最近 WorkBuddy 登上鸿蒙电脑端，官方披露它内置覆盖 12 个行业的 140+ AI 顾问、兼容 2.2 万+ 技能插件，Automation 支持 7×24 定时触发。这些数字背后，是一个值得工程师认真看待的信号：桌面级智能体已经从"聊天"走到了"替你敲键盘、动鼠标、跑流程"。但大多数人只把它当成一个更聪明的对话框，没用上它最值钱的两块能力——自动化（Automation）和技能生态（Skill）。今天就把这两块一次讲透：它们是什么、怎么分层、怎么落地、又会踩哪些坑。

一、背景：为什么是自动化和技能，而不是又一个聊天框

大模型刚火的时候，大家的习惯是"问一句、答一段"。但真实办公不是一问一答——它是一连串带格式、带文件、带外部系统的动作：周报要从几份 Excel 里汇总、竞品要定时爬取、合同要批量重命名归档。聊天框做到第三步就会卡住：它吐出的文字你还得自己复制粘贴去执行。

2026 年 8 月，WorkBuddy 登上鸿蒙电脑端，官方披露它内置覆盖 12 个行业的 140+ AI 顾问、兼容 2.2 万+ 技能插件，Automation 支持 7×24 定时触发，手机端还结合鸿蒙"碰一碰"做上下文与成果分享。这些数字背后是一个值得工程师认真看待的信号：桌面级智能体已经从"聊天"走到了"替你敲键盘、动鼠标、跑流程"。

WorkBuddy 这类桌面级智能体的关键差异，是它能读写本地文件、调用工具、按计划跑任务，把"建议"变成"成品"。它提供三种执行模式对应不同场景：Craft（说了就干）适合明确重复任务，Plan（先想再动）适合复杂多步任务，Ask（只聊不改）适合头脑风暴——本质是把"我要不要让它动手"的控制权交还给用户。

提示：评估一个 AI 办公工具值不值得用，别看它"聊得有多好"，要看它能不能把任务从指令推进到可验收的交付物。这也是 WorkBuddy 官方反复强调"visible, reviewable output"的原因——结果面板能看（Artifacts）、能改（Changes）、能用（Preview），才是真价值，而不是一段飘在对话框里的文字。

二、核心原理：WorkBuddy 的能力分层

理解 WorkBuddy，先看它的"五层能力模型"——这是它和单纯聊天机器人的根本区别：

一句话记：Skill 是"一种能力"，Expert 是"能力+经验"，Expert Group 是"多个专家+协作流程"。这种分层让用户可以按问题复杂度，选择"只要一个工具"还是"拉一个虚拟团队"。

为什么这个分层重要？因为它把"我要一个会干活的 AI"拆解成了可组合的积木。一个纯模型只能"想"，加上 Skill 才会"用工具"，加上 Expert 才懂"用什么角色、什么方法"，加上 Expert Group 才会"多角色协作"，加上 Connector 才够得着"公司里的真实系统"。

三、技术拆解：Automation 到底能做什么

Automation（自动化）是 WorkBuddy 把"跑得通的流程"固化成"无人值守任务"的能力。它支持两类触发：

• 循环（recurring）：按小时、天、周、月重复，例如 FREQ=HOURLY;INTERVAL=5 每 5 小时跑一次。
• 单次（once）：在指定时间跑一次，例如"明天下午 3 点提醒我开会"。

一个稳定的自动化任务，通常包含这些要素：名称、触发规则（rrule / 指定时间）、要执行的具体 prompt、工作目录（cwds）、状态（ACTIVE/PAUSED）、可选的有效期（validFrom/validUntil）。

注意：自动化不是"把一句话丢进去就完了"。好的自动化 prompt 要自洽——它运行的上下文和你当下对话不同，必须自己把"做什么、用什么目录、产出什么"写清楚，否则它会在第一步就卡住或跑偏。

设计自动化的三个原则： 1. 输入稳定：源文件结构、目录不要经常变，否则脚本会找不到东西。 2. 产出可验收：要求它生成具体文件（如报告 .md / .html），而不是只在对话框里说"已完成"。 3. 低风险先行：先用 Default Permissions（默认权限），敏感删除/脚本/网络操作会停下来向你确认，而不是直接动手。

