从入门到精通

从定位、安装、界面到第一次对话，帮你快速建立对 WorkBuddy 的整体认识，并顺利迈出上手第一步。

1.1AI 智能体发展历史

一、AI 的三次浪潮：从规则到智能

AI 走过了三个阶段。每个阶段的局限，恰好对应今天企业场景里 AI "不够用"的根源。

第三波的大语言模型解决了"理解你"的问题，但留下了一个关键缺口——它只能回答，不能行动。

二、大模型的能力边界：「说得好」≠「干得了」

LLM 在写作、翻译、编程等任务上表现优异。但在企业场景中，以下四个问题是无法绕过的：

上面四个短板，本质上是同一个问题：LLM 只能"说"，不能"做"。

三、AI Agent 登场：给大模型装上「手」和「脚」

AI Agent（智能体）是给 LLM 补齐执行能力的方案，不是新概念，而是 LLM 的自然延伸。

下面这张表对比了 Agent 相比传统 AI 多出来的核心能力——本质区别就一句话：LLM 只能"说"，Agent 能"动手"。

Agent 执行流程：接收任务 → 规划步骤 → 调用工具 → 监控执行 → 交付成果。各环节分别对应：接收自然语言指令、拆解为可执行子任务、读写文件并调用系统、异常时自动重试、把结果归档到指定位置。

四、Agent 能力落地：企业场景对比

一句话：Chatbot 给地图，Agent 带你走完全程。

1.2认识 WorkBuddy

一、一句话定义

WorkBuddy 是腾讯做的一个 AI 工作台——你用自然语言告诉它要做什么，它自己拆步骤、找工具、动手执行，最后把成果交给你。

二、四重身份：该怎么理解它

不要把它当成高级搜索框。它实际上扮演四种角色：

理解了四重身份，记住一点就行：你拍板，它干活。

三、它能干什么

四、个人版 vs 企业版

• 体验版：零门槛免费试用，基础积分额度，高频使用会触发限频。
• 订阅用户：解锁全部模型与全量功能，积分额度更高、无频率限制，按场景智能调度最优模型。
• 企业版：团队统一管理，额外提供组织架构、企业知识库、安全审计等管控能力。

这些能力落到日常工作里是什么样？拿三个场景对比：

1.3安装、登录与功能纵览

一、下载与安装

步骤：

1. 打开浏览器，访问 https://www.workbuddy.cn/work/
2. 选择 Mac 版或 Windows 版，下载安装包
3. 双击安装包，同意协议，按提示完成安装
4. 首次启动，选择微信扫码登录

二、认识主界面

首次登录需设置工作目录（建议新建专用文件夹）。该目录为 AI 的工作区——文件读取、结果存储均在此路径。设好目录、安装推荐技能包后进入主界面。

对照截图认识六个区域：

逐一说明：

• ① 功能导航栏 — 所有功能入口。「新建任务」为起点；「助理」管理远程控制；「项目」组织项目空间与团队协作；「专家」内含技能市场和连接器；「自动化」设定时任务；「更多」展开后包含：我的文件、腾讯文档、ima 知识库、乐享知识库、灵感。
• ② 任务列表 — 历史任务按时间排列，点击切换，右键可重命名或归档。
• ③ 对话区域 — 与 AI 交互的核心空间。顶部「日常办公」「代码开发」「设计创意」为场景切换；中部为场景卡片（如「文档处理」「金融服务」等），点击即用；底部输入框附工具栏，含模式切换、模型选择、技能、连应用、权限等开关。
• ④ 快捷模板 — 切换场景后展示对应卡片（如「文档处理」「文本改写」等），点击即可快速发起任务。不需要从零写指令。
• ⑤ 输入框 — 打字、贴截图、拖文件，均在此处。Enter 发送，Shift + Enter 换行。输入框内提示：「今天帮你做些什么？@ 引用对话文件，/ 调用技能与指令」。
• ⑥ 底部工具栏 — 常用开关：工作模式（Craft / Plan / Ask）、模型选择（Auto）、技能、连应用、默认权限。

三、模型选择：用哪个"大脑"

⑥ 中「Auto」点开即为模型列表。WorkBuddy 内置多款主流模型，各有侧重。

Auto 匹配逻辑：系统根据当前任务的以下维度自动调度模型——任务类型（写作/分析/代码/翻译等）、输入内容的 Token 规模（短文本/长文档）、是否需要多模态处理（图文混合）、以及任务对响应速度与深度的权衡。用户无需手动判断，Auto 在后台完成模型选择。

