ReaderMX.
爱范儿

腾讯 WorkBuddy 入门指南：更适合国人体质的 Codex，真的能替我干活

爱关注明日产品的约 12 分钟
图片
如果说，过去的 AI 聊天机器人更像一个坐在聊天框里的顾问，主要负责回答问题、总结资料、改改文案，那么 Agent 做的事则更进一步：它在回答问题之外，还会根据用户的目标拆任务、调工具、自己往前推进。
而以 Codex 为首的本地 Agent，则是把这套能力扩展到用户的电脑上——AI 不只看你发给它的文字，还能在你授权的范围里读文件、改文件、跑脚本、生成网页，甚至调用本地应用和外部服务。
Image
不过，在中国用户的日常使用场景里，Codex 多少还是有点水土不服。网络环境、账号、权限、本地路径，这些细节只要卡住一次，普通用户的耐心基本就被消耗掉了。
Image
这也是为什么，当深度体验完腾讯的 WorkBuddy 后，我认为它绝对担得起「更适合中国宝宝体质的 Codex」这个名号。
WorkBuddy 是什么
WorkBuddy 脱胎于同为腾讯旗下、面向程序员的 CodeBuddy，底层保留了 Agent 拆解任务、调用工具的硬核能力，却替普通人卸下了所有需要折腾环境的技术包袱。
它的下载很简单，打开官网 codebuddy.cn/work 下载安装好就能直接用。打开后的界面与普通的 AI 聊天机器人类似，功能区域主要分成三块：
左侧栏： 新建任务、查看历史对话和任务记录、管理工作空间。
中间对话区： 描述需求，查看 Agent 的拆解过程和执行结果。
底部输入与操作区： 输入任务、切换模型、调用技能、连接应用、附文件或选择工作文件夹。
Image
刚好最近腾讯发布了新的混元 Hy3 模型，WorkBuddy 内也可以限时免费使用。腾讯公关总监张军也在微博上打趣说，已经刷到不少人趁着免费期，把 WorkBuddy 的「专家团」可劲儿试了一遍。
Image
根据我们的实测，Hy3 在 Agent 和 Coding 能力上确实进步明显，尤其是复杂网页生成、任务规划、长文本处理和多工具调用这些场景，交付结果更稳定。
但比起单纯讨论模型参数，我想大多数人关心的是：当底层能力更强之后，它能不能真的替普通人少点几下鼠标？
于是我拿几个真实打工场景试了一圈。除了划定工作空间、上传必要文件、在关键权限处点确认之外，模型选择、任务拆解、工具调用，都尽量交给 WorkBuddy 自动判断。
真正本土化的地方，是它接进了微信
WorkBuddy 最有本土化特色的地方之一，是它能和微信联动。登录、下达指令都可以直接在微信中完成，不需要再去折腾注册、绑定之类的繁琐流程。
Image
你或许也遇到过这样的突发状况：人在地铁上，却被急催着要一份躺在电脑硬盘里的资料。
接入微信 ClawBot 后，随手发条消息，WorkBuddy 就能自动在电脑中精准找出需要的材料。
由于微信 ClawBot 无法直接回传大体积文件，你还可以让它接入腾讯专为智能体打造的「Agent Mail」服务，将资料打包成 zip 直接发到手机邮箱里。
Image
Image
向左滑动查看更多内容
Image
电脑里存了一堆照片，只记得拍摄对象，却忘了具体放在哪个文件夹，也可以直接在微信里告诉它：
Image
以前需要远程桌面、网盘同步，或者拜托同事帮你开电脑找文件。现在只要电脑在线，微信里一句话就能搞定。

