Agent 很多知识和工作方法，又不把所有东西永远塞在 Prompt 里。

Skill 跟 Prompt 到底有什么区别

这是最核心的问题。

最简单的理解是：

Prompt = 任务
Skill = 做法

Skill 有哪些作用

第一个作用，是给模型补充程序性知识。大模型往往知道大量知识，但未必知道你的事情具体应该怎么做，比如它知道 SQL，但它不知道你公司的：

canonical user_id 在哪张表
subscriptions 表是 append-only
查询退款时必须排除某个状态
Grafana 对应 dashboard ID 是多少

这些知识非常适合做 Skill，Anthropic 在内部使用了数百个 Skill，最终发现主要集中在 API 和内部库使用、产品验证、数据分析、业务流程自动化、代码脚手架、代码审查、CI/CD、故障 Runbook 和基础设施运维九类场景。

第二个作用，是固定复杂工作流，比如做一次行业调研。

普通 Prompt 可能是：

详细调研一下 WorkBuddy

模型每一次都会重新思考：

去哪里找资料
先查什么
怎么验证
跟谁对比
输出什么结构

Skill 可以把流程固定下来：

1. 官方网站
2. 官方公众号和发布会
3. 产品文档
4. 实际产品测试
5. 同类产品对比
6. 核心观点提炼
7. 事实核验

这种能力称为 Encoded Preference Skill。模型本来能完成每一个单独步骤，但 Skill 把这些步骤按照团队或个人的工作方式组织起来。

另一类是 Capability Uplift Skill，给模型补充它原本做不好或不稳定的能力，例如复杂文档、PDF 和 PPT 处理。

第三个作用，是减少重复 Prompt。

你现在跟 AI 合作，其实有大量内容是在重复说，比如你经常告诉我：

不要写得太 AI
长短句结合
不要过度点列
要有自己的判断
技术内容要克制
不要编造例子

这些其实已经天然适合做成一个 writing-style Skill。

以后你的 Prompt 只需要：

写一篇 WorkBuddy 文章

写作习惯、资料标准、禁用表达、文章流程，都由 Skill 提供。

第四个作用，是把个人经验和组织经验资产化。

传统 Prompt 最大的问题是容易散落在：

聊天记录
飞书文档
Notion
个人脑子里

Skill 是文件，所以它可以：

Git 管理
版本回滚
团队共享
A/B 测试
自动评测
持续更新

这件事情很关键。

WorkBuddy里找到合适的Skill

打开左侧“专家·技能·连接器”，可以从技能市场搜索，也可以用“查找技能”描述需求。

也可以在SkillHub技能市场里找到合适的Skill

除了从推荐列表里直接安装，还可以导入自己下载的技能。

比如你在网上看到一个好用的技能包，下载下来是一个 zip 压缩文件，操作流程是这样的：点击"上传技能"，把 zip 文件加载即可

使用Skill解决一个任务

比如，你让AI写了一篇文章，需要去除AI味，你可以找到“文章去AI味工具 ”Skill，安装之后，使用时，直接 “/” 可以换出。

你只需要引用Skill内容，把文章给到即可，

WorkBuddy 会先加载skill的内容，

根据skill中的规则，来执行，比如要去除不是而是、双引号等内容，

修改之后，可以得到结果，确实去除了AI味。

Skill的关闭和卸载

从全部技能中，点击我安装的

按钮关闭（则关闭该Skill）

点击“···”，可以选择删除或编辑该Skill

第 6 章 WorkBuddy的专家和专家团

专家和专家团与Skill的区别

WorkBuddy 本身是一个通用 Agent，什么任务都能接。但通用不意味着每个领域都应该用同一种方式处理。

比如，

同样是分析一份销售数据，普通 Agent 可能会读取数据、生成图表、总结趋势。数据分析专家会先理解业务目标，再确定核心指标，检查数据质量，寻找异常变化，分析可能原因，最后给出可以执行的业务建议。

同样是写一篇小红书文案，普通 Agent 可能更关注内容本身。小红书运营专家还会考虑选题、标题、开头留存、种草逻辑、平台内容生态和互动设计。

专家定义为一种角色切换机制，通过人设、方法论和工具链，让 WorkBuddy 以特定领域专家的身份执行任务。

最简单的理解是：

普通 WorkBuddy = 通用 AI 同事

专家 = 有明确岗位和专业经验的 AI 同事

而专家团定义为一种协作执行机制。一个专家团由多位专家组成，由团长自动拆解任务、分配工作、并行执行，最后整合交付。

用户只需要告诉团长客户背景、最新需求和预期成果，不需要自己挑选团员，也不需要自己拆分任务。团长会安排内容、活动、分析等成员协作，最后汇总完整方案。

召唤一位专家

1. 打开“专家·技能·连接器”，选择“专家”；

1. 点击“召唤专家”；以“高考我帮你”专家举例

1. 提供任务内容，比如“帮我查一下2026年高考数学真题”

1. 等待结果

创建一位专家

点击我的专家，创建专家，即可

比如创建一个公众号创作专家，

生成结束，可以测试

在我的专家中，也可以找到。

召唤一个专家团

专家团由团长负责拆解和汇总，成员按角色并行或串行执行。任务开始前先确认：成员分工是否覆盖完整、哪些步骤依赖前一步、什么时候需要人来拍板、最终由谁整合。

打开“专家·技能·连接器”，选择“专家团”，点击召唤

第 7 章 WorkBuddy 使用连接器

本章介绍连接器的基本概念和通用操作。完成后，可以继续阅读第 8 章 飞书办公实战：从接入到交付，通过 5 步接入和 8 个办公场景练习跨工具协作。

MCP指的是 Model Context Protocol（模型上下文协议），是由 Anthropic 于 2024 年底推出并开源的一个开放标准协议，目前已经成为 AI 领域最热门的基础设施之一。

用一个通俗的比喻：MCP 就是 AI 世界的“USB-C 接口”。

为什么需要 MCP？

在过去，如果你想让一个 AI 助手（Agent）连接外部工具（比如 GitHub、本地文件系统、PostgreSQL 数据库、Slack 等），开发者必须为“每一个 AI 应用”和“每一个工具”编写专门的对接代码。如果有 10 个 AI 应用和 10 个工具，就需要写 100 个接口（N × M 的集成噩梦）。

有了 MCP，工具开发者只需要按照 MCP 标准开发一个“MCP Server”（相当于 USB-C 设备），而任何支持 MCP 的 AI 应用（如 Cursor、各类 Agent 框架）只需内置“MCP Client”（相当于 USB-C 接口），就能即插即用。这就把 N × M 的复杂开发工作，简化成了 N + M。

MCP 的核心特点

• 统一的标准化协议（告别重复造轮子）

MCP 提供了一套通用的规范（基于 JSON-RPC）。无论是读取本地文件、查询数据库，还是调用第三方 SaaS API，AI 都能通过同一套协议逻辑去理解和调用。这大幅降低了 Agent 开发中工具集成的门槛，让开发者可以把精力集中在 Agent 的核心逻辑上，而不是写繁琐的 API 对接代码。

• 支持三大核心能力

MCP 不仅能让 AI “做事”，还能让 AI “看数据”和“按套路出牌”，它标准化了三种核心原语：

• Tools（工具）：允许 AI 执行操作。例如：运行一段代码、在 Jira 创建一个任务、向数据库写入数据。
• Resources（资源/上下文）：允许 AI 读取外部数据。例如：获取 Git 仓库的文件列表、查询向量数据库中的特定片段，作为回答问题的上下文。
• Prompts（提示词模板）：提供预定义的交互模板，让用户或 AI 能以标准化的方式触发特定的复杂工作流。

• C/S 架构与高度解耦，MCP 采用客户端-服务端（Client-Server）架构：

• MCP Host：你使用的 AI 宿主应用（如 IDE、Agent 平台）。
• MCP Client：Host 内部负责与 Server 保持 1:1 连接的组件。
• MCP Server：轻量级的独立程序，专门负责暴露特定工具或数据的能力。

这种解耦意味着你可以随时替换底层的大模型，或者随时增加新的数据源，而无需重构整个 Agent 系统。

• 本地优先与安全性（隐私友好）

MCP 支持通过本地标准输入输出（stdio）或本地 HTTP 进行通信。这意味着你的 MCP Server 可以完全运行在本地电脑上。敏感数据（如本地代码、私有数据库内容、电商后台数据）不需要上传到云端第三方服务器，AI 模型只在需要推理时获取必要的上下文，极大提升了企业级应用的数据安全性。

加载一个连接器

当前已支持 QQ 邮箱、腾讯文档、腾讯乐享、腾讯会议、TAPD 等连接器。

比如加载腾讯会议连接器，

创建一个任务

帮我创建一个明天下午 3 点的会议，

主题“项目讨论”，时长1h

创建成功

新建连接器

连接器管理页右上角点“自定义连接器”，按引导配置 MCP（含服务地址、鉴权方式），并提示自定义连接器的访问范围由用户配置

第 8 章 飞书办公实战：从接入到交付

群聊里的反馈、知识库中的工作记录、日历上的安排和多维表格中的数据，构成了日常办公的上下文。接入飞书连接器后，WorkBuddy 可以读取这些信息，继续创建文档、预约会议、发送通知，并结合电脑上的工具制作 PPT。

本章先介绍飞书连接器的 5 步接入流程，再分享我实际使用过的 8 个办公场景。可以先从群聊总结开始，逐步尝试知识整理和多工具协作。示例中的群名、资料名称和日期来自当时的实践，使用时请替换为自己的任务信息。

8.1 接入飞书连接器

本章从 WorkBuddy 对话中调用飞书能力。如果希望在飞书聊天窗口里向 WorkBuddy 发任务，可以阅读下一章的小程序与 IM 助理接入方法。

第一步：打开连接器

打开 WorkBuddy，在左侧列表中找到「专家·技能·连接器」，入口如图 8-1 所示。

图 8-1 连接器入口

第二步：找到飞书连接器

在连接器中找到「飞书」，点击右上角的「+」，如图 8-2 所示。

图 8-2 添加飞书连接器

第三步：创建飞书应用

页面会跳转到飞书开放平台，按照页面提示输入应用名称，然后点击「创建」，如图 8-3 所示。

图 8-3 创建飞书应用

第四步：开通并授权

点击「开通并授权」，按照页面提示完成授权，如图 8-4 所示。

图 8-4 开通并授权应用

WorkBuddy 可访问的资源和可执行的操作，受到当前账号权限、应用授权范围及企业管理员设置的共同影响。

第五步：在对话中启用连接器

回到 WorkBuddy 对话框，点击左下角的「+」，找到连接器，打开飞书右侧的开关，如图 8-5 所示。

图 8-5 启用飞书连接器

完成后，可以在用于测试的群里发出一条通知。下面是我使用的指令，执行前先确认群名和通知内容：

在飞书群【产品周会】里用机器人发一条通知，明天 15:00 在 3 楼会议室开周会，请带上周的进展材料。

在目标群中收到消息，说明这条消息发送链路已跑通。我的测试结果如图 8-6 所示，其他资源的读取与写入仍需具备对应权限。

图 8-6 群内收到测试通知

8.2 八个办公场景速查

可以按手头任务选择下面的场景，所需输入与交付物见表 8-1。

表 8-1 飞书办公场景速查

8.3 几百条群消息，一句话总结重点

我最常用的第一个场景，就是汇总群聊重点消息。我经常会加入大量用户反馈群，一天没看，未读消息就可能堆到几百条。这时，我直接把群名和时间范围交给 WorkBuddy。

读取下 ZCode 用户反馈群 III 官方最近一周的重点消息。

在这次实践中，它读取群聊后，把重点内容整理成了 HTML 文件。官方发了什么、用户在聊什么、反馈走向如何，都可以集中查看，效果如图 8-7 所示。

图 8-7 群聊重点消息报告

8.4 读完飞书知识库，自动生成周报

我会让 WeSight 把每天的工作自动沉淀到飞书知识库，但日报积累多了以后，重新翻阅本身又成了一项工作。所以我直接让 WorkBuddy 读取每日沉淀，整理本周主线、完成事项和可复用经验。

总结一下飞书知识库【每日知识沉淀】里的文档，看一下我这周使用 AI 做了什么。请按本周主线任务、完成事项和可复用经验三个部分输出。

生成的周报如图 8-8 所示。

图 8-8 从知识库生成周报

周报生成后，还可以让它继续发送到协作群：

把这个周报发到【产品运营协作群】，用卡片形式呈现，并附上完整周报链接。

完整周报被整理为飞书文档，如图 8-9 所示。

图 8-9 保存完整周报

WorkBuddy 会找到对应群聊，再把周报卡片发出去，结果如图 8-10 所示。

图 8-10 向协作群发送周报卡片

本次实践中，内部群消息可使用本人身份发送，外部群通知通过机器人身份发送。实际发送身份与可用能力，以当前连接器的授权方式和企业配置为准。

8.5 让机器人去外部群发通知

合作方、供应商和外部顾问经常都在一个外部群里。如果想让机器人代发通知，需要先开通外部群能力。

在飞书群【供应商对账群】里用机器人发一条通知，9 月对账单已上传到群文件，请各供应商在周五 18:00 前完成核对，并把盖章确认页拍照发回群里。

在 WorkBuddy 中提交任务，如图 8-11 所示。

图 8-11 外部群通知任务

目标群如果是外部群，可能遇到机器人尚未入群或外部群能力未开通的提示。我的首次尝试如图 8-12 所示。

图 8-12 检查外部群配置

打开对应机器人的应用后台，点击「创建版本」，如图 8-13 所示。

图 8-13 创建应用版本

找到「对外共享」，勾选「允许机器人被添加到外部群中使用」，保存并按照飞书页面提示完成版本发布，如图 8-14 所示。截图中同时展示了外部用户单聊选项，群通知场景需要的是外部群能力。

图 8-14 开通外部群能力

完成配置后，告诉 WorkBuddy 配置已经完成。在本次实践中，它使用我的身份邀请机器人入群，再以机器人身份发送通知，执行结果如图 8-15 所示。该流程需要当前账号有相应的邀请权限。

图 8-15 外部群通知执行结果

随后可以在对应群聊中看到通知，如图 8-16 所示。

图 8-16 外部群收到通知

8.6 读取群聊和日程，自动预约会议

约团队会议最麻烦的，往往是找一个大家都有空的时间，再创建会议、发送链接和通知成员。WorkBuddy 可以结合群聊和飞书日历，筛选合适时段，再创建会议并发群通知。

下面是我使用的任务指令，其中包含自动选定时间和发送通知的授权。复用时，请根据自己的安排调整日期、参会范围以及是否需要先确认时间。

请帮我协调并预约一次 WeSight 产品交流群的产品讨论会议。

1. 查看「WeSight产品交流群」近期聊天记录，找出成员提到过的空闲时间；
2. 结合飞书日历，检查核心成员在 2026-09-14 至 2026-09-16 的日程；
3. 选出大多数人都空闲的 1 小时时段，优先工作日下午，无需再向我确认；
4. 在腾讯会议创建主题为「WeSight 产品讨论会」的会议；
5. 将会议时间和链接发送到「WeSight产品交流群」；
6. 完成后向我汇报最终会议时间和群通知内容。

发送需求后，WorkBuddy 会读取可访问的群聊和飞书日程，识别成员的空闲时段，如图 8-17 所示。

图 8-17 选择会议时段

如果还没有接入腾讯会议，它会提示通过授权链接连接相应的腾讯会议 CLI 能力。授权页面如图 8-18 所示。

图 8-18 授权腾讯会议能力

完成后，WorkBuddy 会汇报会议时间和链接，如图 8-19 所示。

图 8-19 会议预约结果

打开飞书，就能看到对应的会议通知，如图 8-20 所示。

图 8-20 群内会议通知

这个场景把多个工具串了起来：飞书提供办公上下文，腾讯会议负责创建会议，WorkBuddy 协调执行并回传结果。

8.7 读取多维表格，生成投放复盘 PPT

做投放复盘时，数据通常在飞书多维表格里，但最终汇报可能需要一份本地 PPT。过去需要导出数据、计算指标、制作图表，再逐页写分析，现在可以把这些步骤放进同一项任务。

读取飞书多维表格【投放数据】里本月的数据，按渠道汇总花费、曝光、点击和转化，计算各渠道 ROI 并找出异常波动（环比变化超过 20% 的），在我的电脑上生成一份复盘 PPT，包含数据图表、异常分析和下月优化建议。

计算 ROI（投资回报率）时，需要表格提供相应的收益数据与计算口径；比较环比变化也需要上月数据。缺少这些信息时，应先补齐或明确分析范围。

在本次实践中，WorkBuddy 找到对应的多维表格，读取数据并完成分析，然后给出 4 个 PPT 方案。选定方案后，它继续在电脑上制作完整 PPT，过程见下面的视频。

▶ 观看演示视频：投放数据分析与复盘 PPT 制作演示（MP4 · 1.6 MB）

视频 8-1 投放复盘 PPT 制作过程

8.8 读取运营手册，生成 7 天新人学习路径

新人入职后，培训资料往往散落在知识库的不同目录里。负责人需要整理文档，还要安排每天学什么、怎么验收。

下周有一位新运营入职，请读取飞书知识库【运营手册】下的所有文档，按「必读 / 选读 / 工具操作」分类，为她规划一份 7 天学习路径，从 2026-09-14（周一）开始。要求如下。

1. 列出每天的学习主题、文档链接和检验方式；
2. 先学必读，再学工具操作，最后学习选读内容，每天阅读量均衡；
3. 整理成飞书云文档，标题为「新运营 7 天 onboarding 学习路径」，保存到【新人培训】文件夹。

执行过程见下面的视频。

▶ 观看演示视频：根据运营手册生成新人学习路径演示（MP4 · 1.5 MB）

视频 8-2 新人学习路径生成过程

这条提示词明确了三个要素：读取哪些资料、按照什么规则处理、把结果交付到哪里。这种结构也适用于其他知识整理任务。

8.9 做完 GEO 诊断，自动拆成整改任务

我在 WorkBuddy 中发布的「品牌 GEO 可见度诊断师」，可以对品牌完成基建评估、AI 收录检查、竞品对标，并输出 AIVO 评分报告。专家入口如图 8-21 所示。

图 8-21 品牌 GEO 可见度诊断师

以前做完诊断报告，后面还要归档、拆任务、分负责人、建日程、跟进进度。接上飞书后，我直接让 WorkBuddy 把后续工作一起完成。

请调用 GEO 诊断技能，对品牌【WeSight】做一次完整 GEO 可见度诊断，然后做这几件事。

1. 将 AIVO 评分报告保存为飞书云文档「WeSight GEO 诊断报告-202609」，放入【品牌监测】文件夹；
2. 将问题按「内容缺失 / 平台未收录 / 官网基建 / 口碑舆情」分类，逐条写入多维表格【GEO 整改任务】，补充状态、建议负责人、优先级和修改建议；
3. 为高优先级问题创建本周五 17:00 的检查日程；
4. 将总分、3 个最严重的问题和整改任务表链接发到【WeSight产品交流群】；
5. 完成后汇报诊断总分、入表问题数量和日程数。