按场景手动选模型：

自定义模型：点击列表底部「配置自定义模型」，填入名称、API 地址和密钥。兼容 OpenAI 协议，海外模型也可接入。

四、推荐设置：30 秒调好

进入设置：左下角头像 → 设置。

文件权限：

底部工具栏盾牌图标，点开两个选项。日常保持默认权限（仅操作工作目录内的文件）。需操作目录外文件时临时切完全访问权限，用完切回。

五、三种工作模式

选模式口诀：

① AI 不需要动手？→ Ask
② 需要动手，但不确定每一步？→ Plan（先看方案再确认）
③ 流程清晰、风险可控？→ Craft（直接执行）

拿不准时退一档。系统默认 Craft，新手可先切 Ask 熟悉手感。

六、不止在电脑上用

移动端 App 和小程序均支持两种执行模式：

移动端 App 权限：首次启动建议允许相机、麦克风、存储、通知——拍照提问、语音输入、上传文件均依赖这些权限。

此外，WorkBuddy 支持接入企业微信和元宝，在对应应用内直接发消息指挥。

日常以桌面端为主，手机 App 和小程序为移动场景补充。

七、第一次对话 ★

打开 WorkBuddy，选 Ask 模式。

1. 输入：「帮我写一封简短的请假邮件，明天上午请假」→ 回车，查看回复
2. 追问：「把语气改得更正式一些」→ 回车，对比两次结果

输入技巧：

• Enter 发送，Shift + Enter 换行
• Ctrl+V / Cmd+V 粘贴截图，AI 可识别图片内容
• 文件直接拖入输入框

实战挑战（5 分钟）

打开 WorkBuddy，选 Ask 模式，用一个你工作中真实的写作需求试一次。试完后追问一轮——你发现追问前后的差距有多大？

1.4小试牛刀

一、三个高频快捷操作

二、任务产物：在哪看、怎么处理

任务执行时，界面右侧会打开结果区，集中展示所有产出。

查看与分享操作：

1. 点击「产物」→ 上方文件列表，下方预览
2. 表格和文档可直接在区内预览，无需下载
3. 分享：文件上右键选「分享」，或预览时点击右上角分享图标

实战挑战（10 分钟）

1. Ask 模式（3 分钟） 选一个你工作中的真实问题（不是「帮我写请假邮件」这种练手题），用 Ask 模式提问。看看回复质量——哪里好，哪里差？追问一轮试试

2. Plan 模式（3 分钟） 切换到 Plan 模式，输入一个你需要但不确定步骤的任务。审查 AI 出的方案——有没有遗漏？有没有多余？

3. Craft 模式（4 分钟） 切换到 Craft 模式，让 AI 在工作目录里新建一个文件。完成后打开「结果区 → 产物」查看

本章总结

本章你已经认识了 WorkBuddy、装好了环境、跑通了三种模式；下一章，我们深入 LLM 的工作原理，学会把指令写得又准又好。

围绕提问方式、文件处理、写作生成、表格分析与联网研究五类高频场景，把 WorkBuddy 用得更准、更快、更稳。

2.1工作原理速览：看懂 LLM 怎么「想」

一、术语说明：什么是 Prompt

在你继续往下读之前，先认识一个贯穿本章的关键词。

Prompt（提示词） = 你输入给 AI 的那段文字。在 WorkBuddy 里，就是你打在输入框里发给 AI 的内容。

说人话就是：你告诉 AI 要做什么的那句话。后面的「上下文」「Token」「温度」都是围绕「怎么让这句 Prompt 更精准」展开的。

二、一个关键认知：LLM 不是「理解」，是「预测」

大语言模型本质上做的事只有一件：拿到你给的 Prompt，猜接下去该输出什么词。

你输入：「今天天气真」

模型预测下一个 token 的概率：
  不错 ████████ 38%
  好   ██████   27%
  热   ███      14%
  ...