基础执行：当 AI 变成「本地管家」与「闪送员」

很多内容创作者或摄影爱好者的电脑里，大概都有一片不愿轻易打开的「素材废墟」。我的电脑里就有这样一堆文件夹：横跨一年半，命名规则前后不一致，有些夹着日期，有些夹着产品名，有些还带着奇怪的分隔符。平时找一张图，基本靠记忆力和运气。
Image
上下滑动查看更多内容
我先在 WorkBuddy 里划出一个隔离隐私的工作空间，然后让它根据一系列复杂的条件（提取特定人物、合并同一产品、去掉分隔符、统一日期格式）直接帮我大扫除。
帮我把 with Liz 的专门拎出来放一个文件夹里，产品的放另一个文件夹，同一产品多个文件夹的，合并为一个文件夹；归档的 RAW 只保留与成片同名那些，其他删除，分隔符「_」全部去掉，文件夹命名统一为 yyyymmdd。
面对包含「删除」的危险要求，它并没有像个莽夫一样直接 rm -rf，而是主动触发了二次确认机制，并在对话框顶部透明地展示了预估账单（预计消耗 5.37 ~ 53.6 积分）。确认无误后，喝口水的功夫，一团乱麻的目录已经被整整齐齐地收纳进了几个清晰的分类中。
Image
Image
Image
Image
Image
向左滑动查看更多内容
Image
整套流程下来实际消耗在 95 积分左右。对比日常签到每天能领到的 100-150 积分免费额度，应付这类轻度本地文件整理基本够用。
Image

从一堆材料到一张提纲

对于内容工作者来说，把海量资讯理出头绪往往是一天中最耗时的环节。为了把这活儿外包，我让它在指定的本地文件夹里，从零搭建一个完全自动化的「科技早报初筛工作流」。
结果它没有甩几个标题敷衍了事，而是真在本地跑通了读取信源、基础去重、剔除旧闻的脚本，并在腾讯文档里生成了一份分类清晰的初筛清单。
顺着这份清单让它继续写初稿，它不仅分出了各大栏目，甚至还在文末严谨地附上了一份「事实核查清单」，把特斯拉专访、苹果 AI 调查等信息列为待核项，将零散素材变成了一份高可用度的提纲。
Image
Image
向左滑动查看更多内容
Image这是一张来自 CCTV 5 体育直播的世界杯足球比赛的截图。
镜头切换到观众席——我们的参考图像人物正面带微笑地坐着。他笑容自然，似乎并未意识到自己正在被拍摄。他坐在看台边线后方的黄金位置/前排，周围是熙熙攘攘的观众。锁定条件：不要改变他的面部结构，保持他的肖像。完整的 CCTV 5 体育转播画面叠加：左上角是带有球队队徽、比赛计时器、比分和赛事标识的记分牌；角落里是 CCTV 5 体育的网络水印；下方三分之一处是图形条；画面比例为16:9。图像看起来与真实的电视截图完全一致——广播级的色彩校正、轻微的压缩痕迹、隔行扫描的颗粒感，以及灯光照射下球场浓郁的绿色光芒洒向看台。这是阿森纳对阵托特纳姆热刺的足总杯半决赛次回合比赛，地点在酋长球场。比分显示阿森纳2-1热刺，比赛进行到第67分钟。阿森纳总比分3-1领先。傍晚开球，灯光璀璨，体育场座无虚席。
请在当前文件夹从零搭建一个「科技早报候选初筛 workflow」。

重要限制：必须只使用当前文件夹作为工作区。不要读取、搜索、引用或复用我电脑其他目录里的任何早报 workflow、prompt、脚本、历史稿、自动化配置或文档。即使你发现本机其他地方存在类似项目，也不要使用。

目标：读取今日科技新闻素材，生成一份早报候选清单，并输出到腾讯文档。不要生成最终早报稿，只做选题初筛。

任务步骤：

1. 先检查当前文件夹结构，只允许在当前文件夹内读取和创建文件。

2. 检查 Folo CLI 是否可用，并尝试完成必要配置。

3. 如果 Folo CLI 可用，优先使用它获取今日科技新闻素材。

4. 如果 Folo CLI 不可用，说明缺少什么配置，并先读取当前文件夹里的本地素材文件。

5. 将抓取或读取到的新闻整理成候选池 JSON，保存在当前文件夹。

6. 做基础去重，避免同一事件重复出现。

7. 判断旧闻：如果只是今天被转载，但事件本身发生在前一天或更早，需要标记。

8. 将新闻按「必看」「可选」「不建议写」三类整理。

9. 每条新闻用 50 字以内说明为什么值得写或不建议写。

10. 标出是否适合 APPSO、是否适合爱范儿早报。

11. 标出来源、链接、发布时间、可能风险。

12. 输出一份腾讯文档候选清单。

13. 在当前文件夹保留 workflow 文件、运行记录和候选池 JSON，方便明天复用。

14. 不要直接生成最终早报正文。

Use Folo

Read https://api.folo.is/skill.md and follow the instructions to use Folo.