诊断与后续协作的执行过程见下面的视频。

▶ 观看演示视频：GEO 诊断报告同步与整改任务创建演示（MP4 · 3.8 MB）

视频 8-3 GEO 诊断与整改任务创建过程

执行结束后，WorkBuddy 会把诊断结果同步到飞书，并建立整改任务表。群内结果如图 8-22 所示。

图 8-22 同步 GEO 诊断结果

打开任务表，可以看到任务编号、问题描述、问题类型、状态、建议负责人和修改建议，如图 8-23 所示。

图 8-23 GEO 整改任务表

它还会按照提示词创建检查日程，如图 8-24 所示。

图 8-24 创建整改检查日程

临近时间时，可以收到日历助手的提醒，如图 8-25 所示。

图 8-25 整改检查提醒

8.10 抓热点、建选题库，再生成复盘 PPT

做自媒体时，热点发现得太晚，或者看到了却没及时变成选题，都会影响内容安排。我把找热点、写选题库、做复盘、生成 PPT 和同步团队，放进了同一条 WorkBuddy 任务。

完成本周的热点运营工作。

1. 调用抖音实时热点榜技能获取 Top30 热点，结合 AI 工具 / AI 模型行业筛选适合借势的选题；
2. 去重后写入飞书多维表格【选题排期】，补充热度、借势角度、发布形式、时效等级，状态填「待评估」；
3. 读取【内容数据表】本周数据，分析蹭到的热点、还来得及跟的热点，以及本周错过但本该做的 3 个热点；
4. 在电脑上生成「热点周度复盘-第37周」PPT，保存到【周会材料】文件夹；
5. 将复盘核心结论发送到【内容组】，提醒大家在周五会前看完 PPT；
6. 最后汇报新入库数量、PPT 位置和群消息发送结果。

复盘过程和最终 PPT 如图 8-26 所示。这个场景需要同时具备热点获取技能、飞书连接器和本地 PPT 制作能力。

图 8-26 热点周度复盘

WorkBuddy 会把筛选后的热点写进多维表格，并补充借势角度、发布形式和时效等级，如图 8-27 所示。

图 8-27 热点选题库

复盘完成后，它还会把核心结论同步到指定群聊，如图 8-28 所示。

图 8-28 向团队同步复盘结果

8.11 把场景用到自己的工作中

这 8 个场景有一个共同的任务结构：读取工作上下文，按明确规则处理，再把结果交付到指定位置。写提示词时，把资料范围、处理规则、交付物和完成后的汇报要求说清楚，就更容易检查执行结果。

可以从一项群聊总结开始，跑通后再加入文档归档、表格记录或群消息同步。涉及腾讯会议、GEO 诊断和热点获取时，先确认对应连接器或技能已经可用。任务结束后，打开实际文档、表格、日程或群消息核对结果，逐步积累自己的可复用工作流程。

本章由苍何的飞书连接器实践文章整理，截图与视频保留原始实践过程。

第 9 章 WorkBuddy 接入小程序与 IM 助理

小程序的两种模式

首次使用

1. 通过官方入口打开 WorkBuddy 小程序并登录；
2. 查看当前处于本机还是云端模式；
3. 本机模式下确认目标电脑在线且连接正确；

IM 助理的工作链路

接入微信助理：扫码绑定即可

1. 打开 WorkBuddy，在左侧“助理”栏点击齿轮，进入“助理设置”；

1. 找到“微信助理集成”，点击“配置”；

1. 等待绑定二维码生成，用手机微信扫码；

1. 卡片显示“已绑定”后，先发送一条只读测试指令；

1. 需要切换微信账号时，先解绑当前账号，再重新扫码。

二维码有时效限制。停留在“绑定中”、二维码过期或扫码失败时，关闭配置窗口后重新进入，必要时重启 WorkBuddy 并重新生成二维码。

来源：WorkBuddy 官方指南。

接入飞书

本节介绍在飞书聊天窗口中向 WorkBuddy 助理发送任务的方法。在 WorkBuddy 中读取飞书群聊、文档和日程的连接器用法，见第 8 章 飞书办公实战：从接入到交付。

1. WorkBuddy → 设置 → 助理设置 → 选择飞书；

1. 在飞书开放平台创建企业自建应用；

1. 为应用添加机器人能力；

1. 按 WorkBuddy 当前页面要求开通最小权限；

1. 在“凭证与基础信息”获取 App ID 和 App Secret；

1. 将凭证填写到 WorkBuddy，生成或复制回调信息；

1. 在飞书配置事件订阅与回调；

1. 添加接收消息、卡片交互等当前指南要求的事件；

1. 创建版本并发布应用；

1. 在飞书内向机器人发送只读测试任务。

来源：WorkBuddy 官方指南。

接入钉钉

1. 创建应用与机器人使用企业管理员账号登录钉钉开发者后台；

1. 进入“应用开发”，创建应用；

1. 为应用添加机器人能力，填写机器人名称、描述和头像并确认发布；

1. 优先在测试组织或测试群完成验证。

来源：WorkBuddy 官方指南。

第 10 章 如何接入外部 API

你也许没有积分，但是你有自己的LLM API，

WorkBuddy支持接入其他 LLM 的 API，以及 Coding Plan、Token Plan 等套餐。

直接从设置中进入，

选择模型选项，

点击添加模型，

可以选择各种coding plan或者自定义的api

比如，DeepSeek，你只需要输入api key即可，

或者接入本地ollama模型，需先本地启动 Ollama（默认端口 11434，OpenAI 兼容接口），本地模型优势为数据不出本机、可离线、零 Token 成本。

第 11 章 WorkBuddy 自动化任务

真正消耗人的，往往不是那些需要创造力的大任务，而是每天都要打开同样的页面、收集相似的信息、整理成同一种格式，再把结果发给同一批人。WorkBuddy 自动化的价值，就是把这些“时间固定、步骤相似、结果可检查”的工作变成可重复运行的 Agent 任务。

为什么 WorkBuddy 可以自动化

传统自动化通常要求人先把每一个步骤写成代码：打开哪个系统、点击哪个按钮、读取哪一列、遇到异常怎么分支。

WorkBuddy 的不同之处，是把“定时调度”与 Agent 的理解、工具调用和文件处理能力组合起来。你不必把所有细节都写成程序，但需要把目标、输入、边界和结果说清楚。

自动化配置保存在本地客户端，包括任务名称、提示词、调度规则、工作目录和执行状态。到达设定时间后，WorkBuddy 会沿用当前登录身份发起 Agent 任务，并按提示词调用模型、Skill、MCP 或连接器，在指定工作目录完成查询、汇总和文件处理。

真正让任务稳定运行的是五个要素：明确的触发时间、可重复的输入来源、足够具体的 Prompt、固定且受控的工作目录，以及能够判断成功或失败的验收条件。

自动化能用来做什么

最直观的用途是把每天、每周、每月都要重复的工作交给 WorkBuddy。价值不只在于少点几次鼠标，而在于任务不会因为忙碌而被遗忘，执行方法也不会随着不同的人临时变化。

什么样的任务适合先自动化

可以用下面六个问题做判断。回答“是”越多，越适合作为第一批自动化任务：

1. 会重复吗：至少每周发生一次，而不是一次性需求；
2. 输入稳定吗：文件夹、网页、表格或连接器来源相对固定；
3. 步骤相似吗：虽然内容变化，但处理方式基本一致；
4. 结果可验收吗：能检查条数、字段、时间范围、来源或文件是否生成；
5. 失败可恢复吗：失败后可以重跑，不会立即造成不可逆损失；
6. 权限可控制吗：可以限定工作目录、账号和允许调用的工具。

最适合的起点，通常不是“替我运营整个公司”，而是“每天 8 点收集 10 条 AI 行业新闻，去重、保留链接，生成 Markdown 简报到指定目录”。范围越清楚，越容易发现问题并逐步改进。

从一句想法到可运行任务

创建自动化前，先把口头需求改写成一份小型任务说明。一个可靠的 Prompt 至少要回答：何时执行、读取什么、怎样处理、输出到哪里、怎样算完成、失败后怎么办、哪些动作禁止执行。

任务名称：每日 AI 行业简报
触发时间：每天 08:00，时区 Asia/Shanghai
工作目录：automation/ai-daily

输入：
- 检索过去 24 小时的 AI 产品、模型和行业新闻
- 仅使用可以访问并保留链接的公开来源

处理规则：
1. 合并重复事件，按产品、技术、商业三类整理
2. 每条包含标题、100 字摘要、来源、发布时间和链接
3. 无法确认发布时间或来源的内容放入“待核验”，不要编造

输出：
- 保存为 YYYY-MM-DD-ai-daily.md
- 正文最多 10 条，最后附来源清单

创建一项自动化任务

在 WorkBuddy 打开“自动化”页面，可以查看已安排任务和历史执行记录。点击“添加”后，需要配置任务名称、工作空间、提示词、模型与技能、定时规则，以及是否把完成结果推送到 WorkBuddy 小程序。

点击“自动化”，

“添加自动化”，就可以自定义你的任务

比如，每日AI资讯新闻推送，定时8点发送

不想从零写 Prompt，可以先用模板

官方任务模板覆盖新闻推送、周报生成、体检预约和学习计划等常见场景。模板的价值是提供基本字段和任务结构，但它不是最终答案。选用后仍应修改数据来源、时间范围、输出位置、验收标准和禁止动作。

更多值得尝试的自动化场景

课外阅读：一章看懂 AI 工作系统

先看全景：一次 AI 任务里发生了什么

这张图可以用一句话解释：模型负责理解和生成，Agent 负责围绕目标组织行动，Skill 提供专业方法，工具与 MCP/API 让行动触达真实世界，人负责边界与验收。

把一次真实任务拆开看，信息大致这样流动：

你提出一个目标 → Agent 把它拆成几步 → 遇到专业子任务就加载对应的 Skill，遇到要碰外部系统就调用工具 → 工具通过 MCP 或 API 真正读写数据库、发消息、改文件 → 结果回到模型，模型判断下一步 → 你做边界把控和最终验收。

五类角色里，模型是大脑，Agent 是调度员，Skill 是专家手册，工具与接口是手脚，人是裁判。后面每一节就是把其中一个角色讲清楚，顺便标出它能和不能的边界。

LLM：会根据上下文预测内容的基础模型

LLM 是 Large Language Model，大语言模型。它从大量数据中学习语言和知识模式，根据当前输入生成最可能的后续内容。

它本质上是个「预测下一个内容」的引擎，不是数据库，也不是会替你负责的人。

它擅长什么

• 理解、归纳和改写文本；
• 从材料中提取结构；
• 生成草稿、方案和代码；
• 根据示例模仿格式和风格；
• 在工具返回结果后继续分析。

它不天然保证什么

• 不保证每个事实都正确；
• 不知道企业最新内部状态，除非提供资料或连接系统；
• 不会因为语言自信就拥有真实证据；
• 不自动拥有文件、账号、数据库和网络权限；
• 不承担业务和法律责任。

为什么会「幻觉」

模型的目标是生成连贯内容，不是内置事实数据库。当资料缺失、问题含糊或要求它给出确定答案时，它可能用合理但不真实的内容填补空白。

这不是 bug，是「按概率补全」这件事的副作用。理解了这点，你就不会再追问「它明明说得很肯定，为什么是错的」——肯定和正确是两件事。

降低幻觉的办法

• 提供可靠资料；
• 要求引用位置（说清楚结论来自哪段材料）；
• 允许回答「无法确认」；
• 把事实提取与建议生成分开；
• 对高影响结论人工复核。

Token 与上下文窗口：模型眼前能看到多少

Token 是模型处理文本的基本单位，不完全等于字数。中文里一个字可能对应一个或几个 Token，代码和标点也单独计费。上下文窗口是一次推理中模型能够处理的输入、历史对话和输出总量。

把 Token 想成模型的短期记忆容量：装得下才看得见，装不下就得丢或压缩。

上下文变长不一定更好

把所有文件和几个月对话都塞进一个任务，可能导致：

• 旧要求与新要求冲突；
• 关键资料被大量无关内容淹没；
• 成本和等待时间增加；
• 模型引用了过期版本。

窗口越大，越容易「水漫金山」——重要的反而被冲淡。

更稳妥的做法

按项目整理「当前规则、已确认事实、决策记录和本次输入」，长项目使用文件和项目记忆，而不是依赖无限对话。

简单说：别把所有聊天记录当数据库用，该落盘的落盘，该分项目的分开。

Prompt：任务说明，不是神秘咒语

Prompt 是给模型或 Agent 的输入，包括目标、背景、资料、约束、示例和输出要求。好的 Prompt 不以长度取胜，而以信息是否足够执行和验收取胜。

写 Prompt 不是在「念咒」，是在写一份能交给同事执行的任务单。

六要素

六要素里最容易被忽略的是「验收」：没有验收标准，模型只能按自己的理解交差，你也就没法说它错在哪。

Prompt、任务卡与 SOP

• Prompt：本次怎么说；
• 任务卡：同类任务可以填写的结构；
• SOP：固定步骤、角色、检查点和异常处理；
• Skill：把稳定 SOP、脚本和资源封装成可执行能力。

四者是从「一次性说明」到「可复用能力」的逐级固化。

不是每个 Prompt 都值得变成 Skill。 先重复成功，再逐步固化。一个只做过一次的任务，先写好 Prompt 跑通；跑顺三五次、模式稳定了，再考虑沉淀成 Skill。

Agent：能围绕目标循环行动的执行体

Agent 不只是「回答一次」，而是持续执行一个循环：理解目标、观察环境、决定下一步、调用工具、读取结果、修正计划，直到交付或触发停止条件。

聊天模型是「你问一句它答一句」；Agent 是「你给目标，它自己一步步推进，中途还会看结果、改路线」。

Agent 与聊天模型的区别

关键差异在最后一行：聊天模型说错了，最多误导你；Agent 做错了，可能真的删了文件、发了邮件、改了数据库。所以 Agent 需要的不是更聪明的提示，而是更硬的护栏。

Agent 的停止条件

好的 Agent 不应「永远想办法继续」。出现以下情况，应暂停并请求人处理：

• 关键输入缺失；
• 目标冲突；
• 权限不足；
• 成本超预算；
• 动作不可逆；
• 结果无法验收。

知道什么时候停下来问人比 什么都自己硬扛 更专业。一个不会停的 Agent，比一个笨 Agent 更危险。

Tool ：让 Agent 真的能做事

Tool 是 Agent 可以调用的具体能力，例如读取文件、执行搜索、生成表格或发送消息。Connector 通常是产品已经封装好的第三方服务连接，强调授权后直接使用。

模型知道不等于模型能做

模型可以解释「如何发送邮件」，但只有获得邮件工具和账号权限后才能实际创建草稿或发送。模型可以写 SQL，但只有数据库工具、网络和账号允许时才能查询。

这点是普通用户最容易误解的：模型「懂」一件事，不代表它「能」做这件事。 能不能做，取决于有没有对应的工具、权限和连接。任务失败时，先问「工具通没通、权限给没给」，而不是「模型是不是不行」。

每个工具要问五件事

1. 使用谁的身份；
2. 能读取什么；
3. 能修改什么；
4. 数据会发到哪里；
5. 失败后如何停止和回退。

Skill：可复用的专业工作方法

Skill 不是更聪明的模型，而是把某类任务需要的说明、脚本、知识和模板组织起来，让 Agent 更稳定地完成动作。

Skill 的价值不在「让模型变强」，而在「把容易做错、容易遗漏的环节固定下来」。同样的发票处理，让模型每次现写，十次可能有三种写法；写成 Skill，十次走同一条被验证过的路。

一个 Skill 可能包含

invoice-skill/
├── SKILL.md          # 触发条件、步骤、边界与输出
├── references/       # 字段、分类和业务规则
├── scripts/          # OCR、校验、表格处理
├── templates/        # Excel 和报告模板
└── tests/            # 正常与异常样例

SKILL.md 是入口，告诉 Agent「什么时候用我、怎么用、边界在哪」；references 放业务知识；scripts 放真正执行的代码；templates 保证输出格式一致；tests 保证异常情况也被覆盖。

Skill 与 Prompt 的区别

Prompt 往往只影响本次对话；Skill 可以被不同任务调用，并能携带脚本、资源和稳定流程。但 Skill 仍可能出错，也可能请求本地、网络或第三方权限。

记住：Skill 是「方法封装」，不是「能力保证」。 装了 Skill，Agent 更可能走对路，但不等于永远不会出错。

安装第三方 Skill 的风险

• 读取不必要的本地目录；
• 外发输入材料；
• 获取 API Key 或账号；
• 执行系统命令；
• 包含恶意提示或代码；
• 依赖过期、无人维护。

因此应检查来源、代码、权限、网络、凭证、成本和停用方法，并先在隔离目录测试。第三方 Skill 和装浏览器插件一个道理：方便，但要先看它要什么权限。

MCP：让 AI 接入工具与数据的标准接口

MCP 是 Model Context Protocol。它规定 AI 客户端如何发现和调用外部工具、读取资源或获取提示模板，可以理解为 AI 工具生态的一类标准接口。

把 MCP 想成「AI 世界的 USB 接口」：工具提供方按一套标准暴露能力，AI 客户端按同一套标准去用，不用每家重新适配。

MCP 解决什么

如果每个 AI 产品都要为每个系统开发一套专用连接，集成成本很高。MCP 让工具提供方和 AI 客户端按统一方式描述能力，降低重复适配。

没有 MCP 时，接一个 CRM 要写一套适配，接一个数据库又写一套；有了 MCP，工具方一次性按标准暴露，所有支持 MCP 的客户端都能直接用。

MCP 不解决什么

• 不自动判断数据是否合规；
• 不替你保管好所有密钥；
• 不保证工具结果正确；
• 不自动实现身份与最小权限；
• 不等于连接后可以开放生产写入。

MCP 解决的是「怎么连」，不解决「连了之后安不安全、对不对」。安全那层仍然是你的责任。

用户级与项目级

• 用户级适合多个项目复用的公共能力；
• 项目级适合客户、数据库或业务专属工具。

敏感连接优先项目隔离，避免跨项目误调用。比如公司的生产数据库，只该在对应项目里接，别放成全局用户级，否则另一个无关任务也可能摸到它。

API 与 MCP 的关系

API 是软件之间交互的接口，例如通过 HTTP 查询数据或创建记录。MCP Server 可以在内部调用一个或多个 API，再以 Agent 更容易使用的方式暴露工具。

一句话：API 是地基，MCP 是在地基上盖的、Agent 能直接进出的门。 Agent 通常不直接跟一堆原始 API 打交道，而是通过一个 MCP Server 间接调用它们。

直接用 API 还是用 MCP

• 直接使用 API 更灵活，但需要理解认证、参数、错误和限流；
• 使用成熟 MCP 更方便，但仍要审查它封装了什么请求和权限。

方便不等于免审。MCP 帮你省了适配活，但「它背后到底调了什么 API、用了什么权限」你得心里有数。

知识库、RAG 与记忆

这三者都和「AI 依据什么」有关，但保存的东西和失效方式完全不同。

知识库

保存可检索的制度、产品、案例、SOP 和其他资料。它解决「AI 依据什么」，不等于 AI 永远记住一切。

知识库是external 的资料室，模型用时才去翻，翻完不保证下次还记。

RAG

RAG 是 Retrieval-Augmented Generation，检索增强生成。系统先从资料库找到相关片段，再把片段提供给模型回答。效果取决于资料质量、分段、元数据、检索和引用。