这意味着：

• 你给的上下文越多、越具体 → 概率分布越集中 → 答案越精准
• 你给的上下文越模糊 → 概率分布越发散 → 答案靠运气

用一个类比理解：

结论：模糊的输入，输出的不确定性就大——你可能运气好撞上一个好答案，但靠运气不如靠指令。精准的输入，输出的可控性就强。

三、Token：LLM 的「最小处理单位」

Token 可以理解为 AI "嚼"文字的最小一口。"人工智能"四个字，AI 不是一个个字读的，而是一两字一口地嚼——[人工]一口，[智能]一口，两口就嚼完了。不同模型的"嚼法"不一样，所以同样一段文字，不同模型算出来的 Token 数会有差异。

通用参考规则：

• 中文：约 1-2 个汉字 = 1 Token（取决于分词器）
• 英文：约 0.75 个词 = 1 Token
• 代码：1 个符号/关键字可能 = 1 Token

为什么要关心 Token？

• LLM 有上下文窗口上限（输入 + 输出总 Token 数有限）
• 上传一个 50 页 PDF 可能消耗数万 Token → 剩下的聊天空间就少了
• 对策：文件太大时分批处理，长对话太久时开新会话

四、上下文窗口与记忆机制：LLM 的「短期记忆」

LLM 没有真正「记住」历史对话，而是把整个对话历史一直带在上下文窗口里。但 WorkBuddy 有额外的记忆系统来增强长期记忆能力。

（一）上下文窗口（短期记忆）

第 1 轮：[用户: 我是某公司 HR] → LLM 看到 1 条
第 5 轮：[用户:...] [AI:...] × 5 → LLM 看到全部 5 轮
第 N 轮：窗口塞满 → 最早的信息被截断（"我是 HR"可能已看不见）

上下文窗口的限制：

• 窗口大小有限（各模型的上下文窗口上限不同，主流模型通常为数十万 Token 级别，部分模型支持百万级超长上下文）
• 窗口塞满后，最早的信息会被截断
• 超长对话会导致早期关键信息被稀释

（二）WorkBuddy 记忆系统（长期记忆）

WorkBuddy 有三层记忆架构，让 AI 真正「记住」你：

对策：

• 新任务 → 开新会话，重置窗口
• 关键信息 → 通过「设置 → 记忆」管理，或对话中直接告诉 WorkBuddy「记住 XX」
• 长期使用 → 善用记忆系统，让 WorkBuddy 越来越懂你

五、温度：控制 LLM 的「创造力」

同一个 Prompt，两次可能得到不同答案。这是温度参数在起作用——这是 LLM 的通用机制，非 WorkBuddy 特有。

六、幻觉：LLM 为什么会「一本正经地胡说」

幻觉（Hallucination）= LLM 编造了看起来合理但实际不存在的信息。

对策：

• 联网搜索后必须点击链接验证
• 关键数据多来源交叉确认
• 不确定时追问「来源是什么？」

七、三种模式背后的本质

三种工作模式的底层差异，从架构视角看，在于权限级别和执行逻辑：

Plan 模式的五阶段工作流

Plan 模式的核心是将「规划」作为一等公民，解决传统 AI 直接执行导致的偏差和返工问题：

1. 需求澄清：AI 通过 1-2 轮关键问题对齐需求边界（技术栈、功能范围、项目约束等）
2. 方案生成：基于确认的需求生成完整方案（需求分析、技术方案、视觉设计、任务清单）
3. 编辑确认：用户可调整方案，执行前纠偏，避免后期重构
4. 方案执行：按任务清单逐步执行，实时反馈进度，支持暂停调整
5. 方案归档：自动保存为 Markdown 文件到项目的计划文件夹中，可作为项目知识库复用

模糊 vs 精准：三组对比

实战挑战（5 分钟）

挑一条你最近发给 AI 的模糊指令，按「角色 + 背景 + 任务 + 格式」补全成精准指令，重新发一次，对比两次输出差在哪里。

2.2Prompt 心法：从会说人话到会问 AI

一、Prompt 结构：角色 + 背景 + 任务 + 格式

一个高效的 Prompt 应包含四个要素。结构化的指令能让 AI 更精准地理解你的需求，显著提升输出质量。

示例：撰写会议纪要

• 角色：我是产品部项目助理
• 背景：今天下午 2 点开了产品评审会，参会人员包括产品部张经理、研发部李工、测试部王工
• 任务：整理成会议纪要，重点记录讨论要点和决议事项
• 格式：按「会议基本信息→讨论要点→决议事项→待办跟进」结构输出，每个部分用 bullet point

组合后：「我是产品部项目助理。今天下午 2 点开了产品评审会，参会人员包括产品部张经理、研发部李工、测试部王工，讨论了 3 个需求的优先级排序。请帮我整理成会议纪要，按『会议基本信息→讨论要点→决议事项→待办跟进』的结构输出，每个部分用 bullet point。」