四、主流"桌面智能体"能力对比

反差：RPA 能干活但要写流程；大模型能聊但不落地；WorkBuddy 这类"Agent 工作区"试图把两者优点合起来——用自然语言定义，用工具能力执行，用自动化固化。它不是银弹，但对于"输入稳定、产出明确、重复发生"的办公流程，性价比很高。

五、实战：写一个"每日资讯简报"自动化

下面用自动化配置的结构（伪配置，对应 WorkBuddy Automation 字段）演示一个最小可运行示例——每天定时检索某领域热点、生成简报、存盘：

{
  "name": "AI资讯每日简报",
  "scheduleType": "recurring",
  "rrule": "FREQ=DAILY;INTERVAL=1",
  "status": "ACTIVE",
  "cwds": "D:/workbuddy/简报",
  "prompt": "检索今日 AI 工程方向热点（WebSearch），挑 3 条写 300 字简报，存入 简报/YYYY-MM-DD.md，并在结尾给出是否值得深读的判断。"
}

如果你想用代码侧复刻"自动出简报"的骨架（不依赖具体平台 API，演示思想），核心就三步——取日期、抓内容、写文件：

import datetime, pathlib

def fetch_today_topics(query: str) -> list[str]:
    # 真实环境换成 WebSearch/新闻 API；此处仅为结构示意
    # ...
    return [f"抓取失败：{e}"]

def write_brief(topics: list[str]) -> pathlib.Path:
    today = datetime.date.today().isoformat()
    out = pathlib.Path(f"简报/{today}.md")
    out.parent.mkdir(parents=True, exist_ok=True)
    out.write_text("# 今日 AI 简报\n\n" + "\n".join(f"- {t}" for t in topics),
                   encoding="utf-8")
    return out

注意：示例省略了结果回传渠道（如连企业微信/飞书把简报推回来）、失败重试与权限边界。生产里建议：幂等（同天不重复生成，用日期文件已天然幂等）、加 .published/日期 标记防重、敏感目录用独立工作区、抓取失败要报警而非静默跳过。

六、应用场景

• 文档与报告：会议纪要转行动项、多份周报合并成高管摘要、需求文档生成首版 PPT。
• 表格分析：给一份数据文件，要它算指标、画图、写结论——但指标定义、缺失值、异常值要你审核，别直接采信。
• 批量文件处理：批量重命名、跨表提取、自动归档——高风险动作先小样本验证。
• 研究与内容：检索信息 → 对比表 → 草稿报告，公开内容务必回查原始来源。
• 小团队运营：Skills + Experts + Connectors + 定时任务，把重复流程变成团队共享资产。
• 跨应用联动：通过 Connector/MCP 接 GitHub、Jira、Confluence、Gmail、Notion、Slack 等，把"在 A 系统发现、到 B 系统执行"串成一步。

七、踩坑与最佳实践

• 权限坑：Agent 能读写文件就更有用，也更危险。保持 Default Permissions，对敏感路径/删除/脚本/网络风险动作让它停下来确认。Full Access 只在隔离、可恢复环境短期开，用完即关。
• 批量动作坑：批量重命名/移动/覆盖影响面广。规则：每任务独立文件夹、只放必要文件、先备份、先小样验证命名与目录规则。
• 结果验收坑：任何对外发布的产出（报告/数据）都要回查原始来源，特别是统计数与产品宣称，别让它"编得有理有据"。把 WorkBuddy 当"初稿生成器+执行器"，终审权留在人。
• 自动化漂移坑：源文件结构一变，自动化就找不到东西。输入结构尽量稳定，必要时加"找不到就报警而不是静默跳过"。
• 成本坑：长流程自动化会多次调用模型。用多模型智能路由按需选便宜/合适的模型，给自动化设 token 预算与上限，避免一个深夜任务把额度烧光。
• 安全合规：处理合同、客户数据等敏感材料，优先选私有化/专有云部署，确认数据不出域、有审计；对外发送的简报注意脱敏。

八、小结

WorkBuddy 这类桌面智能体，真正的杠杆不在"聊"，而在自动化 + 技能生态 + 可验收交付。Skill 给能力、Expert 给经验、Expert Group 给协作、Connector/MCP 打通外部系统、Automation 把跑通的流程固化成无人值守任务。它们和"写代码调 API"不是替代关系，而是把重复性、跨格式、跨系统的办公动作，从人手上挪到智能体手上——人只做审题和验收。

← 返回社区贡献