RAG 不是「接了知识库就聪明」，它是一根链条：资料差、切得烂、检索偏，回答就跟着歪。引用机制很重要——能指出结论来自哪段，你才能判断信不信。

记忆

记忆用于保存偏好、长期规则、项目决策或历史状态。错误记忆会被反复放大，因此重要信息要有来源、日期、负责人和更新机制。

记忆最危险的地方是「它自己不会发现过期」。一条半年前的错误规则，会被 Agent 当真理反复用。

三者的区别

一句话区分：上下文是这次聊天的短期记忆，知识库是随时可查的资料室，记忆是跨任务保留的长期设定。

Workflow 与 Agent 的区别

前面把 Agent 讲清楚了，但还有一个常被混用的词：Workflow（工作流）。它和 Agent 不是替代关系，而是两种「组织行动」的思路。

一句话区分

• Workflow 是标准化的生产线：步骤在设计时就定好，按顺序或分支执行。
• Agent 是会思考、能自己拿主意的执行者：只给目标，运行时自己决定下一步怎么走。

打个比方，Workflow 像一份写了「第一步做 A，第二步做 B，B 通过后做 C 否则做 D」的 SOP；Agent 像你雇的一个人，你只说「把这批发票处理完」，他中途自己判断要先查哪张、卡住了问你。

核心区别：决策权在哪

Workflow 的每一步「走哪条路」在设计阶段就固定了；Agent 的下一步由模型在执行阶段根据环境实时决定。这是两者最本质的差别，其他差别都从这儿长出来。

对比表

什么时候用 Workflow

• 固定 SOP，比如「收到工单 → 分类 → 派给对应人」；
• 批量处理，比如「把 100 张图统一压缩加水印」；
• 合规审批，每一步都要留痕、可审计；
• 可重复的报表生成。

这些任务路径清楚，用 Workflow 更稳、更便宜、更好查。

什么时候用 Agent

• 目标清楚但路径不清，比如「调研竞品并出对比报告」；
• 需要多工具探索、中途看结果再决定；
• 环境会变，需要边做边调整；
• 开放性强、难以写成固定步骤的任务。

常见误区

• 「Agent 一定比 Workflow 强」：不对。确定任务用 Workflow 更稳更省，硬上 Agent 反而容易跑偏、难审计、成本高。
• 「Workflow 不能含智能」：错。Workflow 的节点完全可以调用模型做摘要、分类、抽取，只是「走哪条路」仍由流程定。
• 「Agent 全自动就最好」：过度放权会让失败更难定位。真复杂的系统，往往是 Agent 在高层决策，把稳定环节交给 Workflow。

两者如何协同

不是二选一，而是嵌套使用：

• Agent 内含 Workflow：Agent 把已经稳定的子任务写成固定流程（比如一个 Skill 背后就是 Workflow），只在不确定处自己判断；
• Workflow 节点调 Agent：生产线上某个判断节点，交给一个 Agent 处理非结构化输入。

第二篇 案例篇：从一项任务到一支 AI 团队

难度地图

第 12 章 办公三件套：Word、Excel、PPT

办公三件套是多数人第一次感受到 WorkBuddy 价值的地方。

该章节聚焦三类最常见的办公产物：Word 文档、Excel 表格和 PPT 汇报。

办公三件套的共同工作流

无论文档类型是什么，都建议先把任务拆成五个问题。很多“AI 做得不好”的办公任务，根源不是模型不会写，而是人没有把交付标准说清楚。

先选对 Skill：办公任务的推荐组合

SkillHub上有很多办公效率、文档处理、表格处理、PPT 生成和会议纪要相关技能。

一个实用的搭配思路是：本地文件优先用 Word / DOCX、Excel / XLSX、Powerpoint / PPTX；在线协作优先用 腾讯文档 或 kdocs skill；材料很多时先用 Markdown Converter 抽取结构；会议类办公流再叠加 腾讯会议 或会议纪要类 Skill。

Word：从空白页到正式文档

这个场景的痛点

Word 看起来只是写字，但真实办公里的难点通常有四个：不知道该按什么结构写、语气不够正式、标题和编号混乱、内容没有证据来源。

尤其是方案、通知、报告、会议纪要、制度、申请、PRD 这类文档，如果开头就让 AI 自由发挥，结果往往像“万能模板”，读起来完整，却很难直接提交。

WorkBuddy 适合解决的不是“替你拍脑袋”，是把已有材料变成结构稳定、语气一致、可以继续修改的文档初稿。

要把文档目标、提交对象、语气和结构要求一次说清楚；生成后再用差异化反馈继续修改，而不是每次从头生成。

适合交给 Word 的任务

• 正式方案：活动策划、项目方案、营销方案、培训方案。
• 管理文档：制度、通知、申请、会议纪要、复盘报告、周报月报。
• 产品材料：PRD、需求说明、竞品分析、用户访谈总结。

推荐流程

提示词示例：生成一份团建活动策划 Word

帮我生成一份公司团建活动策划的 Word 文档框架。
公司约 80 人，包含：活动目标、活动主题建议、整体流程安排（含时间节点）、分组与互动游戏建议、预算构成清单、人员分工、风险预案和注意事项。
语言简洁实用，不需要写得过于详细，重点把整体框架和关键决策项列清楚，适合直接拿去和领导确认活动方向。

二次修改不要重写，要说差异

请在上一版公司团建活动策划 Word 文档基础上进行修改，不要重新生成整篇。
修改要求：
将活动目标压缩为 3 条，每条不超过 50 字；
将流程安排改成表格，列为：时间、环节、主要内容、负责人、所需物料；
在节目类型建议中增加适合 100 人规模公司的互动环节，并删除执行难度过高的方案；
将预算构成进一步细化，增加：预算项目、预计金额、数量、单价、备注，并补充预算总额；
新增风险预案部分，覆盖人员迟到、设备故障、节目超时和突发安全问题；
整体语言更加正式、简洁，适合直接提交给领导审批。
输出修改后的 v2 版 Word 文档，并在 changelog.md 中列出本次修改内容。

进阶实战：比较两版制度、合同或方案

比较 policy-v3.docx 与 policy-v4.docx。
输出新增、删除、修改和仅格式变化四类差异，附章节和原文定位。
重点标记金额、日期、责任主体、审批条件、例外和否定表达。
生成影响清单和待确认问题，不给法律结论，不修改原文件。

文档对比适合发现变化，不替代法务、财务或制度责任人的最终判断。

Excel：把表格变成能回答问题的分析

这个场景的痛点

Excel 的问题通常不在“会不会做图”，而在“这个表到底能回答什么问题”。

很多表格混着日期、文本、空值、合并单元格、多个口径和临时备注，直接让 AI 分析，很容易得到一份看似专业、其实没有业务价值的图表。

建议先导入 Excel 或 CSV，再一次说明分析指标、图表类型、统计维度、时间范围和是否需要报告。这个顺序很重要：先定义业务问题，再决定图表，而不是先生成漂亮图。

适合交给 Excel 的任务

• 数据清洗：去重、补空值、统一日期格式、拆分字段、合并多个表。
• 经营分析：销售额、利润率、转化率、客单价、续费率、库存周转。
• 报表生成：周报、月报、预算执行、考勤汇总、项目进度台账。
• 公式辅助：生成或解释复杂公式，排查 #N/A、#VALUE!、循环引用。
• 可视化：柱状图、折线图、饼图、透视表、仪表盘、异常点提示。

推荐流程

提示词示例：销售数据分析

请读取 电商销售数据.xlsx，先不要修改原文件。
业务问题：分析本月各产品线的销售表现和盈利能力，判断哪些产品线贡献高、哪些利润表现较弱，并识别本月销售过程中的异常波动。
请输出：
说明数据字段含义，并检查缺失值、重复记录、异常值和字段格式问题；
按产品线统计销售额、毛利、毛利率、销售额占比和毛利贡献占比，并进行排名；
按日汇总销售额和毛利率，分析本月销售表现的日度变化；如果数据跨度和完整性允许，再补充按周统计；
生成柱状图对比各产品线销售额和毛利，生成折线图展示本月每日销售额变化；
识别销售额、毛利率或单笔订单金额明显异常的日期或记录，并结合数据说明异常表现，不要在缺少依据时推测业务原因；
总结本月表现最好的产品线、需要重点关注的产品线，以及 3 条可直接用于业务复盘的结论。
输出 output/sales-analysis.xlsx 和 output/summary.md。
要求：保留原始数据，统计过程和公式可追溯；图表标题直接表达主要结论；无法从数据中确认的原因明确标注为待核实，不要自行编造。

进阶实战：多表合并、对账与异常清单

基础办公中最有价值的不是“做个图表”，而是把数据口径和异常暴露出来：

合并 input/sales 中 6 个区域的周销售表。
先检查列名、数据类型、日期范围、币种和主键，不一致时停止并列差异。
按订单号去重，但保留重复来源；汇总前输出总行数、空值、异常值和重复数。
生成 clean-sales.xlsx、exception-list.xlsx 和 reconciliation.md。
金额汇总必须与各源表合计对账，差异不为 0 时不生成管理结论。

验收：输入总量、清洗变化和输出总量守恒；公式可重算；异常没有被静默删除；图表使用的字段和汇总表一致。

PPT：不是套模板，而是把材料变成叙事

这个场景的痛点

PPT 最容易被误用。

很多人把任务写成“帮我做一份高级感 PPT”，结果 AI 只能猜风格，生成一堆好看的空话。真正可用的 PPT 必须先回答三个问题：这次汇报给谁看、对方听完要做什么决定、你有多少时间讲。

PPT 生成强调同时提供素材、页数要求、受众对象和风格偏好。对 WorkBuddy 来说，PPT Skill 可以负责页面生成，但故事线必须先确认。否则页面越漂亮，越容易掩盖逻辑问题。

适合交给 PPT 的任务

• 项目汇报：项目进展、阶段复盘、里程碑计划、风险与资源请求。
• 经营汇报：月度经营分析、销售复盘、预算执行、用户增长复盘。
• 培训课件：新人培训、产品培训、客户培训、内部分享。
• 方案展示：客户方案、竞标材料、商业计划、产品发布。

推荐流程

提示词示例：从材料包制作汇报 PPT

请根据当前工作区材料制作一份 8 页以内的 AI Agent 主题分享 PPT。
受众：对 AI 有基础认知，但不了解 Agent 的业务和管理人员。
汇报时长：10 分钟。

目标：让听众理解 AI Agent 是什么、与普通 AI 对话工具有什么区别、能解决哪些问题，以及企业应该如何判断是否值得落地。
素材：
AI术语全景手册.md 是主要内容材料；
不要补充工作区材料之外的事实和数据。
全文控制在 8 页以内，每页只表达一个核心结论；
案例、数据和关键判断必须标注素材来源，无法确认的内容不要自行补充；
PPT 标题尽量直接表达观点，不使用 AI Agent 介绍、应用场景这类泛化标题；
输出 output/ai-agent.pptx；
生成后检查文字溢出、页面留白、图表口径、图片缺失、字体一致性和页码。

整体风格：专业、简洁、有科技感，但不要过度使用渐变、发光和装饰性元素，适合正式分享和内部汇报。

三件套联动案例：会议之后自动形成交付包

很多办公任务不是单文件，而是“会议之后要有东西”。

比如开完一次产品评审会，会议里有用户反馈、功能决策、待办事项和下个版本计划。手工做法通常是：先整理纪要，再补 PRD，再做任务表，最后做汇报 PPT。

WorkBuddy 的价值就在于把这些交付物串成同一条事实链。

场景痛点

• 会议讨论是口语化的，决议、分歧和待办混在一起。
• PRD 需要结构化，但会议纪要里没有标准格式。
• Excel 任务表需要负责人、截止日期和状态字段，不能只是一段总结。
• PPT 汇报需要给老板看，不能把会议全文搬进去。

可用 Skill 组合

提示词示例：会议到 PRD、任务表、汇报

请读取本次产品评审会议的转写和 AI 纪要，生成一个办公交付包。
目标：把会议内容转成可以推进研发的材料。
请输出：
1. Word：output/feature-prd.docx，包含背景、目标用户、核心问题、需求列表、流程说明、验收标准、风险和待确认问题；
2. Excel：output/action-items.xlsx，字段包含事项、负责人、优先级、截止日期、依赖、状态、验收标准；
3. PPT：output/review-summary.pptx，6 页以内，面向管理层，突出本次会议决议、资源请求和风险。
约束：
- 会议中没有明确确认的内容，不要写成既定结论；
- 人名、日期、功能范围必须保留来源；
- 如果缺少负责人或时间，请标为待确认；
- 先输出大纲和任务表字段预览，等我确认后再生成文件。

常见错误与修正方式

第 13 章 从整理桌面文件这些小事做起

整理桌面发票，不再回电脑前翻文件

桌面发票是典型的“电脑在替人承受混乱”的场景：电子发票、截图、PDF、微信下载文件、邮件附件混在一起，命名方式各不相同。人不在电脑前时，最烦的不是不知道怎么报销，而是不知道哪几张发票已经在电脑里、哪些字段还缺、哪些文件可能重复。

场景痛点

• 发票散落在桌面、下载目录、微信文件目录，格式可能是 PDF、JPG、PNG。
• 文件名经常只叫“发票.pdf”“image.png”“微信图片_2026xxxx.jpg”。
• 报销真正需要的是结构化字段：抬头、税号、金额、开票日期、发票号码、销售方。
• 远程批量整理最怕误删、覆盖、移动原件，导致后面找不回来。

请帮我整理电脑里的发票，但不要删除、移动或覆盖原文件。
扫描范围只包括桌面、Downloads 和微信文件接收目录，时间范围为最近 30 天。
候选条件：文件名包含“发票”“电子发票”“invoice”，或内容识别为发票的 PDF、JPG、PNG。
第一步先返回候选清单和数量。
第二步识别抬头、税号、金额、开票日期、发票号码、销售方、文件路径。
第三步生成 invoice-ledger.xlsx，并列出“重复发票”和“无法识别字段”的人工确认清单。

执行后仅新增台账文件，桌面原发票不移动、不改名、不删除

第 14 章 远程控制你的电脑，不用发愁不在电脑前

你人不在电脑前，WorkBuddy 小程序可以成为远程任务入口，把指令发回正在运行的电脑端，让电脑继续查文件、读资料、整理发票、处理微信文件，甚至持续汇报一个长任务的进展。

小程序远程控制电脑

传统远程办公通常有两种方式：一种是把电脑屏幕投到手机上，自己点鼠标；另一种是把文件先传到云端，再在手机上处理。

WorkBuddy 的远程方式介于二者之间：用户不直接操控鼠标，而是把任务说清楚；电脑端 WorkBuddy 根据授权范围读取本地文件、调用 Skill 或本地工具，把中间结果和最终产物回传到手机端。

先分清：云端模式还是本机模式

移动端适合在通勤、出差、跨设备办公时继续推进任务。但在使用前，必须先判断任务究竟应该跑在云端，还是跑在本机。

这个判断会直接影响它能否读取电脑文件、是否需要电脑在线，以及数据是否适合进入云端环境。

人在外面，临时要电脑里的文件

这是最容易让用户第一次感受到远程控制价值的场景。合作方突然问培训课件、项目汇报、合同版本、报价单、活动海报源文件在哪里，而资料都在办公室电脑里。过去只能回复“我回去找一下”，现在可以在小程序里语音发起任务，让电脑端 WorkBuddy 在指定目录中查找候选文件，读取内容并整理摘要。

场景痛点

• 文件名不一定记得完整，只记得“培训”“项目汇报”“某客户”等关键词。
• 电脑里可能有多个版本，远程状态下不能凭感觉直接发。
• 临时需求往往只需要先给对方一个摘要或确认口径，不一定马上发送原文件。

推荐流程

1. 先限定目录，比如桌面、Downloads、项目资料、training 文件夹。
2. 让 WorkBuddy 只读扫描，列出候选文件、修改时间、文件大小和可能匹配原因。
3. 确认目标文件后，再读取内容并生成手机端可转发的摘要。
4. 需要发送文件时，先整理到一个单独输出目录，不直接移动原文件。

你帮我看一下，我电脑上在我这个local long GPT里边有一个关于xx公司的一些PPT，然后你整理一下内容发给我。

微信文件直接处理，不必先搬来搬去

很多任务不是从电脑文件夹开始，而是从微信聊天里突然冒出来：客户发来一个合同 PDF，朋友发来一张票据照片，同事丢来一个 Excel，供应商转来一个压缩包。传统流程是先下载到手机，再传电脑，再找目录，再打开软件。小程序更适合把“微信上下文里的文件”直接变成 WorkBuddy 的输入。

远程监控长任务，让手机成为任务看板

远程控制还有一个更进阶的用法：不是让 WorkBuddy 做一个几秒钟的小任务，而是让它持续推进一个需要等待、分阶段处理或容易失败的任务。比如批量转换文件、整理大目录、生成网站、处理会议录音、运行代码测试、下载资料、爬取公开网页、自动化检查系统状态。

远程监控适合什么

• 任务耗时超过 3 分钟，需要阶段汇报。
• 任务中间可能遇到失败项，需要记录并继续处理其他文件。
• 任务结果需要先看预览，再决定是否批量执行下一步。
• 任务过程中可能触发登录、付款、发送消息、覆盖文件等高风险动作。

请启动这个批量处理任务，并把手机端当作进度看板。

你控制摄像头拍张照片，描述一下电脑前面的画面

第 15 章 生活助手的价值，是减少琐碎

生活问题比办公问题更模糊

“帮我规划旅行”“看看体检报告”“今天吃什么”“给我算算运势”，看起来都只需一句话，背后却混合了偏好、实时数据、隐私和风险。办公文件做错还可以返工，医疗、付款、签证和重大决定做错，代价可能完全不同。

因此生活场景先分三类：

场景一：三天旅行，不想打开二十个 App

攻略、地图、天气、酒店、交通、预算和同行人偏好都存在于不同应用中。普通 AI 规划的行程看起来完整，却可能把相距很远的地点排在一起，有的会引用过期营业时间，甚至虚构餐厅。

• 旅游助手：行程、目的地、住宿、美食和行李清单；
• 腾讯地图地图助手：POI、路线、距离、天气与地图；
• 旅游行李清单：按天气、天数和人群生成打包清单；
• 旅游天气风险：需要精细天气风险时补充。

第一步：先收集约束

先不要排行程，用不超过 8 个问题收集旅行约束：
出发地、日期、同行人、预算、交通偏好、每日步行上限、兴趣、
饮食禁忌、必须去和明确不去的地点。
已经提供的信息不要重复询问。

第二步：候选路线与实时核验

为 2 名成人规划 7 月 18-20 日上海到泉州的 3 天自由行。
预算 5000 元，偏好人文与本地小吃，每天步行不超过 15000 步。
先给两个路线方向并解释取舍，我确认后再生成逐日计划。

使用地图能力核对地点顺序、路程和预计交通时间；
把票价、开放时间、预约、天气和交通班次标注查询时间与来源。
无法实时核验的内容写“待确认”，不要补造。
输出雨天替代方案、预算区间和行李清单。
不要登录、预订、付款或代替我接受退改条款。

WorkBuddy 在执行过程中并不是一来就直接帮你做决定，而是尽可能详尽的再向你询问一些问题，确保真的像个专属导游那样帮你规划行程。

执行链与交付物

偏好问卷 → 两个路线草案 → 人工选方向 → 地图优化 → 天气与开放信息核验 → 预算与行李 → 可分享行程页。真正可用的交付物应包含了地图行程规划、合理的游玩和交通时间规划、数据来源与真实的车次，而不只是一张漂亮日程表。

预订前由人再次确认库存、价格、签证、证件、保险和退改政策。涉及老人、儿童、孕妇、慢性病或无障碍需求时，要把限制明确写入任务，不能由模型自行推断。

场景二：旅行结束后，把照片和账单变成可复用记录

WorkBuddy 还可以在旅行后完成照片按日期地点整理、票据分类、预算复盘和攻略草稿，但不要默认读取整本相册或删除原图。

只读取 trip-quanzhou/import 中的照片和票据副本。
按拍摄时间生成每日时间线，识别失败的文件列入人工确认。
票据按交通、住宿、餐饮、门票分类，金额汇总后与预算对比。
根据我确认的地点和感受生成一份私人旅行记录，
人物照片、定位和订单号在公开版本中全部脱敏。
不移动、不删除原文件。