二、Prompt 优化三阶段

优化 Prompt 分三步走：

三、追问五种策略

追问是提升 AI 输出质量最有效的手段，以下五种策略最常用：

追问实战：四轮对话步步逼近（以"制定季度工作计划"为例）

四、语气控制：给 AI 注入「人设」

同一件事，语气不同，效果完全不同。语气指令是控制 AI 输出风格最直接的手段。

同一件事，四种语气对比（通知团队周末支持项目）：

• 简洁直接：「各位，本周六需支持 XX 项目上线，请提前安排时间。」
• 友好亲切：「Hi 团队，这周六咱们一起保障 XX 项目上线，辛苦大家！中午订餐，晚上庆功～」
• 正式商务：「各位同事，兹通知本周六需全员支持 XX 项目上线，请提前协调个人安排并确认到岗时间。」
• 委婉礼貌：「不好意思周末打扰大家，XX 项目上线在即，需要各位支持。周六方便到岗的同事请回复确认，辛苦了。」

实战挑战（5 分钟）

选一段你常用的提问，套用「搭骨架 → 加约束 → 给范例」三步优化一遍，再追问一轮，看看输出质量提升了多少。

2.3场景实战：高频工作示例

一、文档处理

上传文件后，用自然语言告诉 AI 要做什么。以下场景覆盖多个行业岗位：

完整案例：

1. 上传一份技术方案 PDF
2. 输入：「总结核心架构、主要功能和实施计划，列出 3 个风险点」
3. 查看结果，追问：「把实施计划细化到月，加甘特图」

二、内容写作

写作指令公式：文档类型 + 目的 + 关键信息 + 语气要求 + 篇幅约束

三、数据分析

上传 Excel / CSV 文件后，按「数据范围 + 分析目标 + 输出要求」的结构下指令：

完整链路：

1. 上传数据文件（确保第一行是表头）
2. 输入分析指令 → AI 处理（10-30 秒）
3. 查看结果 → 如需调整，追问「换成饼图」「按区域再分一组」
4. 满意后下载图表和报告

四、联网搜索

指令公式：搜索主题 + 信息范围 + 时间限定 + 输出格式

三步闭环：搜 → 验 → 整

1. 搜：明确要求联网搜索，给出时间范围和信息维度
2. 验：点击来源链接确认信息准确，多个来源交叉验证
3. 整：要求 AI 按指定格式整理（表格 / 报告 / PPT 大纲），标注每条来源

实战挑战（5 分钟）

从文档、写作、数据、搜索四类场景中挑一个你本周真实的任务，套用对应的指令公式写一条 Prompt 并执行，记录哪里还需要追问补充。

本章总结

本章你已经看懂了 LLM 怎么「想」、学会用 Prompt 四要素套场景公式；下一章，我们用「读·写·析」三个完整工作流带你沉浸式实战——每个工作流都是这里公式的组合应用。

从日常办公、长文档处理到演示材料制作与研究助手，把 WorkBuddy 真正落到高频工作任务中，形成可复用的实战方法。

3.1读：让 AI 帮你消化信息

一、长文读成摘要：三种读法自由切换

同样一份 50 页报告，不同目的用不同读法：

三种读法对比：

速览：「这是我明天要面试的候选人简历包，每人用一句话总结匹配度」 → 一屏看完。精读：「把产品需求文档按模块提取要点，每模块3-5条」 → 系统笔记。定向：「这份100页的技术文档里，只找出和性能指标相关的段落」 → 精准定位。

一个翻车例子：小王让 AI 总结一份 50 页的行业报告，直接说"总结一下"。AI 给了 300 字摘要——但全是正确的废话，因为没告诉 AI 他关心什么。后来他改说"只提取和预算相关的内容"，这回精准了。同一个文件，两种结果——差别在指令。

二、选对读法的判断逻辑

不是每份文档都要精读——关键是先判断你的目的。你只需要判断「值不值得看」？→ 速览。你需要全面理解、留档备用？→ 精读。你只关心某一个具体问题？→ 定向。

提示：同样的文档，读法不同，Prompt 不同，结果天差地别——先想清楚「我要从这份文档中得到什么」，再决定用哪种读法。

三、两版文档找差异：别再逐行肉眼对比

方案改了第三版、制度更新了、需求文档被产品经理改了——你需要快速知道「到底动了哪里」：

对比 Prompt 的写法：

"对比这两份文档，第一份是第二版，第二份是第三版。
重点关注：预算变化、排期调整、人员变动、渠道增减。
按表格输出：变化位置 | 第二版内容 | 第三版内容 | 变化类型 | 影响
不确定的标注『需人工核对』"