接着刚才的候选清单，请继续写一版爱范儿早报初稿。

要求：

1. 优先使用「必看」新闻，必要时从「可选」中补充；

2. 按「大公司」「观点」「新产品」「新消费」「好看的」等栏目组织；

3. 每条新闻控制在 2-4 段，信息要具体，不要写空泛分析；

4. 重要新闻要追原始报道或强来源，不要只依赖摘要；

5. 删除「不建议写」里的选题，除非你能说明它有新的角度；

6. 每条保留来源链接；

7. 写完后附一份事实核查清单；

同样的逻辑，面对满是口语重复、来回插话的会议转写文本，它能精准剥离无用信息，提炼出包含「信息缺口」和「下一步执行建议」的选题卡，把零散的口语转化为清晰的待办事项。
Image

请阅读这份会议转写，不要做流水账摘要，而是帮我整理成一张选题卡。

需要包含：核心概念、原始讨论摘要、当前最有价值的切入点、还缺哪些信息、下一步执行建议。

表达要简洁，保留真实讨论里的有效观点，不要把所有内容都写进去。

在处理长篇的产品评测资料时，它会先识别产品定位，再把官方卖点和真实体验问题分开，标出需要后续实测验证的点，最后给出适合展开的叙事方向，把人从面对空白文档发呆的焦虑中解救了出来。
Image

请阅读这些产品资料，不要直接写评测稿。

先帮我整理一份评测前预研卡，包含：产品核心定位、主要服务人群、官方最想强调的卖点、哪些卖点需要实测验证、可能存在的缺点，以及这篇评测适合采用什么叙事角度。

重点是帮我建立判断框架，不要堆参数。

除了案头工作，WorkBuddy 还有一个微信生态里的小彩蛋。接入微信支付刚发布的「AI 专属卡」后，我试着把团队下午茶交给它处理：3 点送达，10 人份，人均 30 元。
它按预算、距离和评分找出蛋挞、披萨等一串可供对比的选项。确认后，它会将订单推进到支付前，最后付款依然要人来决定。
Image
上下滑动查看更多内容
Image

帮我在附近找适合 10 个人的下午茶，预算人均 30 元，3 点前送到，优先评分高、配送稳定的店。
不过，这个功能的使用场景目前还比较单一，因此我更愿意把它看作附加能力。对大多数打工人来说，它最稳定的价值，还是本地执行和信息整理。

不用写代码，也能把自己的经验做成小工具

前面这些任务，本质上还是让 WorkBuddy 替你执行一串操作。更有意思的地方，是它能把一套重复出现的判断规则，做成一个可复用的小工具。
我第一个试的，是「高考作文批改助手」。
作为英专生，我身边有不少同学后来做了英语老师。批改作文是他们日常工作里绕不开的一环：要看内容、结构、语言、语法，还要给学生写能看懂的提分建议。
于是我把新高考 I 卷的作文评分标准图片喂给 WorkBuddy，用大白话告诉它：你要先理解评分逻辑，再做一个带 HTML 界面的批改助手，可以批量读取作文，输出分数、优缺点和提分策略。
Image
Image
Image
向左滑动查看更多内容
Image     
我是一名英语老师，请为我开发一个「新高考作文智能批改 Skill」，深度阅读我上传的两张《英语试题评分参考》图片，将其中的五个档次评分标准（1-15分）内化为你的打分逻辑。