这个场景最终可以反哺自媒体章：私人记录确认后，再选择哪些信息适合做小红书攻略或公众号长文。

场景三：体检报告看不懂，先准备一次更有效的就医

体检指标和症状记录很多，用户容易在网上搜索后自行诊断；部分健康 Skill 甚至宣称可以给出患病概率。蓝皮书不采用这种写法。

• 健康管理顾问：强调生活方式、体检数据理解和就医准备，不诊断、不处方；
• 腾讯健康相关临床 Skill 只应在符合资质、授权和实际医疗工作流时使用；普通用户不能把输出当诊断结论；
• 用药安全问题应优先咨询医生或药师，不让通用 Agent 决定停药、换药和剂量。

世界卫生组织在 AI 健康治理中强调，应把伦理、人权和问责置于技术设计与使用中心。对个人用户而言，最实用的边界是：AI 帮助整理信息和准备问题，不代替临床判断。参考：WHO《Ethics and governance of artificial intelligence for health》

安全指令

把我提供的体检报告和症状记录整理成一页就医准备材料。
输出：症状时间线、报告中的原始指标与参考区间、
我还需要补充的信息、挂号时可询问的问题、日常观察模板。

不得给出确定诊断、患病概率、处方、剂量、停药或换药建议；
不得把相关性写成因果。发现可能需要及时线下处理的信息时，
只提示我联系当地医疗机构或急救服务，不继续在线推演。

以上是我从网上找的一份就诊记录，当我把这份不太详尽的就诊记录同步给WorkBuddy，他会帮我分析并生成就医材料。

场景四：健康习惯与饮食计划，可以做得更日常

低风险健康管理更适合 WorkBuddy：饮水、睡眠、运动、膳食记录和复诊提醒。可选 营养健康、健康食谱推荐等 Skill，但仍需声明过敏、疾病、用药、孕期和专业限制。

根据我确认的饮食偏好、过敏信息、预算和可用厨具，
生成 5 天晚餐候选与采购清单。每餐说明主要食材、预计时间和替换项。
不要声称治疗疾病或保证减重效果。
涉及糖尿病、肾病、孕期或药物相互作用时，停止个性化建议，
改为列出需要向医生或注册营养专业人员确认的问题。

同样的在执行过程中会仔细询问我的饮食结构和目前厨房里可用的厨具，给出真正的属于我自己的晚餐计划，而不是一份看似精确但对我个人并不适配的医疗饮食方案。

场景五：算命、星盘与卜卦，怎样写得有趣又不越界

传统文化和娱乐测试是很多普通用户接触 Agent 的入口，可以用于传统文化体验、社交互动、写作灵感和自我提问。

不过出生时间、地点和家庭信息属于个人信息；解释结果容易被写成确定预言；用户也可能据此做医疗、投资、招聘、婚恋或职业决定。

更稳妥的指令

使用传统文化娱乐方式，根据我主动提供的信息生成一份八字文化解读。
开头明确“仅供娱乐与文化体验，不预测确定未来”。
区分排盘计算、传统说法和现代反思问题，不把传统解释写成事实。
不提供医疗、投资、法律、婚恋或职业决策建议。
结尾把每个结论改写成可验证的自我提问，并提供至少一个反例角度。
不要长期保存出生时间和地点，任务结束后提醒我清理输入。

场景六：穿搭、家庭清单和消费比较

生活助手还有很多低风险、但非常实用的场景：

使用天气查询和 每日穿搭灵感，输入城市、场合、已有衣物和不喜欢的风格。结果应优先使用衣柜现有单品，不要默认推荐购买。

把证件、药品、充电设备、儿童用品和宠物安排做成按人分组的清单，明确负责人和完成状态。自动化负责提醒，不负责确认药品是否适合某个家庭成员。

让 WorkBuddy 建立参数、价格、售后、隐私和长期成本表，再由人查看官方页面和真实合同。广告软文、联盟链接和商家评分要单独标记，不能混入事实列。

比较 3 款扫地机器人，只使用厂商官网、说明书和我提供的报价。
表格列出清洁结构、避障、耗材、隐私、保修、价格和不确定项。
把营销表述与可验证参数分开，不根据销量自动推荐。
最后根据“家中有宠物、门槛 2cm、重视隐私”给条件性建议，
不要代替我下单或接受服务条款。

场景七：情绪记录与现实支持

WorkBuddy 可以帮助记录情绪触发点、睡眠、事件和应对方式，生成复盘问题或与咨询师沟通的摘要。它不会冒充心理医生，也不会让用户只依赖 Agent。

把我本周的情绪记录按“事件、想法、感受、身体反应、采取行动”整理。
只总结重复模式，不诊断、不贴人格标签。
生成 5 个我可以与可信赖的人或专业人员讨论的问题。
如果内容出现自伤、他伤或即时危险信号，停止普通复盘，
提示我立即联系当地紧急服务、专业机构或身边可信赖的人。

生活 Skill 安装前的四项检查

1. 实时性：天气、价格、库存、政策和营业时间从哪里来，查询日期是什么；
2. 隐私：出生信息、位置、健康数据和家庭资料发送到哪里，能否只在本地处理；
3. 动作权限：是否会登录、预订、付款、发送消息或修改日历，能否在动作前暂停；
4. 专业边界：是否把娱乐写成事实，把健康建议写成诊断，把推荐写成保证。

第 16 章 资讯整合：把信息流变成每日通知

资讯整合最怕两件事：一是信息太多，真正重要的内容被淹没；二是通知太吵，最后所有人都把它当背景噪音。

WorkBuddy 把多个信息源变成可筛选、可解释、可追踪的通知系统。比如，GitHub 热点项目每日通知、AIHOT 行业日报、论文与技术趋势追踪、公众号和博客监控、新闻与热榜舆情、事实核查与来源补证。

让用户每天少错过真正值得看的东西。

资讯通知的共同工作流

无论是 GitHub 项目、AI 新闻、论文、政策还是热榜，稳定的资讯通知都可以拆成同一条链路：先收集，再去重，再筛选，再摘要，最后按人群和场景推送。

可用的资讯类 Skill

大致可以分成六类：新闻、AI 行业、开发者趋势、科研论文、内容监控、事实核查与搜索补证。

GitHub 热点项目每日通知

比如：每天 9 点抓取 GitHub Trending 和 AI 热门项目。按语言、主题、star 增长、最近提交、license 过滤。只推送 Top 5-10 个，并给出“是否值得试用”的判断。

 定时每天早上7点返回gthub热门项目，并输出项目大概简介

AIHOT 生成 AI 行业日报

AI 行业信息更新快，AIHOT 可以作为一个现成的信息源。它面向 AI 动态提供精选内容，覆盖模型、产品、行业和论文等方向，并支持 Agent 使用。

比如：每天固定时间从 AIHOT 拉取 AI 动态。按模型、产品、行业、论文、开源项目、商业化分组。对每条内容做“影响范围、可信度、与本团队相关性”评分。只推送 5-8 条重点，其余进入文档归档。对高影响内容追加二次检索，补充原始链接或官方来源。

安装aihot skill，

帮我安装这个 skill：https://aihot.virxact.com/aihot-skill/

请看一下最近 OpenAI 发布了什么新东西

总结今日热点新闻，值关注AI大模型方向

第 17 章 收藏不是知识管理，能再次用起来才是

工具都装了，知识还是散的

继续向前一步：如果一个人同时使用 WPS、ima、Obsidian、微信收藏、会议记录和本地文件，怎样分工才能避免“每个地方都有一份，但没有一份可信”。

先决定主版本，再连接工具

一个稳健的个人知识系统可以有多个入口，但只能有清楚的主版本：

场景一：灵感来了，只记下一句话

灵感最怕两种处理：一种是没来得及记，另一种是 AI 立刻把一句话扩写成一篇看似完整、却已经偏离原意的文章。

• 灵感捕手：自动分类并写入 Markdown 收件箱；
• ima-skills或 ima：移动端记录、知识库读写与检索；
• Obsidian 本地目录作为长期主版本时，可接入后文的 Wiki Skill。

把下面内容记入“灵感收件箱”，保留我的原话，不扩写、不评价：“AI 工具真正的门槛不是提示词，而是验收结果。”

场景二：微信收藏很多，真正写作时还是搜不到

• 微信收藏知识库：导出、分类，并可选择进入 ima、Obsidian 或 Notion；
• URL to Obsidian：抓取网页、总结并保存到 Vault；
• 公众号内容提取：将公众号文章保存为本地 Markdown。

处理本周微信收藏，只读，不删除原收藏。

场景三：ima 作为移动知识入口

ima 的优势不是“问答更聪明”，而是手机收集、知识库读写和微信上下文衔接。使用 ima-skills 时，先明确目标知识库和写入规则。

将我刚选择的 3 份文件放入 ima“WorkBuddy 案例库”的收件箱。

场景四：Obsidian 不是文件夹，而是可维护的 Wiki

• Obsidian 资料整理：维护核心笔记、专题综合和目录链接；
• agent + Obsidian 长期记忆：在明确项目边界后读写长期记忆。

把一篇公众号文章交给 WorkBuddy 解析，再要求放进指定的 Obsidian 素材目录。

WorkBuddy 能识别文章正文和作者，并生成 Markdown 条目。

第 18 章 会议结束不是终点，工作才刚刚开始

日常办公为什么总在重复搬运

很多办公室的一天由同一组动作组成：约会议、找材料、开会、记笔记、发纪要、建待办、追进度、写周报、做汇报。每个动作看似不难，真正消耗精力的是信息不断从聊天、会议、邮件、文档和表格之间流转，而且每流转一次都可能丢掉上下文。

主案例：一次产品评审会，怎样真正推动项目

场景设定：产品团队要评审“会议纪要自动生成待办”功能。过去会后由产品经理回听录音、整理纪要，再把行动项逐个录入任务系统，通常要半天，而且参会人对“谁答应了什么”经常理解不同。

这条协同链不追求无人值守。它在创建会议、读取录制、创建待办和确认 PRD 四处保留人工检查点。

第一步：会前先定义要做出什么决定

没有议程的会议，转写再完整也只是大量对话。会前最重要的不是发链接，而是明确会议类型、要回答的问题和期望产物。

为“会议纪要自动生成待办”产品评审准备 45 分钟议程。
参会角色：产品、研发、设计、测试、运营。
本次必须形成三个决定：首期范围、待办字段、上线验收指标。

读取 project/meeting-to-task 中的需求草案和上次决策记录，
输出：会议目标、会前材料、按分钟议程、每个议题的主持人、
需要当场决定的问题、可以会后异步处理的问题。
事实与建议分开；缺少的信息列入会前补充，不自行补造。

第二步：创建腾讯会议，并同步日历

腾讯会议 Skill用于会议全生命周期：创建、修改、取消、查询会议，查看参会成员，并在权限允许时获取录制、转写和智能纪要。官方说明要求通过环境变量保存 Token，并提醒使用者遵守企业数据和隐私要求。

腾讯会议 Skill 不等于通用日历。正确顺序是：先创建会议得到会议号和链接，再通过日历或办公协作连接器创建日程、邀请参会人和预定会议室。

创建前必须确认的字段

使用腾讯会议 Skill 创建一场会议。
主题：会议纪要自动生成待办 - 首期评审
时间：2026-07-08 14:00-14:45，时区 Asia/Shanghai，单次会议。
先返回拟创建信息让我确认；确认后创建会议。

创建成功后，把会议号、链接、开始结束时间写入 meeting-brief.md。
再生成日历邀请草稿，包含议程和会前材料链接；
不要自行添加参会人、发送邀请或预定会议室，等待我确认名单。

创建、修改和取消是不同风险等级。取消会议、修改周期规则、扩大参会范围前要展示目标会议和影响范围，不能只凭一句“把下午的会取消”。

ps：以上提示词可以根据自己的会议修改。

第三步：会后获取录制、转写和会议内容

会议结束后，最容易犯的错误是把“有录音”当成“已经有可用信息”。录制可能没有开启，转写可能尚未生成，调用人也可能没有查看权限。

查询会议号 123 456 789 对应的已结束会议。
先返回主题、时间和主持人，确认是目标会议后，再查询录制列表。
如果有权限，获取转写全文、分段信息和智能纪要；
如果无权限，停止读取并返回所需授权，不尝试绕过。
下载或保存前说明文件类型、大小、目标目录和保留期限。

在这个过程中需要连接腾讯会议连接器，按照提示在连接管理器中找到“腾讯会议”，并授权连接就行。

腾讯会议能力通常需要先把 9 位会议号转换成内部 meeting_id，再查询详情、录制和转写。这个过程由 Skill 完成，不需手工转换，但保留会议号、会议 ID、录制 ID、查询时间和权限状态，方便排错。

录制与转写的边界

• 会前或会中明确告知录制和转写安排；
• 不把录制链接转发给没有权限的人；
• 不因获取失败而把聊天截图或未经同意的录音当替代来源；
• 转写是机器识别结果，专有名词、数字、责任人和否定句必须回听核对；
• 企业会议遵守所在组织的保留期限、数据分类和合规要求。

第四步：从转写生成可执行会议纪要

一份纪要，包含五类信息

生成会议纪要，不得只依赖平台智能摘要；关键数字、责任人和否定表达回到转写核验。

输出：
1. 会议基本信息；
2. 三句话结论；
3. 按议题整理的讨论摘要；
4. 决策表：决定、理由、决定人、时间戳；
5. 行动项表：任务、负责人、截止日期、交付物、依赖；
6. 未决问题与下次确认时间；
7. 转写中无法确认的人名、数字和术语。

没有明确负责人的任务写“待认领”，没有明确日期写“待确认”，
不得根据语气猜测负责人或截止时间。

第五步：纪要里的待办，不能直接静默写入任务系统

为什么要两步确认

会中发言和正式任务不是同一件事。把“可以看看”直接变成分派给某人的任务，会制造额外管理成本。

读取 minutes-approved.md 中的行动项，只生成待办导入预览。
每条显示：标题、描述、负责人、截止日期、优先级、验收物、来源会议。
负责人或日期缺失的条目进入“待补充”，不要创建。
先按负责人分组让我确认；确认后再写入指定任务清单。
写入完成后返回成功、失败、跳过和重复四个清单，不发送催办消息。

这里由于我这次的会议主要是为了演示用，所以待办项的相关责任人都是待确认状态。

稳定流程是：纪要草稿 → 参会人确认 → 待办预览 → 人工补齐责任与日期 → 写入任务系统 → 返回任务链接。重复运行时使用“会议 ID + 行动项序号”作为幂等键，避免创建重复任务。

第六步：会后通知和跟踪

会议后可以生成邮件或群消息草稿，但发送前必须确认对象和可见范围：

根据会议记录生成两份会后通知草稿：
A. 发给全体参会人：结论、行动项、未决问题和纪要链接；
B. 发给管理层：三句话结论、关键风险和需要支持的决定。
不要包含录制下载地址、内部争议原话或未确认个人责任。
只生成草稿，不发送。

批量重命名要保留映射表；同名冲突不覆盖；合同、财务和人事文件按组织规则处理，不能只按文件名猜分类。

会后延伸：把会议纪要变成汇报 PPT

先确定汇报对象和结论，再设计页面：

根据会议纪要生成 8 页项目汇报 PPT。
受众是管理层，目标是确认首期范围和资源缺口。
页面：结论、背景、用户问题、已确认范围、进度、风险、资源请求、下一步。
每页只表达一个结论；数字来自状态表，决定来自纪要；
不使用无法解释的装饰图表。先返回页级大纲和证据映射，确认后再生成 PPT。

一套基础办公 Skill 栈

不要一开始安装十几个 Skill。先选择一个每周都会发生、输入稳定、结果容易验收的任务，例如会议纪要到待办；连续跑通后，再把 PRD、周报和汇报接到同一条链上。

第 19 章 把投资分析变成你的日常

投资本身就是一件高度信息密集、强结构化、又极度依赖判断的事：读不完的财报、理不清的行业、吵不停的多空。而整理碎片信息、拆解复杂材料、把思考过程摆到台面上，恰好是 AI 擅长的。

在一次完整的股票研究里，AI 到底能替你做掉哪些低质量的重复劳动，把精力还给判断本身。

先想清楚：AI 在投资里该干什么

多数人对「AI 炒股」的想象是让它预测涨跌。但从真实的高频用法看，绝大多数有价值的提示词其实只集中在四类事上：

• 读不完的财报，帮我总结；
• 行业太复杂，帮我把逻辑理一遍；
• 市场吵得太凶，帮我把多空观点放进一张表；
• 我怕自己自嗨，帮我找反证。

这四类都不是「预测涨跌」，而是减少低质量思考的时间。AI 在投资里最合理的位置，是一个不知疲倦、不带情绪、随叫随到的研究助理——它负责把事实底座打牢，把判断留给你。

和办公三件套一样，动手前先用五个问题给这次研究定标。很多「AI 分析得不好」，根源不是模型不会分析，而是人没把研究目标说清楚。

先选对工具：金融场景的 Skill 组合

在进入提示词之前，先认识本章会用到的几个 Skill。它们分工不同，可以单用，也可以像流水线一样串起来。

一个实用的搭配思路是：日常盯盘和批量选股用 a-share-analyst 与 financial-expert；要对一只票下深功夫、出一份完整报告，用 stock-advisor；需要跳出单一视角、逼自己看反面时，叫上 peers-advisory-group。

从查资料到下判断：一套可复用的研究提示词链路

这一节是纯提示词。它们按「最简单 → 相对复杂」排列，覆盖了从「查资料」到「下判断」的完整链路。你不必每条都用——先用前三条建立事实底座，需要深挖时再往后走。第 8 条是把前面所有环节压进一个框架的「全家桶」，也是日常在 ChatGPT、Gemini、豆包、千问的 DeepResearch 里最常用的一条。

每条提示词的用法统一是：把方括号 【】 里的占位换成你的标的，粘贴运行即可。

Prompt 1｜最基础：给公司建一个「事实底座」

解决的场景：刚接触一家公司，先别急着判断，先搞清楚它到底是干什么的。很多错误判断，从第一步认错了业务就开始了——你以为它靠 A 赚钱，结果利润主要来自 B。这一步的价值，是压缩你「搞清楚事实」的时间成本。

请帮我系统梳理【XXX 公司】的基础情况，输出结构化总结，包括：
1）核心业务与主要产品线
2）收入与利润来源构成
3）主要客户与应用场景
4）公司在产业链中的位置
5）近几年最重要的战略变化

## 要求：
- 只使用可核实的信息
- 每一部分用 3–5 条要点说明
- 不做投资建议，只做事实整理

Prompt 2｜行业视角：这是不是一个「好行业」

解决的场景：股票研究里一个常被低估的问题——你选的往往不是公司，而是行业。AI 很适合做行业的「第一性梳理」。但行业拐点、价格见底这种问题，别指望它给答案。

请从行业研究的角度，分析【<XXX公司>】所在的【<XXX行业>】：
1）行业所处的周期阶段（复苏/扩张/衰退/萧条）
2）供需关系与主要驱动因素
 - 产能、开工率、库存、订单/交付周期
3）价格变化机制与历史波动
 - 产品价格指数/价差/成本传导
 - 资本开支：Capex趋势、扩产项目、行业新增产能
4）行业集中度与竞争格局
5）影响行业的关键外部变量（政策、技术、宏观）
 - 政策与外部变量：利率、汇率、监管、补贴、贸易限制
请明确指出：哪些是长期结构性因素，哪些是短期波动因素。输出周期阶段判断 + 关键证据图表清单 + 领先指标(3个)与滞后指标(3个)。