提示：文档对比的关键是锁定你在意的维度——不需要逐字比对，找准差异就行。

四、多文档对比实战：三份报告一张表看穿

三家咨询公司都发了同一领域的报告，你需要形成自己的判断：

Prompt：「上传了三份报告，请按『共识结论/分歧点/数据冲突』三类整理成对比表，冲突数据标注『需核实』」

提示：多文档对比的最大价值是「发现分歧」——三家都说的你可以信，只有一家说的要慎重。

五、外文文档直接读：专业翻译三步法

海外同事发来英文报告、需要回复外商邮件、要翻译产品说明书——这是越来越多人的日常：

翻译底线与翻车预防：

翻译底线：

• 不确定的专业术语 → 保留原文 + 标注「待人工确认」
• 正式对外文件 → AI 译初稿 + 人工校对终稿

提示：翻译 Prompt 不只是「翻成XX语言」，还要加三道保险：术语表 + 目标读者 + 格式保持。

六、批量文件处理：一句话搞定重复劳动

WorkBuddy 区别于普通 AI 的地方——能直接操作本地文件，批量执行。这是行政、运营等岗位最高频的提效场景：

这些重复劳动每次省 5-20 分钟，一年下来是上百个小时。

七、跨文档检索问答：让 AI 围绕你的文档回答问题

通过 WorkBuddy 左侧「资料库」入口，可以连接多种数据源，让 AI 基于你的文档直接回答问题，无需逐份打开搜索：

支持的资料库类型：

提示：使用方式：在左侧导航栏点击「资料库」→ 选择对应类型 → 添加文件或授权 → 在对话中引用。不同类型的连接方式略有差异，但核心操作一致——把资料喂给 AI，让它围绕这些内容回答问题。

典型场景：

实战挑战（5 分钟）

找一份你工作中最头疼的长文档，用今天学的三种读法分别试一遍。想想看：哪一种读法让你最快拿到想要的信息？如果换一种读法，结果差在哪里？

3.2写：让 AI 帮你生成内容

一、关键心法：「写」的本质是给 AI 一个「结构模板」

回顾第二章的 Prompt 四要素，到了「写」的场景，格式变成了主角：

写 Prompt（写作场景）= Prompt 四要素 + 输出结构模板

其中「结构模板」按文档类型选择：
  · 内容型文档 → 固定结构（如「开头 → 正文 → 结尾」）
  · 数据型文档 → 维度列表（如「分析各区域表现、环比变化、Top3」）

不同类型的内容，套不同的结构模板：

提示：写东西的时候，给结构比给内容重要。比如不说"帮我写周报"，而是说"按成果-数据-问题-计划四块来写"。

二、邮件：最常用的场景，最容易被忽略的五要素

邮件 Prompt 怎么写：

写给[收件人]的[邮件类型]，目的是[核心目的]。
关键信息：[具体内容，含时间、数据、背景]。
语气[正式/友好/简洁]，控制在[X]字以内。

一封合格的邮件 = 五要素填满的 Prompt。少一个，AI 就多一份自由发挥的空间，你就多一次修改的成本。

三、汇报：从零散想法到可交付的文档

很多人写汇报的问题是「手里有一堆碎片信息，不知道怎么串起来」：

你的素材（碎片）       AI 的加工（结构化）        输出（可交付）
─────────────────    ────────────────────    ──────────────
本周做了A、B、C     →  按「成果→数据→问题→计划」  →  一份周报
这个月完成了X目标    →  按「目标达成率→亮点→反思」  →  一份月报
每天做了1、2、3      →  按「完成项→明日计划」      →  一份日报

汇报 Prompt 的关键：告诉 AI "按这个结构组织起来"，比"帮我写"管用

"我是[岗位]，汇报对象是[上级]。
我做了：[列出事项，越具体越好]
数据：[有什么数据就写什么]
请按照『完成成果→数据亮点→遇到的问题→下阶段计划』的结构
整理成[周报/月报]，突出[核心亮点]，控制在[X]字。"