功能要求：

1. 界面设计：生成一个简洁的 HTML 交互界面。

2. 批处理能力：支持调用 macOS 自带的 OCR，读取指定文件夹内的所有作文。

3. 输出规范：

  1. 自动评分：根据图片中的标准（字数、语法丰富性、连贯性）给出具体分值。

  2. Pros & Cons：用 bullet points 列出本文的 3 个优点和 3 个改进点。

  3. 提分策略：针对该学生的档次，给出一句最核心的提分建议。

4. 交互逻辑：批改结果以卡片形式排列，并在每个卡片下方留一个「老师确认」按钮。

5. 交付物：请直接生成这个 Skill 的代码文件，并告诉我如何放置到 WorkBuddy 的技能目录中。

Skill 做好了，是骡子是马，还得拉出来溜溜。我把 2026 新高考 I 卷的真题和几张答题卡扫描图片丢进文件夹。
Image
Image
Image
向左滑动查看更多内容
Image
WorkBuddy 这次把任务拆成了几块：
读取评分标准，提取 1-15 分的档次规则；
设计作文读取逻辑，支持批量读取 .txt；
为每篇作文生成分数、优点、问题和提分建议；
最后用 HTML 做出卡片式页面，方便老师复核、打印。
它输出的 HTML 页面排版规整，点开细看，不仅给出了精准的分数和优缺点，还有针对性地提供了「提分策略」。
Image
老师要做的，就从「从头批到尾」变成「复核、调整、打印」。这对高频重复工作来说，已经很有意义。
既然 WorkBuddy 能处理相对明确的评分标准，我又想试试更主观的任务：它能不能理解「新闻价值」？
顺着这个思路，我又让它开发了一个「名人访谈亮点挖掘」工具，要求拒绝流水账摘要，提炼长文里的金句、新信息和值得展开的观点，并给出后续可以补充的信息。
Image
上下滑动查看更多内容
请帮我开发一个「名人访谈亮点挖掘」Skill，并自动安装好。

这个 Skill 的作用是：读取一篇名人访谈（支持 txt、md、srt、vtt），自动从长访谈里提炼真正值得看的内容，并以卡片形式展示。

不要做普通摘要，只输出有价值的信息，包括：

- 金句

- 新信息

- 值得展开的选题

- 有意思的观点

每张卡片需要保留原文、说话人、为什么值得关注，以及如果继续写这篇内容还需要补充哪些信息。

先把 Mark Zuckerberg 约 60 分钟的播客录音转写输入进去。从最终生成的网页来看，它准确提取到了扎克伯格承认 Llama 4 开发未达预期、并重组超级智能实验室的具体信息。比较有实用价值的是卡片底部的「后续补充信息」，它根据上下文提供了一些可供交叉验证和延伸探讨的切入点。
Image
上下滑动查看更多内容
在处理 Sam Altman 的万字访谈时，WorkBuddy 抓到了他谈 Codex「YOLO 模式」、合成数据、Agent 访问电脑权限这些细节，还顺手标出了后面值得补充的信息。
Image
上下滑动查看更多内容
老师的经验，被它变成了作文批改卡片；编辑的经验，被它变成了访谈亮点卡片。
最后的判断当然还是人来做，但最耗耐心的第一遍筛选、归类和追问，它已经能替你做好大半。它不负责替你拍板，但很适合帮你把一堆乱糟糟的材料，先整理到一个可以开始判断的状态。

一个能帮你干活的「搭子」，终于装进了电脑里

这些天用下来，WorkBuddy 给我最大的感觉是：电脑里像是多了一位刚入职、勤快又不知疲倦的实习生，而我就是它的 Mentor。
很多时候，只要把工作空间划好，把目标讲清楚，它就能自己拆任务、找路径、跑流程，中间的过程也能看得一清二楚。
整理文件、远程找资料、筛早报、做选题卡、搭一个简单工具，这些日常工作里琐碎但绕不开的部分，它的表现已经相当不错。
Image
但它也没有强到「赛博许愿机」的程度。
你不能把一句「帮我搞定」扔过去，然后等着它自动交出一个完美结果。文件在哪里、目标是什么、哪些目录不能碰、最后要长成什么样，依然需要你先讲清楚；任务推进到关键节点时，也需要你确认方向、修正偏差、检查结果。
但话说回来，这已经足够让人上头了。你明知道它还会犯错，明知道最后还得自己兜底，但看着它真的开始读文件、改代码、生成页面、整理材料，还是会忍不住冒出一种危险的念头——
这活儿我是不是也能接了？
Image
这种关系，恰恰呼应了它的名字——WorkBuddy。
它不是阿拉丁神灯，也不想替代你、接管你的全部工作，而是在你的电脑里，和你一起把问题拆开、确认、推进，做一个愿意打下手、能陪你一起干活的「搭子」。
当然，真要做复杂项目，无论是从模型能力还是用户体验上来看，Codex 和 Claude Code 依然是更好的选择。但如果只是执行一些日常的简单任务，WorkBuddy 已经能给大多数人一个可用且低成本的选择。

作者｜郑廷旭

编辑｜肖钦鹏

Image
Image

KEEP THE THREAD GOING

更多来源文章