Prompt 3｜业务拆解：钱到底是怎么赚来的

解决的场景：从「看公司」到「看生意」的关键一步。很多「看起来很美」的公司，核心利润来源其实很脆弱。混杂型公司（主业 A、利润却来自 B）尤其适合让 AI 帮你看清楚。

请你以【价值投资 / 基本面研究】视角，对【XXX 公司】进行"业务拆解"，目标是回答一个核心问题：
👉 这家公司【真正、长期】是靠什么赚钱的？

## 要求
- 仅基于可验证信息（年报、招股书、定期公告、投资者交流纪要、权威行业报告等）
- 明确区分【事实】与【判断】，所有判断必须给出证据或逻辑链
- 输出为 Markdown 结构化报告

## 必答结构
一、公司"赚钱方式"的一句话结论
- 用不超过 50 字，概括公司最核心的赚钱逻辑（卖什么 → 卖给谁 → 为什么能赚钱）

二、业务结构全拆解（必须量化）
1. 业务板块拆分
   - 列出所有核心业务 / 产品线 / 服务线
   - 对每一块给出：收入占比、毛利率、增长趋势（近 3–5 年）
2. 利润来源判断
   - 哪些业务"贡献了大部分利润"
   - 哪些业务"收入大但不赚钱 / 甚至亏钱"
   - 是否存在【主业≠利润核心】的情况？（如：主业A，利润来自B）

三、赚钱机制拆解（Business Engine）
对核心业务逐条回答：
- 钱是怎么收进来的？（一次性/订阅/持续复购/项目制）
- 成本主要花在哪？（原材料、人力、渠道、研发、营销）
- 毛利率由什么决定？是结构性优势还是周期红利？
- 是否具备规模效应？规模扩大后，哪一项成本会被摊薄？

四、客户、渠道与定价权
- 核心客户是谁？是否集中？（Top5/Top10 客户占比）
- 销售渠道结构（直销 / 经销 / 平台 / 政府 / 大客户）
- 是否具备定价权？历史是否成功提价？证据是什么？
- 客户更换供应商的成本高不高？为什么？

五、子公司 / 联营公司 / 非经常性业务
- 列出重要子公司、联营公司及其业务性质
- 明确哪些利润来自：
  - 可持续经营
  - 周期波动
  - 投资收益 / 政策补贴 / 资产处置
- 判断这些"非主营利润"对长期估值逻辑的影响（正面 / 负面 / 干扰）

六、商业模式的"稳定性与脆弱点"
- 哪些假设一旦被破坏，赚钱逻辑就会失效？
- 最容易被竞争 / 技术 / 政策冲击的环节在哪里？
- 用 3–5 条"关键监控指标"总结如何持续验证这门生意是否还成立

## 最终输出
- 一句话商业本质总结
- 业务结构表（收入 / 利润 / 毛利率）
- 赚钱机制逻辑链（文字 + 列点）
- 对长期投资者最重要的 3 个判断结论

Prompt 4｜财务质量：这家公司赚的钱干不干净

解决的场景：财务调研指标很多，这里给一个通用格式。核心是强制做「利润 vs 现金流」的交叉验证——账面利润漂亮，现金流跟不上，往往是第一个预警信号。

请分析【<公司>】近几年的财务质量：
1）收入、利润与经营现金流的匹配情况
2）应收账款、存货、合同资产变化
3）非经常性损益对利润的影响
4）是否存在一次性项目或会计口径变化
5）可能需要重点关注的财务风险点

## 研究原则
- 不预测股价，只判断财务"质量"
- 强制进行"利润 vs 现金流"的交叉验证
- 对所有异常必须给出解释假设与验证路径

请重点指出：哪些指标值得持续跟踪。

Prompt 5｜股权与治理：老板和你是不是一条船上的

解决的场景：生意好 + 治理差 = 高波动风险资产。股权质押、减持、关联交易、激励条款，这些「筹码面」的信息很分散，适合让 AI 一次性梳理成时间表和风险雷达。

1、梳理【<公司>】股权结构与关键股东：
- 实控人、控股股东、董事会结构
- 股权质押比例与变化、减持计划、潜在控制权变更风险
- 关联交易、同业竞争、资金占用风险
输出：治理结构图（文字版即可）+ 风险雷达(高/中/低) + 需要跟踪的公告清单。

2、请建立【<公司>】未来<12个月>的"筹码事件时间表"：限售解禁、员工持股解锁、定增/配股、回购进度。
对每个事件给出：潜在抛压/承接能力判断、对估值中枢的影响路径、历史上类似事件的股价反应统计（如能找到）。

3、分析【<公司>】管理层薪酬与股权激励：
- 激励指标是否容易"做账达成"？（收入/利润/现金流/ROIC）
- 目标难度与行业对比
- 是否存在短期行为激励（冲收入、降研发等）
输出：同向性结论 + 关键条款摘录 + 改进建议。

Prompt 6｜市场分歧：多空到底在吵什么

解决的场景：多空双方的观点最有信息量。这一步不是告诉你该信谁，而是帮你把分歧摊平，看清楚未来该盯哪些数据来验证。

请整理市场对【XXX 公司】的主要分歧点：
1）多方核心逻辑
2）空方核心逻辑
3）各自最重要的论据
4）哪些分歧可以被未来数据验证
5）关键验证节点是什么

## 分析要求
- 不得站队
- 不给投资建议
- 不使用情绪化或立场性语言
- 所有判断必须可被未来数据或事件验证

Prompt 7｜估值与护城河：市场在押什么假设

解决的场景：护城河和估值，是价值投资绕不开的两块。下面两条一条评护城河强度，一条搭 DCF 反推市场隐含预期。

以价值投资视角分析【<公司>】的护城河，必须引用公司披露/权威来源。
1) 定价权：过去<5-10年>毛利率/提价能力/成本转嫁证据？
2) 转换成本：客户更换供应商的成本是什么（系统、流程、合规、生态）？
3) 网络效应/规模效应：规模如何降低单位成本或提升体验？
4) 无形资产：品牌、专利、牌照、数据、渠道壁垒的可验证证据？
5) 竞争反应：主要对手如何攻击，公司如何防守（历史战役）？
输出：护城河强度评分(0-5)+证据表+最可能被侵蚀的点与监控指标。

请为【<公司>】构建 DCF 估值（允许使用公开财务数据，必须引用来源）：
- 明确WACC/折现率假设与依据
- 预测5-10年自由现金流：收入、利润率、再投资率
- 给出敏感性分析表（折现率×永续增长率 或 折现率×利润率）
- 反推：当前市值隐含的收入增速/利润率路径
输出：估值区间 + 关键假设清单 + 最容易错的2个假设及验证方案。

Prompt 8｜全家桶：一份尽调级 DeepResearch

解决的场景：这是把前七步的逻辑压进同一个框架的「投资者尽职调查报告」。它强制区分事实与判断、强制交叉验证、强制推演空方逻辑与黑天鹅——用来对抗人最容易犯的「确认偏误」。这条在各家 AI 的 DeepResearch 模式里都很好用。

我需要你帮我完成一份投资者尽职调查报告。目标是对标的 `<股票名称/代码>` 进行全方位的商业模式、财务质量、行业周期及估值逻辑推演。
请严格按照以下逻辑框架进行推演。

## Constraints & Standards (研究原则)
1. 数据时效性与跨度：财务数据需涵盖**过去 3-5 年**的趋势（CAGR），估值分位需回溯**过去 5-10 年**的历史区间。
2. 事实底座优先：区分【事实 Fact】与【判断 Opinion】。所有判断必须基于可验证的数据（年报、招股书、监管问询函）。
3. 双重验证：必须进行"利润 vs 现金流"的交叉验证，以及"公司 vs 同行"的对比验证。
4. 反直觉思考：必须包含"空方逻辑"与"黑天鹅风险"推演，避免确认偏误。

## Research Context (用户输入)
- **研究标的**：[在此输入股票名称/代码]
- **投资风格**：[如：价值投资 / 成长接力 / 困境反转]
- **持有周期**：[如：中长线 1-3 年]

## Workflow
### Phase 1: 商业模式与护城河拆解 (Business Engine & Moat)
> 核心任务：搞清楚它真正靠什么赚钱，剔除噪音，看清本质。
1. 业务透视与提纯：
    - **拆解营收/利润结构**：核心业务是什么？是否存在"主业赚吆喝，副业（投资/补贴）赚利润"的现象？
    - **子公司/联营公司穿透**：深挖主要子公司和联营公司的实际贡献，**剔除噪音**，明确指出哪些业务是拖累，哪些是隐形金矿。
2. 护城河判定：
    - **定价权**：是否有提价能力？（证据：毛利率是否随成本波动？还是能转嫁成本？）
    - **核心壁垒**：是品牌溢价、极高的转换成本、网络效应，还是单纯的低成本优势？
    - **行业天花板**：该行业 TAM 有多大？当前市场份额分布如何？公司是否触及增长天花板？

### Phase 2: 行业周期与供需格局 (Industry Context)
> 核心任务：判断是顺风还是逆风，是红海还是蓝海。
1. 周期定位：行业目前处于哪个阶段（复苏/过热/滞胀/衰退/萧条）？请引用库存水平、开工率、Capex（资本开支）趋势作为证据。
2. 供需剪刀差：寻找"领先指标"与"滞后指标"。未来 1-2 年行业是否有大规模新增产能投放？
3. 竞争格局变化：行业集中度（CR5）是在提升还是分散？主要竞争对手近期有什么大动作（价格战/技术突破）？

### Phase 3: 财务健康度与质量扫雷 (Financial Health)
> 核心任务：这笔钱赚得干不干净？增长是否有质量？
1. 核心指标趋势：
    - 计算过去 3-5 年的 **营收 CAGR** 和 **净利润 CAGR**，判断增长的持续性。
    - 分析 **ROE（净资产收益率）** 的驱动因素（杜邦分析：是靠加杠杆，还是靠周转快，还是利润高？）。
    - 绘制 **毛利率与净利率** 趋势图，判断盈利能力的稳定性。
2. 异常排查（扫雷）：
    - 周转率警报：存货周转率、应收账款周转天数是否有恶化（变长）趋势？
    - 含金量测试：经营性现金流净额 / 净利润是否匹配？（长期 <1 则为危险信号）。
    - 非经常性损益：剔除一次性收益后，扣非净利润是否依然健康？

### Phase 4: 治理结构与资本配置 (Governance & Allocation)
> 核心任务：管理层是股东的伙伴，还是收割者？
1. 资本运作回顾：
    - 盘点近 2 年的增发、回购、股权激励或重大并购。这些动作对中小股东是**增厚 EPS** 还是**稀释权益**？
2. 股权与筹码：
    - 实控人持股比例？是否有**高比例质押**风险？是否有重要股东（大基金/高管）持续减持？
3. 管理层画像：
    - 他们的言行是否一致？
    - **资本配置能力**：历史上赚到的钱投向了哪里（瞎投资/扩产/分红/回购）？回报率（ROIC）如何？

### Phase 5: 估值逻辑与风险反脆弱 (Valuation & Risk)
> 核心任务：价格是否包含了过高的预期？
1. 相对估值（纵向+横向）：
    - **历史分位**：当前 PE/PB/PS 处于历史（过去 5-10 年）的什么分位点？
    - **同行对比**：与同行业主要竞争对手相比，估值是溢价还是折价？理由充分吗？
2. 绝对估值（反向思维）：
    - 不仅仅做预测，请进行**反向 DCF 推演**：当前股价隐含了未来 3-5 年多少的净利润增速？这个隐含预期是否过于乐观？
3. 风险与空方逻辑：
    - **空方视角**：全网搜索看空该股票的核心理由（做空报告/负面舆情）。
    - **黑天鹅**：政策监管风险、技术路径被颠覆风险、地缘政治风险。

## Output Format (输出结构)
请以结构化输出，并在文末附上【引用来源清单】：
1. 投资结论摘要
    - 信号灯评级：🟢买入 / 🟡观望 / 🔴卖出
    - 核心逻辑总结（One-liner）
2. 关键财务数据表（含 CAGR, ROE, 现金流匹配度）
3. 深度分析正文（按上述 5 个 Phase 展开，每个结论需附带数据支持）
4. 估值仪表盘（历史分位 + 隐含预期 + 同行对比）
5. 未来监控清单
    - 只有当 [事件A] 发生时，才强化买入逻辑。
    - 一旦 [数据B] 恶化（如毛利率跌破X%），逻辑证伪，立即退出。

到这里，一套从「查资料」到「下判断」的提示词链路就齐了。但你可能已经发现一个问题——它们是散装的。每换一只票，你都要一条条重新粘贴、手动把上一步的结论喂给下一步、最后还要自己整理成报告。下一节，我们把这套链路装进一个 Skill。

从提示词到 Skill：stock-advisor 是怎么长出来的

这个场景的痛点

上一节的提示词单独看都好用，但真要完整研究一只票，痛点很明确：

• 要手动串：技术面、基本面、多空、估值，八条提示词得一条条跑，还要人肉把中间结论搬来搬去；
• 换标的重来：每分析一只新股票，整个流程从头走一遍；
• 数据靠眼睛：截图里的数字全靠人核对，容易看错；
• 决策容易自嗨：一个人分析，很难跳出自己的立场；
• 交付靠手工：最后整理成一份像样的报告，又是一轮体力活。

stock-advisor 要解决的，就是把这条链路从「一堆提示词」变成「一条按一次就跑完的流水线」。

创作原理：编排，而不是重写

stock-advisor 的设计核心是一个词——编排（Orchestration）。它没有把所有能力重新造一遍，而是把「已经好用的部件」按顺序接成一条流水线：

用户输入（截图 / 股票代码）
        │
        ▼
  ① 技术面分析 → ② 基本面分析 → ③ 多维交叉验证 → ④ 私董会讨论 → ⑤ 排版输出

五个模块各司其职：

这里藏着 Skill 创作最值得学的一点：复用而非重写。stock-advisor 的依赖清单里，技术指标脚本复用了 a-share-analyst，决策讨论复用了 peers-advisory-group，排版复用了 magazine-layout，上传复用了 lark-doc。它自己新写的，只有「基本面分析」「HTML 转 PDF」等少数几块。

换句话说，做一个复杂 Skill，不一定要从零写一个庞然大物。先把已有的能力当积木，缺哪块补哪块，再用一条主线把它们编排起来——这就是 stock-advisor 的创作方法论，也是把个人经验沉淀成工具的通用思路。

它还有两个体现「产品化」意识的小设计：

• 首次使用建档：第一次跑会问你 3-4 个问题（风险偏好、投资周期、关注行业、仓位上限），存进记忆，之后的建议会按你的风格调权重；
• 两种入口同一条流水线：上传截图走「图像识别 + 数据验证」，直接给代码走「纯数据驱动」，差异只在取数方式，后面完全一致。

它到底解决了什么问题

一句话：把「一次严肃的股票研究」从半天的手工活，压缩成一次对话。 你提供截图或代码，它自动完成取数、多面分析、交叉验证、多视角辩论和报告排版。人要做的，从「搬运和拼接」变成了「拍板和质疑」——这正是第一节说的，把精力还给判断。

在 WorkBuddy 里触发 stock-advisor Skill 的界面（技能被识别、开始执行的那一刻）。

---

实战案例：用 stock-advisor 跑一遍天孚通信（300394）

光讲原理不够，下面是一次真实的完整对话。标的是天孚通信（300394），光通信 / CPO 板块。整个过程分三步递进：先看图、再看财报、最后开一场私董会。

第一步：上传 K 线图，先要一份技术面速读

我上传了这只票的 K 线日线图和 MACD 指标图，让它先做技术分析。用的提示词就是第二节思路的实操版：

我上传了一只 A 股的 K 线日线图和技术指标图（MACD）。请你作为一位专业的技术分析师，完成以下任务：
1. 识别股票信息：这是哪只股票？当前股价大约是多少？
2. K 线形态分析：近期呈现什么形态？近 5 日 K 线的具体表现？
3. 均线系统分析：MA5/MA10/MA20 的排列状态，最近是否出现金叉或死叉
4. MACD 分析：DIF 和 DEA 的位置关系，柱状图趋势，是否出现背离
请以表格 + 文字结合的方式输出技术面速读报告。

上传 K 线图 + 输入上述提示词的对话界面。

WorkBuddy 先从图里识别出这是天孚通信（300394），当前股价约 368.70 元，然后给出了结构化的技术面速读。核心结论：

• 趋势：MA5 > MA10 > MA20，标准多头排列，未见死叉，仍在主升浪；
• 风险信号：当日一根长上影线（最高冲 376.10 回落到 368.70），MACD 红柱开始缩短，乖离率偏大；
• 关键位：支撑看 MA5（347）/ MA10（319），压力看当日高点 376。

技术面速读报告的完整输出（含 K 线形态、均线、MACD 四张小表）

一句话点评：这一步它没有猜涨跌，而是把「图里能读到的事实」结构化了——形态、均线、指标、支撑压力，一目了然。

第二步：补上财报截图，做一次全面分析

接着我又上传了 2025 年三季报和全年预增公告的截图，让它把基本面接进来，做一次完整评级：

我又上传了这只股票的 2025 年三季度报数据和 2025 年全年预增数据。
现在请你：
1. 先识别截图中的所有财务指标数据
2. 然后结合第一轮的技术面分析，帮我做一次全面的 A 股分析：
   - 技术面总评（综合 K 线、均线、MACD、KDJ 给出方向判断）
   - 基本面总评（营收增速、盈利能力、估值水平）
   - 资金面观察（成交量变化趋势）
   - 综合评级：强烈推荐 / 推荐 / 中性 / 谨慎 / 回避
3. 给出短期（1-2 周）、中期（1-3 月）的操作建议
4. 明确标注关键支撑位和压力位，请按照专业研报的格式输出。

上传财报截图 + 输入上述提示词的对话界面。

这一轮它先把截图里的财务指标逐条识别出来（营收 39.18 亿、同比 +63.63%，归母净利 14.65 亿、ROE 31.30%、毛利率 51.87%，PE 146.70……），然后合成了一张综合评级表：

最终评级：推荐。 核心结论是一句很克制的话：中期趋势向好（CPO 高景气 + 高成长），但短期估值透支、涨幅过大，不宜追高，等回调再择机。 它还给了分投资者类型的仓位建议、四档支撑位和三档压力位。

全面分析报告的完整输出（财务识别表 + 综合评级表 + 操作建议 + 支撑压力位）。

值得注意的是，这一步已经体现了模块二的设计：技术、基本、资金三面分开打分，再加权合成，估值太贵就在总分里扣回来——不会因为成长性好就无脑看多。

还可以从不同角度去分析，使用\a-share-analyst\ \`skill去完成。

第三步：拿不定主意，开一场私董会

评级出来了，但「推荐」不等于「现在就买」。这时候我叫上了第四个模块——私董会，请四位风格迥异的幕僚就这只票交叉辩论：

但我对这只股票还是拿不定主意。现在请帮我启动一场私董会，我要请四位幕僚来讨论这只股票是否值得投资：
- 巴菲特：从价值投资的角度（内在价值、护城河、安全边际）
- 马斯克：从科技趋势和颠覆性创新的角度
- 比尔·盖茨：从商业模式和行业格局的角度
- 乔布斯：从产品力和用户体验的角度
讨论要求：
1. 每位幕僚先各自发表 3-5 分钟的独立观点。
2. 然后进入交叉质询环节——幕僚之间互相挑战对方观点。
3. 最后每人用一句话给出"买入/持有/卖出"的最终建议。
4. 你作为私董会主持人，综合四位意见给出最终执行方案。
请基于前两轮的分析数据来展开讨论，让幕僚们"带着数据聊"。