提示：汇报就是按模板填空——你提供碎片素材 + 指定模板 = AI 帮你填空。

四、PPT：从需求到成品的多步骤生成

PPT 生成通常需要多个步骤，推荐在 Plan 模式下操作，让 AI 先制定方案再执行：

标准操作流程（来自官方文档和社区验证）：

第一步：准备工作空间 → 第二步：选择 PPT 功能（或加载 pptx 技能）
  → 第三步：输入需求（主题、受众、时长、数据、风格）
  → 第四步：AI 生成大纲 → 第五步：审查修正大纲
  → 第六步：生成完整页面内容 → 第七步：导出 .pptx 或 .html

五、PPT 前期需求怎么给：正反对比

PPT 生成的质量 80% 取决于第一步「需求结构化」给得够不够：

PPT 需求怎么描述：

"生成[主题]的PPT，面向[受众]，汇报时长[X]分钟，控制在[Y]页。
背景：[一句话背景]
数据：[关键数据点]
逻辑：按[结构]组织
风格：[配色+布局要求]
缺失数据标注『待补充』。"

提示：PPT 的第一步不是让 AI 写，是先让「你自己想清楚要什么」——需求越结构化，生成越精准。

六、内容创作：覆盖自媒体全场景

运营和市场岗位的高频需求——公众号推文、短视频脚本、产品海报文案：

提示：内容创作的核心是记住第二章的 Prompt 心法：角色（你是什么号）+ 背景（给谁看）+ 任务（传达什么）+ 格式（公众号/脚本/海报），四要素填满。

七、一稿多用：同一批素材，产出三种形态

一份素材可以让 AI 同时生成多种交付物，不用每种都从头写 Prompt：

原始素材：一份完整的工作总结 + 数据
    │
    ├──→ Prompt A：邮件版（150字，老板快速同步）
    ├──→ Prompt B：周报版（完整四模块，团队存档）
    └──→ Prompt C：PPT 大纲版（5页，周例会汇报用）

提示：一份素材，三段 Prompt，三种产出——不必每种都从零开始。

实战挑战（5 分钟）

选一个你经常要写的文档类型（邮件/周报/PPT），先用你平时的写法让 AI 生成一版，再套用本节的结构模板重写一版。对比两版，差距在哪？

3.3析：让 AI 帮你分析决策

一、数据分析：从「有什么数据」到「能得出什么结论」

数据分析黄金 Prompt：

分析[数据文件]，想了解[关键问题]。
具体分析：[维度1]的[统计方式]、[维度2]的[统计方式]...
输出：[表格/图表/报告]，如需图表说明类型。

提示：数据分析 Prompt = 你告诉 AI 「要算什么、怎么分组、怎么展示」——不需要你会写公式。

二、图表选型指南：什么数据配什么图

选错的后果：

• 用饼图展示12个月的趋势 → 完全看不懂
• 用柱状图展示20个部门的占比 → 又挤又乱

提示：先想清楚「我想让观众看懂什么」，再告诉 AI 用什么图——选错图 = 数据白分析。

三、行业研究：搜→读→整三步闭环

研究一个行业或公司，标准流程：

① 搜（联网搜索收集素材）
  → "联网搜索[行业]2026年市场规模、竞争格局、政策动向"

② 读（逐份消化关键信息）
  → 每份报告用「精读模式」→ 提取关键数据和核心观点

③ 整（整合多来源形成判断）
  → 多来源对比 → 标记共识/分歧 → 形成综合结论

多来源整合 Prompt：

"基于以上三份报告，请整合分析：
 ① 共同结论（三份都提到的）
 ② 差异化观点（各自独特的判断）
 ③ 数据冲突（同一指标不同来源的数字不同）
 ④ 综合判断（标注是『事实』还是『推测』）
 对不确定的信息标注『需人工核对』。"

实战案例：领导突然说「帮我了解下XX行业」

提示：做研究关键是流程——有了「搜→读→整」三步法，约 3 分钟就能出一份经过验证的汇报要点。

四、方案对比：帮你在 A、B、C 中做出选择

工作中最常见的决策困难：到底选方案 A 还是方案 B？

方案对比 Prompt 结构：

"对比以下两个方案：
方案A：[要点]
方案B：[要点]

从以下维度分析：
 ① [维度1]：哪个更优？为什么？
 ② [维度2]：哪个更优？为什么？
 ...

最后给出建议，并标注你的建议依据和不确定因素。"

提示：AI 帮你整理对比信息，帮你按维度分析优劣，但最终决策是你自己的 —— AI 是参谋，不是决策者。

五、成果沉淀：研究做完了，别让它用完就丢

最常见的浪费：花两小时研究了一个行业，产出一份报告。下次领导再问同一个领域，还得重新查。反例是一次性消耗——研究完汇报完就没了；正例是顺手整理一份「常备素材」，下次直接调取。

让 AI 帮你把研究成果沉淀为三类「常备素材」：

提示：让 AI 多花 2 分钟整理，你下次省 2 小时重查。成果是可以反复用的资产。

六、全章避坑指南：读写析最常见的五个坑

实战挑战（5 分钟）

找一份你手头的数据表，让 AI 做一次分析。完成后逐项核实：数字有没有来源？逻辑有没有跳跃？结论适不适合你当前的场景？至少找出一个需要修正的地方。

本章总结

「读·写·析」三个通用工作流，覆盖日常办公中信息输入、加工、输出的完整闭环。结合前两章的认知基础与 Prompt 技法，形成从理解到对话再到实战的完整学习路径。

本章你已经跑通了「读·写·析」三大办公工作流；下一章，我们解锁专家、技能、自动化等进阶能力，让 AI 从单次帮手升级为持续在线的工作伙伴。

HR / 人事

简历筛选｜读 + 析

根据「岗位JD.docx」中的要求，分析「候选人简历」文件夹内所有 PDF 简历。
提取每人工作经验年限和核心技能，按匹配度从高到低排序。
输出《候选人匹配度评分表》，包含排名、分数、核心亮点、关键提醒。
无法从简历中确认的信息标注「未明确」，不要自行补全。

制度文件知识库｜读

请基于工作空间中的制度文件回答以下问题：
- 最新的差旅报销标准是什么？请定位到具体条款，提取金额和票据要求。
- 找出所有提到「试用期延长」的文件，返回匹配段落及所在文件名和章节。
如不同文件之间存在冲突，请标注冲突来源，不要直接替我判断哪个版本有效。

新员工入职培训计划｜写

我是 HR 专员。请制定一份为期一周的新员工入职培训计划。
包含：公司介绍、制度讲解、系统操作、团队融入、岗位技能 5 个模块。
按天排布，每天 3-4 项内容，用表格呈现，标注每项的负责人和所需时长。

行政 / 文职

会议纪要整理｜读 + 写

把这份会议录音转写稿整理成「会后执行清单」：
- 会议主题
- 已确认结论
- 行动项清单（每项含负责人、截止时间）
- 待确认事项
- 风险提醒
对负责人或截止时间未明确的标注「会议中未明确」。

批量文件处理｜读 + 析

把「下载」文件夹里所有 PDF 按文件名中的日期分类，
生成「2026-01」「2026-02」等子文件夹。

请先输出拟分类清单，包含：原文件名、识别出的日期、目标文件夹、不确定原因。
不要立即移动文件，待我确认后再执行。完成后输出整理报告，说明每个文件夹的文件数量和总大小。

发票报销整理｜读 + 析

读取「报销单据」文件夹内的发票图片或 PDF，尽可能提取每张票据的金额、日期、开票方、发票类型和用途说明。
如果无法识别，请标注「需人工补录」，不要自行猜测。
生成报销汇总表，按部门分类统计，并列出疑似不合规项、原因和需人工复核事项。

财务 / 会计

费用分析与预警｜析

分析「Q1 各部门差旅费.xlsx」：
- 请先读取表头并确认字段含义；如缺少预算、实际支出、月份、部门等字段，请先列出缺失字段，不要自行假设
- 对比各月预算与实际支出偏差率
- 标出超预算 20% 以上的条目并红色高亮
- 按部门汇总 TOP5 高支出项目
- 输出一份包含图表和专业注释的月度费用分析报告
- 关键金额和异常判断请标注数据来源，疑似问题列入「需人工复核」清单

应收账款对账｜析

比对「应收账款.xlsx」与「银行流水.xlsx」两个表格。
请先读取两个表的表头，确认「客户名称」「金额」「日期/流水号」等匹配字段是否存在；字段名称不一致时先给出映射建议。
按确认后的字段匹配，标记已收款、未收款和金额不一致的记录，标红差异行。
输出对账差异报告，并列出无法匹配或需人工复核的记录。