启动私董会的对话界面。

私董会环节里，系统先联网更新了四位幕僚的近况，还补检索了更新的数据（2025 全年营收 51.63 亿、净利 20.17 亿，2026 Q1 环比下滑，以及和中际旭创、新易盛的横向对比）——这正是模块三「多维交叉验证」在起作用，把讨论从截图数据推进到了全网最新事实。

四位幕僚各自独立发言、再互相质询，观点很快分成两派：

四位幕僚独立观点 + 交叉质询环节（篇幅较长，建议分屏截图）。

最后每人一句话定调，形成了鲜明的「2:2」分裂：

• 巴菲特（回避）：「PE 142，安全边际为零，护城河在收窄。除非跌到 200 元以下，否则这不是投资，是赌博。」
• 比尔·盖茨（等待 / 换仓）：「基本面尚可，但估值太贵、竞争格局恶化。建议等 PE 回到 60 倍以下，或换性价比更高的新易盛 / 中际旭创。」
• 马斯克（All in）：「CPO 是光通信的 iPhone 时刻，天孚是上游的铲子王。超买是最后的上车机会，不是下车理由。」
• 乔布斯（有条件持有）：「相信 CPO 革命就现在持有，但前提是 CPO FAU 在 2026 H2 如期兑现，否则果断离场。」

主持人最后综合出一份分投资者类型的执行方案，而不是一个笼统的「买或不买」：

并且把决策挂到了几个未来验证节点上：8 月中报预告看 Q2 是否环比改善，H2 看 CPO FAU 能否放量、毛利率能否回到 55%+，10 月三季报看营收增速。逻辑证伪就退出。

主持人的综合执行方案（分类型建议表 + 决策节点表 + 替代标的）。

最后：一键成稿

对话结束后，让它把整场分析生成一份杂志风格的报告，stock-advisor 会调用排版模块出成品，可以本地存 PDF，也可以直接上传飞书云文档。

杂志风格投资分析报告成品（首屏 / 封面）。

回头看这一个案例，stock-advisor 把第二节那八条散装提示词，变成了一次三轮对话就跑完的完整研究：看图 → 看财报 → 开私董会 → 出报告。而全程它没有替我做那个最关键的决定——买还是不买。它只是把该看的都看了，把该吵的都吵了，最后把判断权，干干净净地交回到我手里。

---

常见错误与使用边界

金融是强监管、强风险的场景，比办公三件套更需要守住边界。下面几条，是把 AI 用在投资上最容易踩的坑。

风险提示：股市有风险，投资需谨慎。 本章所有提示词、Skill 与案例，均以「辅助研究」为目的，不构成任何投资建议。AI 只是把事实和分歧摆到你面前的工具，最终的判断和后果，始终在人这一边。据此操作，风险自担。

第 20 章 一句话召唤 AI 视频团队

在 WorkBuddy 里把短视频工作拆成两支 AI 专家团：一支负责自动生产视频，一支负责拆解爆款视频。

这两个团队并不是互相替代的关系。视频生成团队解决“今天怎么做一条出来”，爆款拆解团队解决“为什么别人那条能火，我能学到什么”。一个负责生产，一个负责学习，组合起来才有持续迭代的可能。

如何召唤：从一句话开始，但不要停在一句话

召唤视频生成团队，制作一条 46 秒 AI 周报短视频。

第一支团队：视频生成团队

视频生成团队里有四个核心角色：视频生成团队主理人凌导、信息采集员灵阅、内容策划师灵枢、视频制作师灵映。它们不是四个换名字的聊天窗口，而是一条有上下游交接关系的视频生产线。

这才是多 Agent 的关键：不是角色越多越好，而是每个角色都有清晰输入和输出。信息采集员不直接写成片脚本，策划师不重新编造热点，制作师不重写事实，团长负责让流程不断档。

底层生产引擎：HyperFrames

文章提到，这条视频流水线基于 HyperFrames 搭建。它的核心思路是用 HTML 渲染视频，天然适合 Agent 生成结构化工程，再交给渲染工具输出 MP4。它还带有 CLI 工具链、TTS、字幕、去背景和视频组件模板。

生成流程一：信息采集员先让热点有来源

做视频最耗时间的往往不是剪辑，而是“今天到底拍什么”。所以视频生成团队先让信息采集员灵阅抓 RSS、搜新闻、扫社媒、聚合 AI 热点，并去重输出结构化摘要。

这个阶段的产物至少应该包含：标题、来源、发布时间、事件发生时间、原始链接、热度线索、为什么值得关注。热度只能帮助排序，不能替代事实核验。

生成流程二：内容策划师把主题变成镜头

选题有了之后，真正费脑子的是“这条视频怎么讲”。内容策划师灵枢负责选题评估、脚本写作、分镜设计、旁白文案、镜头节奏，以及转场建议、素材清单、BGM 节奏、字幕停顿和情绪节点。

这里建议设置第一次人工检查：开头 3 秒是否有钩子，46 秒是否塞入过多信息，旁白是否准确，画面是否真的支撑观点。脚本不过关时，不要进入配音和渲染。

生成流程三：视频制作师把分镜变成成片

灵映会把确认后的脚本转成 HTML，再调用 HyperFrames 渲染 MP4。文章里提到，系统会自动完成 Azure TTS 配音、Whisper 字幕对齐、动画与转场生成、素材拼接、字幕叠加和视频渲染。

成片验收不要只看“能不能播放”。至少检查旁白与字幕是否一致、镜头时长是否匹配、文字是否遮挡主体、BGM 是否可用、素材是否有版权风险、画面是否适合目标平台安全区。

生成流程四：发布可以自动化，但默认要人工确认

发布 Agent 自动生成标题、自动打标签、自动上传封面，并通过云手机发布到抖音、视频号和 B 站。这是很强的自动化能力，但蓝皮书建议默认不要直接自动发布，除非账号、素材、标题和合规边界都已经过人工确认。

第二支团队：爆款视频拆解团队

光会生成还不够。

内容创作者真正需要的是理解“为什么别人能爆”，把一条爆款视频拆成可以参考的操作手册：提取视频、转录文案、分析景别运镜、剪辑节奏、色调风格，并给出仿拍建议。

拆解流程一：视频下载要有降级策略

爆款拆解的第一步是拿到视频。文章里专门提到，最复杂的是视频下载，所以设计了一套三层降级策略：官方 API、Playwright、yt-dlp。只要有一层成功，流程就继续。

这里必须加上边界：视频下载和分析要遵守平台条款、版权授权和合理使用范围。拆解的目的应该是学习结构和方法，不是搬运原视频。

拆解流程二：音频提取与文案转写

视频下载完成后，小凯用 ffmpeg 提取音频，把 video.mp4 转成 audio.mp3，再调用语音识别 API 自动转录完整口播文案。以前一句句听、一句句敲的工作，现在可以被稳定自动化。

拆解流程三：视频理解与镜头语言分析

接下来是最有意思的一步：视频理解。小淼会分析整条视频的景别、运镜、转场、剪辑节奏、色调、镜头时长。很多看起来“有感觉”的爆款视频，背后其实有稳定的镜头规律。

两支团队如何形成闭环

两个专家团可以合作。先用爆款拆解团队学习镜头语言和节奏，再让视频生成团队生产新视频，发布之后继续分析数据，再反过来优化下一版内容。

这就是专家团比单个工具更有意义的地方。它不只是帮你做一条视频，而是让“学习、生产、发布、复盘”变成一个可以重复运转的系统。

第 21 章 自媒体不只是靠努力，而是一条增长闭环

内容没人看？往往不是因为你不够努力

一个人做自媒体，做自媒体最浪费时间的事，就是一上来就把内容打磨到满分。

听起来很反常识，但我真踩过这个坑。你写得很深，资料查得很全，结构改了三遍。结果发出去，阅读量个位数。

后来我才意识到，起号前期真正要先解决的，不是“写得够不够好”，而是“有没有人愿意点进来”。

工作流

Skill 的作用是补上其中一个环节，不是接管账号判断。下面用八个具体工作现场说明。

场景一：每天刷热点，仍然不知道账号该写什么

热榜告诉你“大家正在看什么”，却不告诉你“这个账号为什么值得写”。只跟热点，容易得到同质化内容；只凭感觉，又很难判断用户是否真的关心。

• 公众号热门文章查询：观察同主题热门文章；
• 小红书爆款笔记查询：获取热门笔记和数据线索；
• 小红书评论洞察：从评论中提取问题、反对意见和未满足需求；
• 灵感捕手：把临时想到的角度放进统一收件箱。

指令怎样写

围绕“AI 办公自动化”建立本周选题池，不直接写文章。
分别收集公众号与小红书近 30 天的高互动内容，记录标题、发布日期、
核心承诺、内容结构、互动信号和原链接。
再从评论中提取：重复问题、反对意见、失败经历和用户原话。

结合我的账号定位：面向非技术职场人，强调真实流程和结果验收。
输出 12 个候选选题，每个包含：目标读者、真实问题、已有内容缺口、
我能提供的新证据、适合平台、制作成本和时效性。
不要把阅读量高直接解释成选题一定适合我。

执行流程与结果

WorkBuddy 先生成跨平台样本表，再把评论聚成问题簇，最后把“热度、账号匹配、新增价值、证据充足度、制作成本”分别评分。交付物是一张可以人工删选的选题看板。

有时候光找热门还不够，我们还需要去找低粉爆款。

大家应该都听过，起号要找低粉爆款去抄，这确实是这样的。

PS：这里说的抄，是抄选题，不是原封不动的抄内容。

推荐一个叫**viral-topic**的skill，它可以获取各个平台近期的指定领域的多个低粉爆款内容。

比如获取公众号最近7天的AI领域低粉爆款文章。

筛选X上的低粉爆款

以及YouTube的低粉爆款

场景二：想要爆款标题，但不想标题党

“给我 20 个爆款标题”很容易得到数字、悬念和夸张承诺，却没有任何标题能准确兑现正文。标题不是独立文案，它是读者与正文之间的一份承诺。

• 公众号标题生成与评分；
• 小红书爆款笔记自动生成器中的标题与标签模块；
• 短视频钩子方案生成。

指令怎样写

读取 approved-article.md，只根据正文已经出现的事实生成标题。
分别生成：公众号标题 8 个、小红书标题 8 个、短视频开场钩子 5 个。

每个候选都输出：
1. 面向谁；2. 承诺什么；3. 正文哪一段能够兑现；
4. 采用的问题/结果/清单/案例/反常识角度；
5. 可信度、具体性、平台适配和夸大风险评分。

删除无法证明的数字、绝对化承诺、虚假稀缺和与正文不一致的结论。
不要自动选择最终标题，先让我确认内容承诺。

验收方法

把标题单独给一个不了解正文的人看，请他写出“我预计点进去会得到什么”。再与正文核对。预期与实际不一致，标题分数再高也不能用。

workbuddy通过这几个skill，生成的标题还真有那味儿。特别是小红书的标题，很有小红书的感觉。

可以进行 A/B 测试，但一次只改变一个主要变量，例如“问题式”与“结果式”。不要同时改标题、封面、发布时间和正文开头，否则数据无法解释。

再推荐一个标题skill：**viral-****title**，很适合用来给公众号起标题

场景三：公众号封面每次从空白画布开始

封面既要让人看懂主题，又要适配大小封面、安全区和账号品牌。直接说“做一张高级感封面”，通常会得到与正文无关的装饰图、错误文字或失真的 Logo。

• 公众号爆款封面生成：分析同赛道视觉规律并给出方案；
• 公众号图片生成器：处理大小封面、文内配图和引导图；
• 海报设计或图像生成 Skill：执行已确认的视觉 brief。

指令怎样写

为文章《收藏不是知识管理，能再次用起来才是》制作公众号封面 brief。
目标读者：知识工作者；核心信息：从收藏走向可复用知识流。
品牌色：#1677FF、白、黑；禁止紫色渐变、夸张科技光效和虚构产品界面。

先输出 3 个构图方向，每个包含：主体、层级、封面文案、色彩、留白、
大小封面裁切风险和正文对应段落。我确认后再生成图片。
生成后检查：文字是否准确、Logo 是否变形、主体是否被小封面裁掉、
是否使用未经授权的人物或素材。不要直接上传公众号。

结果是否可用

生成的封面还不错，有汉字、封面负责表达的主题也比较贴切，如果换成更强的生图模型，效果应该会更好。

场景四：小红书不只是“把长文切成九张图”

公众号文章改成小红书时，常见做法是截短段落、加入表情符号，再把文字铺到九张卡片上。结果信息很多，但封面没有钩子，第二页没有承接，最后一页没有行动，移动端也难读。

• 小红书封面图制作；
• 小红书图片生成器：将结构化内容渲染为竖版卡片；
• 小红书运营副驾：发布前体检与复盘。

工作流

1. 从长文提取不带平台语气的事实包；
2. 选择一个核心问题，删除与它无关的支线；
3. 设计“封面承诺 → 问题共鸣 → 方法 → 示例 → 误区 → 清单”的滑动节奏；
4. 先输出逐页线框和字数，再生成图片；
5. 在真实手机宽度检查字号、断行、边距和重点；
6. 最终标题、正文、标签和图片逐一核对数字与专有名词。

把 approved-article.md 改造成 8 页小红书图文，不新增事实。
第 1 页只表达一个承诺；第 2 页写读者正在经历的问题；
第 3-6 页每页只讲一个动作并给一个例子；第 7 页写常见误区；
第 8 页给可保存的检查清单。
先返回逐页文案、视觉层级和预计字数，我确认后再调用封面与长图 Skill。

场景五：一段长文怎样变成可拍的短视频

“改成 60 秒口播”通常只是把文章压缩成更快的朗读稿，没有镜头、节奏、证据画面和停顿，也没有说明谁能拍、需要什么素材。

• 短视频选题素材研究；
• 短视频脚本与矩阵内容工厂；
• AI 短视频导演用于分镜和生成提示；
• 配乐 Skill 只在确认版权和商用范围后使用。

指令怎样写

把这篇文章改造成 60 秒真人口播，目标是让第一次使用 WorkBuddy 的人
理解“为什么任务简报比一句模糊需求更重要”。
输出时间轴表格：时长、景别、画面、口播、屏幕文字、素材来源、转场。
前 3 秒必须提出真实问题，不夸大收益；20 秒前展示一次产品过程证据；
结尾给一个可以立即尝试的指令，不做虚假互动承诺。
同时列出必须实拍、可用产品截图、可由 AI 生成的画面，禁止伪造用户反馈。

生成的口播文案，效果还不错哦。

场景六：发布前，别让自动化越过责任边界

• 公众号违禁词检测：标记风险表达；
• 公众号排版 Skill：渲染 Markdown 并创建草稿；
• 文章去 AI 味工具：只用于减少套话，不用于伪装来源或原创。

检查本次公众号文章是否有违禁词，如有请标记出来，并对每个违禁词给出修改建议。检查整体内容的 AI 味，并降低AI味，最后把文章排版。

发布链建议停在草稿箱：事实检查 → 引用与版权 → 品牌与合规 → 链接检查 → 手机预览 → 人工确认账号 → 发布。自动点赞、批量私信、刷评论、绕过平台风控和未经确认的群发，不属于本书推荐的效率场景。

场景七：发布后不复盘，下一篇仍从零开始

复盘主要是把AI写的和人工修改后的终稿进行对比，让skill自动进化，下一次，它将写出更好的内容。

可以使用 公众号写作自我迭代 或小红书运营副驾，把人工修改和数据写回风格库：

读取本期内容数据、发布版本和人工修改记录，生成复盘。
先陈述数据事实，再列出最多 3 个可验证假设，不把相关性写成因果。
把表现按选题、标题、封面、开头、结构、发布时间和渠道拆开。
为下轮设计 2 个单变量实验，并说明成功指标和停止条件。
将长期有效的修改规则写入 style-guide.md；一次性热点不要写入永久规则。

把AI最开始产出的文案和终稿都丢进去，最终产出复盘报告和style-guide.md，下次AI写的东西就能离你的期望更进一步啦～

一套够用的自媒体 Skill 栈

第 22 章 WorkBuddy也能做GEO专家

GEO 是 Generative Engine Optimization，中文常叫生成式引擎优化。

过去做品牌，很多人关心的是 SEO：用户在搜索引擎里搜某个关键词，官网、文章、媒体报道能不能排到前面。现在越来越多用户直接问元宝、DeepSeek、豆包、Kimi 这类生成式 AI：“哪个产品适合我？”“某个领域有哪些工具？”“这家公司靠谱吗？”品牌面对的问题就变了：AI 回答里有没有你，提到你时准不准，推荐你时有没有信任依据。

GEO 诊断到底解决什么问题

GEO 不是让 AI 帮你写一篇品牌软文，而是回答一个更基础的问题：在用户真实提问的场景里，你的品牌有没有被 AI 理解、引用和推荐。

先选对专家：品牌 GEO 诊断专家

GEO 诊断 Skill 上架到了 WorkBuddy 的专家市场，变成一个可以直接召唤的「品牌 GEO 诊断专家」，已经封装好一套诊断流程：从品牌输入、问题集设计、平台测试，到可见度、基建、竞品、舆情、路线图输出。

这个专家适合谁用

• 产品团队：想知道产品在 AI 搜索里的可见度、竞品压力和内容短板。
• 企业品牌：想知道公司是否被 AI 准确识别，官网和媒体资料是否足够可信。
• 个人 IP / 自媒体：想知道自己的名字、账号、代表作品是否被 AI 正确召回。
• 市场和增长团队：想把“发内容”变成有目标、有复测、有证据的 GEO 优化计划。

推荐输入材料

GEO 诊断

GEO 诊断也可以先拆成一条稳定工作流。不要一上来就问“我的 GEO 怎么样”，而是让专家先把诊断范围、测试问题和评分口径说清楚。

提示词示例：产品 GEO 诊断

召唤“品牌 GEO 诊断专家”，帮我诊断 WeSight 这个产品的 GEO 情况。
官方资料：官网、开源项目地址、官方账号。
目标用户：需要统一管理多个 AI Agent、桌面工作流和开发工具的用户。
已知竞品：请先根据用户问题自动识别，再让我确认。
请先输出测试问题集、测试平台、采样次数、评分口径和局限，等待我确认后再执行。
最终输出：诊断概览、AIVO 评分、用户画像、搜索可见性、基建评估、竞品分析、收录效果、舆情分析和优化路线图。
无法重复验证的结果标为“样本观察”，不要写成绝对事实。

可得到的结果：不是一句“GEO 做得好不好”，而是一份能拆解问题的报告。案例中，WeSight 的问题不是产品没有差异化，而是在测试样本里 AI 搜索可见度和竞品对比优势偏弱，导致综合得分被拖低。

报告模块一：诊断概览与风险提示

诊断概览的作用是先给经营者一个全局判断：当前品牌总体表现如何、最主要风险是什么、哪些问题应该立刻处理。它不应该只给一个分数，而要解释分数从哪里来。

比如 WeSight 仅支持 macOS Apple Silicon 这类产品边界，如果官网、README 和外部资料没有解释清楚，AI 可能会在推荐时附带限制提醒，甚至把它排除在部分用户需求之外。

报告模块二：AIVO 评分，看清短板在哪

把 GEO 拆成四个维度：AI 搜索可见度、基建完善度、竞品对比优势、舆情健康度。这个拆法比单一总分更有价值，因为它能告诉你到底是“没人提你”，还是“有人提你但说不准”，或者“竞品资料更强”。

WeSight 的案例中，综合得分约 38 分；舆情健康度相对较好，但 AI 搜索可见度和竞品对比优势偏弱。这个结果说明问题不一定在产品本身，而在“用户提问语义”和“品牌内容供给”之间存在断层。

报告模块三：用户画像与意图漏斗偏移

很多品牌做内容时只写自己想表达的卖点，但 GEO 更关心用户真实怎么问。公众号案例中，专家发现用户在大模型里更容易提出“有没有能统一管理多个 AI Agent 的桌面软件”这类问题。这意味着用户关心的是场景和任务，而不一定知道你的品牌名。

报告模块四：搜索可见性，提及率就是新的排名

在传统搜索里，用户至少还会看到一页链接；在 AI 搜索里，用户往往只看一段回答。品牌是否被提及、在什么位置被提及、是否被作为推荐项出现，就成了新的“搜索排名”。

报告模块五：数字基建，先让 AI 有可信资料可读

GEO 不是只靠“发声量”。生成式 AI 需要可引用、可验证、相互印证的可信来源。把基建评估拆成三类：官网评估、自媒体矩阵、权威媒体背书。

报告模块六：竞品分析，争的是语义心智份额

GEO 的竞品分析不是简单列出市场竞品，而是看同一条用户问题下，AI 把推荐位给了谁。你和竞品争夺的不是网页排名，而是语义心智份额。

报告模块七：收录效果，最终看 AI 回答里有没有你

收录效果可以理解为 GEO 的结果指标。前面的官网、内容矩阵、舆情、竞品分析最终都要落到一个问题：AI 回答里有没有你。

这里最容易犯的错误，是只测品牌名。品牌名能被搜到，不代表用户问场景问题时会出现你。正确做法是把问题分层：

• 品牌名问题：某品牌是什么，官网是什么，是否开源。
• 品类问题：某类工具有哪些，适合谁，怎么选。
• 场景问题：我遇到某个具体任务，有什么产品能解决。
• 对比问题：A 和 B 有什么区别，哪个更适合某类用户。

报告模块八：舆情分接绕开。

个人 IP 也可以做 GEO 诊断

GEO 不只适合产品和企业，也适合个人 IP。用“苍何”做个人 IP 诊断，得到约 72 分，并用元宝做了额外搜索验证。

个人 IP 诊断要额外注意什么

• 身份消歧：同名人物很多，必须提供所在地、职业、代表作品、官方账号。
• 平台分散：公众号、知乎、小红书、B 站、视频号的信息可能不一致。
• 代表作品：AI 需要知道你最重要的作品、观点和标签。
• 内容定位：个人 IP 不只是“被搜到”，还要看 AI 如何描述你。

召唤“品牌 GEO 诊断专家”，帮我诊断个人 IP 的 GEO 情况。
姓名 / 昵称：____。
身份消歧：所在地、职业、公司或组织、代表作品、官方账号。
目标问题：用户问哪些主题时，我希望被 AI 正确提到？
请测试品牌名问题、领域问题、作品问题和对比问题。
输出：可见度、身份准确性、代表作品识别、同名混淆风险、内容缺口和 30 天优化建议。

企业品牌诊断，不要为了 GEO 而 GEO

企业做 GEO 最容易走偏：还没诊断，就开始批量买内容、铺渠道、刷曝光。公众号案例里提到，给企业做 GEO 诊断时，真正重要的是先知道品牌在 AI 眼里是什么样：有没有被提及，是否被误解，风险在哪里，竞品为什么更容易被推荐。

企业品牌建议重点检查

从诊断到行动：不要追求一次性刷高分

一份 GEO 报告如果不能转成行动，就只是漂亮仪表盘。给出快速赢利点、优先行动建议和阶段路线图，比如补齐 GEO 曝光、处理舆情、优化可信来源等。

第三篇 进阶篇：把案例变成自己的工作系统

第 23 章 打造skill：将书和视频蒸馏为可执行 Skill

制作skill，除了把自己的SOP沉淀为skill外，给大家推荐一个更简单方便的办法。

可以使用cangjie-skill把知识蒸馏成skill。

cangjie-skill 开源项目（v1 蒸馏书，v2 增加视频蒸馏），以及 Andrej Karpathy 关于 LLM 个人知识库的思路。

本章回答：如何将书本和视频中的方法论转化为 Agent 可自动调用的 Skill，以及这与 RAG 检索的本质差别在哪里。

问题起点：知识读了但用不起来

AI 在训练时已经摄入了大量经典著作，但在实际问答中，它往往输出"正确的废话"——每个字都对，但缺乏针对特定问题的可落地步骤。这不是幻觉问题，而是调用机制问题：AI 知道书里有什么，但不知道该在什么场景下主动调出哪个框架。

人类读者面临同样的问题。读完一本书，笔记做了、金句划了，合上书以为升级了。两周后遇到真实问题，那些方法论却抓不住。知识在记忆里，但激活路径不清晰。

知识精馏要解决的，就是这个"学了用不上"的问题。

知识精馏的定义

知识精馏（Knowledge Distillation for Skills）是指：从书本或视频中，提取出具有独立触发条件和执行步骤的原子化知识单元（Skill），使 Agent 在遇到对应场景时能够自动激活并给出可落地的行动路径。

化学中的精馏是按沸点将混合物分离成不同纯净组分。知识精馏按"框架 / 原则 / 案例 / 反例 / 术语"五个维度，将书或视频中的知识分离成不同类型的纯净组分，然后只把真正有用的提纯成可执行的 Skill。

知识精馏不是：

• 摘要（压缩原文）
• 读书笔记（结构化原文）
• RAG 索引（存储原文片段供检索）

知识精馏是：将方法论转化为 Agent 能够在真实场景下自动调用的执行单元。

六阶段蒸馏 SOP

cangjie-skill 使用六个阶段将一本书或一组视频蒸馏成一套 Skill。

以蒸馏《文案创作完全手册》为例

阶段 0：整书 / 整片理解

不从摘取金句开始，而是先读清整本书的骨架：

• 全书主旨是什么；
• 核心论证链怎么走；
• 关键术语作者如何定义和使用；
• 作者自身的局限与盲点在哪里。

这一步决定后续提取的质量上限。跳过这一步直接提取，容易把作者反对的观点当成他支持的方法论。

阶段 1：五个 Agent 并行提取

五个 Agent 同时从五个维度扫描全文，独立工作，互不干扰：

五个角度并行，避免单线阅读中的视角遗漏。

阶段 1.5：三重验证筛选

每个候选知识单元必须通过三关，未通过直接淘汰：

宁缺毋滥。一本书通常有 50–100 个候选单元，通过三重验证后保留 10–25 个。

阶段 2：构造 Skill

每个通过验证的知识单元被构造成一个 Skill，核心是设计触发条件：

• 什么场景下自动激活；
• 激活后执行什么步骤；
• 什么时候不该用（边界）；
• 质量验证标准是什么。

触发条件的设计是最难也最关键的一步。没有触发条件的 Skill，在实际使用中无法被 Agent 正确识别和调用。

阶段 4：链接

找出 Skill 之间的关系，形成知识网络：

• 依赖：Skill A 的执行需要先调用 Skill B 的输出；
• 对比：Skill A 和 Skill B 适用于相似场景但方向相反；
• 组合：Skill A 和 Skill C 联合使用效果更好。

链接层让 Agent 在遇到复杂问题时，能够选择一组 Skill 而不只是单个 Skill。

阶段 5：压力测试

诱饵测试：故意给不该触发的场景，检验 Skill 是否能忍住不激活。一个没有边界的 Skill，在错误场景下调用反而帮倒忙。

执行验证：给出真实问题，验证 Skill 是否能输出可落地的步骤而不是正确的废话。

蒸馏产物结构

一本书蒸馏完成后，产物是一套 Skill 集合：

book-skill/
├── README.md               # 书目信息、蒸馏说明、适用场景
├── skills/
│   ├── skill-01.md         # 每个 Skill 独立文件
│   ├── skill-02.md
│   └── ...
├── index.md                # Skill 关系网络（链接层产物）
└── tests/
    ├── skill-01-test.md    # 每个 Skill 的测试用例
    └── ...

每个 Skill 文件包含：触发条件、执行步骤、输出格式、边界限制、测试用例。测试用例格式兼容 darwin-skill（自动 Skill 进化工具），蒸馏产物可以持续自动优化。

知识精馏 vs RAG

这是使用者最常问的问题。

RAG 解决"知识管理"问题——让你能查到书里有什么。知识精馏解决"知识运用"问题——让 Agent 在对的时刻主动拿出对的框架。

当你不知道该问什么时，RAG 帮不了你。Skill 不需要你记得书里有哪些方法论。

与 Karpathy LLM Wiki 思路的对比

Andrej Karpathy 提出 LLM 知识库（LLM Wiki）的思路：将原始资料索引到目录，让 LLM 编译成 Wiki，然后对 Wiki 做 Q&A，产出结果再回填，持续增强。

cangjie-skill 的阶段 0（整书理解）和阶段 1（并行提取）吸收了这一核心思想：先让 AI 深度阅读、结构化整理、建立索引、维护一致性。

两者的差别在于最后几步：

两种方案不互斥，但目标不同。

视频蒸馏工作流（v2 新增）

cangjie-skill v2 在书本蒸馏基础上增加了视频蒸馏能力（借助video-downloader skill）。视频与书的区别在于：需要先完成"视频 → 文字"的转换，再进入六阶段 SOP。

视频获取与转写

整体流程：

视频下载：使用 yt-dlp（开源工具）支持 YouTube、B 站等主流平台，只需输入视频链接即可自动下载。视频号因平台限制暂不支持自动化。

音频转写：本地 Whisper 模型可用，但长视频转写耗时显著（一小时视频约需 48 分钟本地转写）。推荐使用 ASR API 服务，速度快，适合批量处理。

多视频合并蒸馏

同一主题的多个视频可以合并蒸馏，产出统一的 Skill 集合。合并时 Agent 自动处理内容去重和知识单元合并，避免同一原则在不同视频中被重复提取为多个 Skill。

video-downloader skill 与 cangjie-skill 的分工

视频处理逻辑（下载、提取音频、转写）独立封装在 video-downloader skill 中，不集成到 cangjie-skill 内部。原因是职责分离：cangjie-skill 专注文本蒸馏，视频获取是前置准备步骤，两者可以独立演进。

使用方式：
1. 用 video-downloader skill 获取视频文案
2. 将文案交给 cangjie-skill 进行六阶段蒸馏
3. 输出对应的 Skill 集合

适用与不适用场景

适合蒸馏的材料

蒸馏的前置条件

蒸馏前最好读过或看过一遍原材料。原因：

• 需要判断哪些方法论是重点；
• 需要在蒸馏过程中的关键节点做判断（如三重验证的边界情况）；
• 读过之后蒸馏，吸收率显著高于未读过直接蒸馏。

蒸馏不是替代阅读，而是阅读后的知识结构化工具。

蒸馏产物的持续优化

cangjie-skill 产出的每个 Skill 自带测试用例，格式兼容 darwin-skill（达尔文.Skill）。

darwin-skill 是自动 Skill 进化工具：将 Skill 喂给它，它会自动评估、改进、测试，且分数只升不降。

这意味着蒸馏产物不是静态的。随着 Agent 实际使用反馈的积累，Skill 可以持续自动优化，逐步接近书中方法论在真实场景下的最优表达。

资源消耗与模型选择

知识精馏是 Token 消耗密集型任务，主要来源于：

• 阶段 0 的全书上下文理解（长上下文）；
• 阶段 1 的五个 Agent 并行调用；
• 阶段 2 的三重验证（多轮推理）；
• 阶段 5 的压力测试（多组测试用例）。

模型选择建议：

• 任务拆解和蒸馏协调：使用推理能力强的模型负责 Agent 编排；
• 并行提取和验证：可使用性价比高的 Coding 模型执行；
• 长上下文场景：选择原生支持长上下文的模型，避免因上下文截断导致蒸馏不完整。

【图片占位：Token 消耗过程截图，展示蒸馏过程中 Token 使用量的增长曲线】

蒸馏产物的分享与复用

知识精馏的一个重要特点是：产物（Skill 集合）可以直接分享和复用。

使用已蒸馏的 Skill：将 GitHub 仓库地址提供给 Agent，让 Agent 自动安装对应 Skill 即可使用，无需重新蒸馏。

社区协作：同一本书不需要被每个人重复蒸馏。任何人蒸馏的成果都可以开源，其他人直接复用。

扩展应用：视频课程的蒸馏产物可以进一步构建课程 Agent，供学员问答和辅助实践，即课程内容的结构化知识服务化。

常见误区

误区 1：AI 训练过的书不需要再蒸馏

对于大众熟知的经典书籍，AI 确实有一定记忆。但对小众书籍、新出版书籍以及时效性强的视频内容，AI 大概率没有训练过。此外，即使 AI 训练过某本书，蒸馏的价值在于建立触发条件——让 AI 知道在什么场景下应该调出该书的哪个框架，而不只是"知道书里有什么"。

误区 2：蒸馏完就不需要看书了

蒸馏是阅读的补充，不是替代。没读过就蒸馏，会在关键判断节点上缺乏背景，导致蒸馏结果遗漏重点。阅读过一遍后再蒸馏，蒸馏产物的质量和完整度显著更高。

误区 3：AI 给了建议就能直接执行

即使 Skill 被正确激活并给出了可落地的步骤，方向对不对、能不能执行、效果好不好，仍然需要人来判断。AI 给出的是选项和分析，决策是人的责任。

误区 4：Skill 覆盖越多越好

覆盖太宽的触发条件会导致 Skill 在不适用的场景下被错误激活，反而产生误导。三重验证和诱饵测试的目的正是控制边界，宁可覆盖窄一点，也不要乱激活。

蒸馏结果示例

以吴恩达《给所有人的 AI 入门课》（2026 版，26 个视频，时长约 4 小时）为例：

• 蒸馏耗时：约 1 小时
• 产出：25 个 Skill
• 特点：全部为时效性内容，AI 未经训练，蒸馏后可直接在对应场景下被 Agent 调用

总结：知识精馏在技能包体系中的位置

知识精馏是 Skill 的一种生产方式。它和第 26 章讨论的 SOP → Skill 封装流程是并行的：

两者产物格式一致，都是带有触发条件的可执行 Skill，可以在同一个 Agent 框架下混合使用。

第 24 章 其他用法补充：WorkBuddy 实操案例集

前面的章节介绍了 Agent 工具链的核心能力：文件处理、数据库操作、MCP 连接和企业协作。这一章补充几类容易被忽略但实际价值很高的用法，以 WorkBuddy 为例，覆盖短任务、设计创意、Skill 联动、浏览器自动化和项目管理等场景。

WorkBuddy 与大多数 AI 聊天软件的核心区别在于三点：能直接读取和修改本地文件，学习门槛低，入口清晰。对于还没有系统搭建 Agent 工作流的读者，这些案例可以作为起点。

模型与成本：先把免费额度用透

WorkBuddy 内置了多款国产大模型。每日签到领取的积分基本能覆盖轻度使用的全部消耗。新发布的模型通常附带免费体验期——以 HY3 为例，发布后有两周免费额度，即使过期，定价也属于国产模型性价比第一梯队。

如果拿不准做什么，WorkBuddy 已经按应用场景预设了模板，选一个直接开始即可。

短任务实战：Excel 可视化与数据清洗

HY3 在短任务上表现突出。PPT 生成、数据清洗、Excel 图表可视化分析都能直接完成。

从开屏界面出发，输入任务描述后点击右下角"优化提示词"按钮，WorkBuddy 会自动补全细节并执行。

提示词示例：

帮我可视化这份流水账数据并分析一下。
重点关注：
1. 每月收支趋势；
2. 支出分类占比；
3. 异常大额支出标注；
4. 给出 3 条可操作的省钱建议。

执行过程可能较慢，但最终产出的可视化效果通常超出预期——包括图表、趋势分析和文字总结。数据清洗和 PPT 生成同理。

设计创意：用提示词生成完整网站

这是一个容易被低估的用法。勾选"网站设计"场景后给出提示词，可以生成可运行的前端页面。以下是两个经过验证的模板。

模板一：个人作品集 Hero Section

生成一个带有视频背景、鼠标交互和响应式布局的全屏 Hero 页面。

提示词：

Build a full-screen hero section for a creative portfolio using React, Vite, Tailwind CSS, and the Figtree Google Font.

要求：
1. 三个全屏循环视频作为背景，通过 crossfade 切换，透明度过渡 1200ms；
2. 顶部导航栏：左侧导航项格式为"01 / Works"，右侧显示邮箱和实时时钟；
3. 底部内容区：左侧大字名称（200px），右侧介绍文案和 CTA 按钮；
4. 按钮 hover 效果：背景色从底部填充上来；
5. 支持平板和手机端的响应式适配；
6. prefers-reduced-motion 下禁用所有动画。

▶ 观看演示视频：第 24 章 其他用法补充：WorkBuddy 实操案例集 演示视频 1（MP4 · 10.1 MB）

模板二：创意机构 Landing Page（鼠标控制视频）

这个模板的特色是视频不自动播放，而是跟随鼠标水平移动控制播放进度。

提示词：

Build a full-screen hero landing page for a creative agency called "Mainframe" using React, TypeScript, Vite, and Tailwind CSS.

核心交互：
1. 全屏视频背景，不自动播放；
2. 鼠标水平移动控制视频播放进度（sensitivity = 0.8）；
3. 顶部导航：左侧 Logo + 装饰星号，中间导航链接用逗号分隔，右侧 CTA；
4. Hero 内容：模糊的介绍文字 + 打字机效果的主文案 + 圆角药丸按钮组；
5. 移动端：汉堡菜单，CSS Grid 展开动画；
6. 按钮 hover：白色填充变黑色文字。

以上两个模板全程使用 HY3 模型完成。

Skill 联动：跨服务的智能推荐

WorkBuddy 的 Skill 系统允许 Agent 连接日常使用的各类服务。这种跨服务联动是 Skill 生态的核心价值——不是替代某个 App，而是成为多个 App 之间的连接层。

示例：微信读书 + QQ 音乐

安装并连接微信读书和 QQ 音乐的 Skill 后，可以实现跨服务的智能推荐：

提示词：

根据我最近在微信读书中阅读的书目，推荐适配阅读氛围的歌单。
要求：
1. 先读取最近 7 天的阅读记录；
2. 分析书目的情绪基调和主题；
3. 在 QQ 音乐中匹配风格相近的歌单；
4. 输出推荐理由和歌单链接。

微信读书 Skill 的安装链接可以在官方页面获取：https://weread.qq.com/r/weread-skills。

第 25 章 如何进行多 Agent 系统设计

一人公司产品宣传部实践（HyperFrames + 多 Agent）、WorkBuddy 专家团产品。本章以产品宣传片专家团的实际案例，回答：多 Agent 系统如何设计分工、如何串联产物、何时值得拆分。

单 Agent 和多 Agent 的真正差别

多 Agent 的价值来自专业分工、并行、权限隔离或独立评审，不来自角色数量。

任务是否值得拆分

满足越多，越适合多 Agent：

• 至少两个子任务可以独立进行；
• 子任务需要不同方法、资料或工具；
• 输出可以定义清楚的交接格式；
• 并行能显著缩短等待；
• 有明确总负责人和最终验收；
• 预算允许多轮调用。

只改一封邮件、总结一份 PDF 或格式化一个表格，不需要专家团。

案例：产品宣传片专家团

任务背景

HyperFrames 是 HeyGen 开源的视频渲染框架（截至案例时 GitHub 17.7K Star），核心特点是对 AI Agent 友好：Agent 可以自动生成基于 HTML 的视频帧并渲染输出。产品宣传片具有相对固定的套路——无需口播和演员，主要由产品展示、概念字幕和 BGM 构成。这类任务适合 Agent 团队分工处理。

工序设计

产品宣传片专家团的完整工序如下：

角色契约

专家团演示

在做产品宣传片之前，需要先把相关素材放到工作空间内。

我希望你做一个产品宣传片，具体的话，是宣传腾讯的workbuddy最新的专家团，主打opc场景。当前空间下我放了一些素材，成片风格可以偏apple风格、真实软件界面。整个过程全自动

团长先接到任务：把"做一支宣传片"拆成了一串子任务：先得搞清楚 WorkBuddy 专家团到底是什么、卖给谁、核心价值是什么；再决定叙事结构、镜头数量、节奏；然后再分头去做素材、剪辑、配乐。

brief 角色先开工：去把 WorkBuddy 官网、产品介绍、专家团列表都翻了一遍，输出一份 brief ，这是什么产品、目标用户是谁、最值得放进 60 秒的几个核心点。

分镜师接着 brief 干活：把 60 秒拆成了 7 个镜头，每个镜头都细到时间码、画面、文字、转场、动效、需要的素材类型。

然后 素材师 和 剪辑师 开始干活：一个去生成 / 抓产品截图、概念图，另一个把素材按分镜表往 HyperFrames 里塞，逐镜头渲染出每一段 MP4。

最有意思的是 配乐师：它不是简单写个"科技感 BGM"的 prompt 完事，它会先把分镜表读一遍，研究每个镜头的情绪曲线，标好哪些地方需要鼓点卡产品 reveal、哪些地方需要降下来做留白、哪些地方需要一个 hit point 推 CTA。然后再去调用音乐模型生成候选 BGM。

最后由 团长 把所有产物整合，跑最后一道剪辑，输出成片。

整个过程我基本就是个旁观者：偶尔在关键节点拍一下板，比如分镜要不要这么排、BGM 喜不喜欢、字幕文案要不要改。

最后出来的片子，还挺不错的。

▶ 观看演示视频：第 25 章 如何进行多 Agent 系统设计 演示视频 1（MP4 · 19.6 MB）

共享产物层

多个 Agent 不应各自维护一份"产品事实"。建立单一产物路径：

project/
├── brief.md                  # 产品简报（Brief 角色产出，主理人确认）
├── storyboard.md             # 分镜表（分镜师产出，主理人确认）
├── assets/                   # 素材（素材师产出）
│   ├── screenshots/
│   └── concepts/
├── clips/                    # 逐帧片段（剪辑师产出）
├── bgm/                      # BGM 候选（配乐师产出）
└── output/final.mp4          # 成片（主理人整合）

下游角色只读取上游已确认的产物。角色之间不通过对话传递关键内容细节。

并行与串行

可以并行： 素材生成与剪辑准备、不同镜头段落的渲染。

必须串行： Brief 确认后才写分镜、分镜确认后才生成素材、素材就绪后才剪辑、成片完成后才配乐合成。

并行计划必须标明汇合点。素材和剪辑可以并行准备，但最终合成必须等待所有素材就位。

主理人的职责

主理人（制片人）是工作流控制器：

• 解释用户任务并维护子任务状态；
• 分发最小必要上下文给各角色；
• 检查上游产物是否满足交接格式；
• 决定并行、等待或重试；
• 在关键节点（如分镜确认、BGM 选择）请用户拍板；
• 汇总所有产物，执行最终合成；
• 对成片做一致性检查（画面、字幕、BGM 节奏是否对齐）。

三个必须由人确认的点

1. Brief 确认：产品定位、目标用户、核心卖点是否准确；
2. 分镜确认：叙事结构、镜头数量、节奏是否符合预期；
3. BGM 选择：情绪风格是否与成片调性匹配。

Agent 负责生成和执行，不能替代品牌方向和风格判断。

产品化路径：从自建到预置专家团

自建团队

将上述角色封装为一套 Skills，在 Agent 框架中自行编排。适用场景：开发者需要完全控制每个角色的提示词、工具权限和交接格式。门槛包括：定义角色职责、设计交接格式、调试并行与串行逻辑。

预置专家团

WorkBuddy 专家团将上述分工产品化：团长负责任务拆解和分配，团员并行执行，用户只需描述任务。

创建专家团也很简单在专家->我的专家->创建专家

就会跳转到workbuddy的对话框，根据它给定的格式即可快速创建属于自己的专家。

当前专家团覆盖的典型场景：

两种路径的选择

质量影响因素

成片质量主要受以下因素影响：

• Agent 底座模型：Agent 模型的指令跟随和推理能力直接影响分镜质量和任务拆解准确性；
• 图像生成模型：影响产品截图的清晰度和概念图的视觉质量；
• 用户提供的素材：提前放入素材空间（图片、视频）可显著提升成片质量；
• 浏览器工具接入：若 Agent 具备浏览器操作能力，可自动抓取官网截图和产品界面，减少人工准备。

全自动方案适合快速出片（开源项目介绍视频、产品演示视频等）。对品质要求高的场景，建议以 Agent 产物为基础再做一轮人工二次剪辑。

失败传播控制

降级交付必须说明缺失内容，不伪装成完整成果。

多 Agent 任务 Brief 模板

目标：为 [产品名称] 制作一支 [时长] 的产品宣传片。
风格：[参考风格，如 Apple 风、极简风]。
素材：[素材空间路径或已提供的图片/视频]。
角色：主理人、Brief、分镜师、素材师、剪辑师、配乐师。
确认节点：Brief 完成后、分镜完成后、BGM 选择时，需用户确认后继续。
模型：Agent 模型 [指定]；图像生成模型 [指定]。
全自动/半自动：[说明是否需要中间节点人工介入]。

第 26 章 自动化工作流的可靠性

以"每日 AI 热点选题聚合"为贯穿案例，说明自动化工作流在从手动运行到定时可靠执行的过程中，需要处理哪些问题。

案例背景：内容博主的每日选题任务

AI 内容领域更新速度快，每天需要从多个信息源中筛选当日值得写的选题。手动逐一翻阅各个平台耗时且容易遗漏。一个典型的 AI 博主选题需求如下：

我是一名 AI 领域的博主，主要内容方向是 AI 教程、AI 工具、AI Coding、AI 测评等。
帮我找今日的 AI 领域热点，方便筛选当天的选题内容。
来源：
- 微信公众号近期爆款文章（@wechat-article-search）
- GitHub 今日热门 AI 项目（@GitHub热门项目）
- 多引擎 AI 新闻聚合（@多引擎搜索）
- AI 热点追踪（@AIHOT）

手动运行一次这个任务，WorkBuddy 会同时调用四个数据源，整合输出一份当日 AI 热点清单，供博主快速判断和筛选。

跑通一次后，下一步是把它设置为定时自动化任务：每天早上 9:00 自动运行，结果推送到指定位置，无需每天手动触发。

本章围绕这个场景，说明从"能用"到"可靠自动化"需要处理哪些问题。

自动化前的三个门槛

不是所有任务都适合立即自动化。判断标准：

1. 同一 Prompt 已手动运行至少三次，输出质量和格式基本稳定；
2. 触发条件、输入来源和验收标准清楚：什么时候运行、依赖哪些数据源、输出什么格式；
3. 有 owner、有告警、有停用方法：任务失败时谁处理，如何临时停用不影响其他流程。

选题任务满足以上三点：Prompt 结构固定、每天早上 9:00 触发、输出内容为当日热点清单。

频繁改 Prompt 或数据源还不稳定的任务，先手动运行，不急于自动化。

在 WorkBuddy 中设置自动化任务

手动运行确认效果后，在同一对话框中直接告诉 WorkBuddy：

把这个任务设置为自动化，每天早上 9:00 运行，
结果发送到 [指定飞书群 / 邮件 / 企微通知]。

WorkBuddy 会将当前 Prompt 和数据源配置保存为定时任务，按设定时间自动执行。

设置完成后，每天早上 9:00，WorkBuddy 自动调用四个数据源，整合结果并推送。博主打开通知，直接开始筛选选题，不需要手动触发。

把自动化任务设计成状态机

自动化不是让任务"跑起来就行"。真实环境中，每次运行都可能遇到：某个数据源返回超时、当日无 AI 相关条目、GitHub API 限流、推送目标不可达。

将任务设计成状态机，每个状态都有明确的成功条件和失败出口：

关键原则：部分数据源失败不应阻断整体任务，而是标记缺失后继续聚合；推送失败应保留结果并告警，不丢失已生成的内容。

数据源就绪检查

定时触发不等于数据源已就绪。每次运行开始时，先检查各数据源的可用性：

四个来源中至少有三个正常，才输出完整热点清单。全部失败时，进入 Blocked 状态并推送告警，次日重新触发。

内容质量门禁

数据源可达不代表内容有效。聚合后需要过滤：

• 相关性：条目是否真正属于 AI 领域（排除泛科技话题的噪音）；
• 时效性：内容日期是否为当日（排除过期热点被重新推送的情况）；
• 重复性：同一事件是否已在多个来源出现，合并展示；
• 最低数量：有效条目少于 5 条时，视为当日 AI 热点不足，在输出中标注。

质量状态：pass（正常输出）、warning（部分来源缺失，在输出顶部说明）、blocked（有效条目不足，不推送正文，只推送说明）。

输出结构

聚合完成后，输出一份结构固定的热点清单，方便博主快速扫描和判断：

📋 AI 热点选题日报 — 2026-07-10

【今日概况】
有效条目：18 条 | 来源：4/4 | 运行时间：09:02

━━━━━━━━━━━━━━━━
🔥 高热度（适合快速蹭热点）
1. [模型名称] 发布，[核心能力] — 来源：AIHOT + GitHub
   热度指数：★★★★★ | 建议角度：功能测评 / 使用教程

2. [工具名称] 开源，[功能描述] — 来源：GitHub热门项目
   热度指数：★★★★ | 建议角度：上手教程 / 对比测评

━━━━━━━━━━━━━━━━
📈 潜力方向（适合深度分析）
3. [话题] 引发讨论 — 来源：微信公众号
   热度指数：★★★ | 建议角度：观点分析 / 案例拆解

━━━━━━━━━━━━━━━━
⚠️ 数据来源说明
GitHub：正常 | 微信：正常 | 多引擎搜索：正常 | AIHOT：正常

输出格式固定后，博主可以在 5 分钟内完成选题判断，而不是每次重新整理格式。

推送目标与幂等

每次运行的输出需要推送到固定位置。常见推送目标：

幂等原则：如果某次任务因推送失败而重试，不应重复发送已成功推送的内容。每次运行生成唯一批次 ID（如 ai-hotspot-2026-07-10），推送成功后记录状态，重试时检查状态跳过已完成步骤。

超时和重试策略

重试只针对临时性故障，不对输入问题或配置问题重试。

断点续跑

每次运行生成状态文件，记录已完成的步骤和产物：

{
  "batch_id": "ai-hotspot-2026-07-10",
  "trigger_time": "2026-07-10T09:00:00+08:00",
  "state": "delivering",
  "completed": ["fetching", "aggregating", "filtering"],
  "source_status": {
    "wechat": "ok",
    "github": "ok",
    "multi_search": "ok",
    "aihot": "ok"
  },
  "item_count": 18,
  "last_error": null,
  "updated_at": "2026-07-10T09:02:14+08:00"
}

推送失败后重试，从 delivering 步骤继续，不重新抓取和聚合。

告警要可行动

自动化任务失败时，告警内容必须包含足够信息，让收到告警的人能够立即判断如何处理：

⚠️ AI 热点选题任务告警

批次：ai-hotspot-2026-07-10
状态：Blocked
触发时间：09:00
失败原因：所有数据源均返回空结果或超时
已完成步骤：fetching（部分失败）
影响：今日热点清单未生成，未推送

建议处理：
1. 检查各数据源 API 状态
2. 如为临时故障，可手动触发一次任务重跑
3. 如需跳过今日，确认后标记为已处理

恢复入口：WorkBuddy → 自动化任务 → 手动运行

"任务失败，请查看"不足以让人处理。

降级交付

当部分数据源失败，不应等待全部就绪再输出：

• 3 个及以上来源正常 → 输出清单，顶部标注哪些来源缺失；
• 2 个来源正常 → 输出简化清单，标注数据不完整；
• 1 个或 0 个来源正常 → 不输出正文，只推送说明和告警。

降级结果必须显式标记来源覆盖情况，不伪装成完整运行。

日志

每次运行记录：

• 批次 ID 和触发方式（定时 / 手动）；
• 各数据源响应状态和耗时；
• 聚合条目数量和过滤后数量；
• 推送目标和结果（成功 / 失败 / message ID）；
• 总耗时和错误信息；
• 运行成本（Token 消耗、API 调用次数）。

日志不记录热点内容正文（避免日志过大）。

成本预算

选题任务的主要成本来源：

设置预算上限：单次运行超过设定成本时，记录告警并继续运行，但下一次运行前需确认。

自动化任务定义模板

以选题任务为示例，记录完整的自动化任务定义：

任务名称：AI 热点选题日报
触发方式：每天 09:00（工作日）
触发条件：无前置检查，定时直接运行
Prompt：[完整 Prompt 文本]
数据源：@wechat-article-search / @GitHub热门项目 / @多引擎搜索 / @AIHOT
质量门禁：有效 AI 相关条目 ≥ 5 条；数据源可用数量 ≥ 3 个
输出格式：结构化热点清单（含来源、热度、建议角度）
推送目标：[飞书群 / 个人通知 / 飞书文档追加]
幂等控制：批次 ID = ai-hotspot-{date}，推送成功后标记，不重复推送
重试策略：数据源超时重试 1 次；推送失败退避重试 2 次；其他失败转人工
告警接收：[个人飞书通知]
owner：[博主本人]
停用方式：WorkBuddy 自动化任务管理页 → 暂停

上线前演练

正式开启定时任务前，手动模拟以下场景，确认任务行为符合预期：

演练通过后再开启定时运行。

运行指标

稳定运行后，定期检查以下指标：

• 按时触发率：09:00 定时是否准时触发；
• 一次运行成功率：不需要重试的成功比例；
• 数据源可用率：各来源的单独可用比例；
• 有效条目数量趋势：监测 AI 热点信息量的波动；
• 推送成功率：推送不丢失的比例；
• 单次运行成本：追踪成本变化趋势。

指标出现持续下降时，检查对应数据源或推送配置是否发生变化。

从个人自动化到团队服务

个人选题任务运行稳定后，可以扩展为团队共享：

扩展为团队服务时，需要补充：明确 owner、建立运行手册、设置权限（谁能修改 Prompt 和推送配置）、制定变更流程（修改数据源需测试后生效）。

自动化的高级形态，不是完全没有人，而是正常路径少打扰人，异常路径能及时找到正确的人。

选题任务的迭代优化

自动化任务上线后，根据实际使用反馈持续迭代：

Prompt 优化：根据哪类条目真正被采用、哪类被忽略，调整过滤维度和描述。修改 Prompt 后需手动运行三次确认效果再重新保存自动化配置。

数据源调整：某个数据源长期质量差或可用率低，考虑替换或降低其权重。

输出格式迭代：根据筛选习惯调整清单格式（如增加"本周已覆盖"标记，避免重复选题）。

时间调整：根据实际使用习惯调整触发时间（如改为 8:30 或 10:00）。

每次调整都是一次小型配置变更，遵循"改 → 手动验证 → 重新保存"的流程，不直接在定时任务上实验。

第四篇 岗位与行业落地

第 27 章 岗位路线图：不同岗位如何把 WorkBuddy 用深

岗位应用不应从“这个岗位有哪些提示词”开始，而应从三个问题开始：哪些工作重复发生，哪些产物有稳定标准，哪些决定必须由人承担责任。

岗位应用的四级成熟度

每个岗位都应从 L1 的低风险任务开始。不是所有任务都需要进入 L4；低频、差异大或责任重的工作，保持“AI 辅助 + 人工决策”更合理。

产品经理

运营与市场

销售与售前

HR 与行政

财务与法务

研发与 IT

部门推广模板

每个岗位先选一个场景，填写下面这张卡：

岗位落地的终点不是“每个人都会问 AI”，而是形成一批能被新人复用、由负责人维护、出了问题能追溯的标准工作流。

第 28 章 行业路线图：从通用能力到行业工作流

行业方案不是把“生成周报、做 PPT”换一个行业名称。真正的行业化至少包含四层：行业对象、专业流程、系统与数据、责任和监管边界。

识别行业场景的五个问题

1. 工作对象是什么：订单、设备、病例、合同、课程还是内容素材？
2. 流程由哪些岗位和系统共同完成？
3. 哪些字段、口径或版本必须保持一致？
4. 错误会造成什么后果，谁拥有最终责任？
5. 哪一步最重复、最耗时，又最容易人工验收？

只有第五类步骤适合作为首批 AI 试点。

制造业

跨境电商

跨境电商的难点不是单一内容生成，而是多平台、多语言、多币种、多时区和多规则并存。

金融、咨询与财税

这类行业的核心资产是证据、分析口径和专业判断。AI 适合缩短资料处理时间，不适合隐藏来源后直接给结论。

医疗医药

医疗医药强调证据等级、版本控制、隐私和专业资质。首批场景应避开诊断和治疗决定。

文化传媒与广告

视频团队案例已经展示了多 Agent 内容流水线。行业落地时，还需要在创作效率之外加入版权、品牌和发布控制。

可沉淀资产，品牌语气、禁用词、事实来源库、授权素材库、平台格式模板、选题评分表、脚本 Skill、分镜模板和复盘指标。

教育与培训

建筑装饰与科技服务

这类行业以项目为单位，材料多、版本多、责任链长。WorkBuddy 适合做资料盘点、标书初稿、合同差异和项目周报。

附录

本部分收录任务模板、场景速查、素材台账和资料来源。

附录 A 常用指令模板

A.1 文件整理

请整理当前文件夹中的文件。
按文件类型和主题分类，生成新的文件夹结构。
在执行前先给我一个整理方案，不要直接移动文件。

A.2 Excel 分析

请分析这个 Excel 文件。
请输出：核心指标、异常数据、趋势变化、可能原因、建议行动。
请生成一个摘要报告和图表。

A.3 PPT 生成

请根据这份 Word 文档生成一份 PPT 大纲。
要求：10 页左右，每页包含标题、3-4 个要点和建议图表。
风格正式，适合管理层汇报。

A.4 会议纪要

请整理这段会议内容。
输出：会议结论、待办事项、负责人、截止时间、风险点、未决问题。

A.5 行业调研

请调研【行业/公司/产品】。
输出：市场背景、主要玩家、竞品对比、趋势判断、机会点、风险点。
请附上信息来源链接。

A.6 销售方案

请基于客户资料生成一份售前方案。
包括：客户背景、痛点分析、推荐场景、实施路径、预期收益、演示流程。

附录 B 场景速查表

基础办公速查

知识管理速查

自媒体创作速查

生活服务速查