法务 / 合规

合同审阅｜读 + 析

请审阅这份采购合同，按以下维度输出结构化摘要：
1. 合同双方 2. 合同标的 3. 金额与付款方式
4. 交付周期 5. 违约责任 6. 合同期限
7. 需要重点关注的风险条款（如不对等条款、模糊表述）
8. 原文未明确的信息标注「未提及」，不要自行推测

请区分「事实摘要」「风险提示」「需专业法务判断」三类内容。
输出表格形式，引用关键条款原文位置，最后补充「需人工确认事项」清单。

政策法规跟踪｜搜 + 读 + 析

联网搜索 2025-2026 年数据安全相关法规更新，按时间线整理：
- 法规名称与发布机构
- 核心影响条款
- 对企业合规的具体要求
- 生效/过渡期限
输出对比表格，标注每条法规的原始来源链接。
请优先引用官方发布渠道；无法确认来源可靠性的内容标注「需人工核验」。

运营 / 市场

用户反馈分析｜析

分析「用户评论.xlsx」中「评论内容」列。
请先确认是否存在「评论内容」字段；如字段名称不同，请给出字段映射建议。
统计高频关键词和情感倾向（正面/负面/中性），输出词频排名 TOP20、情感占比饼图、3 条核心洞察和改进建议。
对无法判断情感倾向的评论标注「需人工复核」。

竞品调研｜搜 + 读 + 析

帮我调研 XX 行业 TOP5 竞品，从公开渠道搜集信息，包含：
- 市场概况
- TOP5 产品对比（功能、定价、用户口碑）
- 机会与威胁分析
- 我们的可借鉴点
要求有数据支撑、结构清晰，约 1500 字，标注信息来源和发布时间。
无法确认来源可靠性的内容标注「需人工核验」。

公众号推文｜读 + 写

根据「Q1 用户增长数据报告.pdf」的核心发现，
写一篇面向 25-35 岁职场人的公众号推文：
- 标题有吸引力（提供 3 个备选）
- 导语 100 字切入痛点
- 正文 3 个小标题 + 数据支撑
- 结尾引导关注
控制在 1000-1200 字，轻松但不失专业。
关键数据必须来自原报告；原报告没有的数据不要编造。

销售 / 商务

客户跟进邮件｜写

帮我写一封客户跟进邮件：
- 对方上次看了报价后 7 天未回复
- 附上我们最近一个同行业成功案例的简要数据
- 询问是否需要安排一次 15 分钟的电话沟通
- 语气委婉、不超过 200 字
如没有真实案例数据，请标注「案例数据待补充」，不要编造。

销售业绩分析｜析

分析「Q2 销售数据.xlsx」：
- 请先读取表头并确认区域、销售额、目标值、时间等字段是否存在；缺失字段先列出，不要自行假设
- 按区域分组统计季度销售额和完成率
- 计算各区域环比增长率
- 用柱状图对比，标注 TOP3 和末 3 位
- 对末 3 位区域给出 2 条改善建议，并说明建议依据

管理层

年度总结汇报｜写 + 析

我是 XX 部门负责人。帮我撰写年度工作总结，汇报对象为总经理。

过去一年核心数据和事件：
[填入具体数据和事项]

请按以下结构组织：
1. 年度关键成果（用数据说话，每个成果一句话）
2. 核心指标达成率（对比年度目标，用表格呈现）
3. 问题与反思（2-3 条，如实陈述）
4. 明年战略方向（3 个关键词 + 对应举措）
5. 需要的资源和支持
语气正式且坦诚，控制在 2000 字以内。
对缺失数据标注「待补充」，不要夸大成果或编造指标。

方案对比决策｜析

对比以下 A/B 两套方案，从成本、周期、风险、可扩展性四个维度逐一分析：
方案A：[简要描述]
方案B：[简要描述]
输出结构化对比表，给出倾向性建议，并说明推荐依据、关键假设和不确定因素。
最终决策由人工确认。

通用（跨岗位）

周报｜写

帮我生成这周工作周报。本周完成：
1. [事项1]
2. [事项2]
3. [事项3]
按「完成成果→关键数据→遇到的问题→下周重点」四块组织，
突出量化成果，控制在 500 字以内，正式但不说废话。
没有数据支撑的成果不要夸大，标注为「定性成果」。

会议执行清单｜读 + 写

你现在是会议执行清单助手。把以下会议记录整理成「会后执行清单」：
[粘贴会议记录]
严格按以下结构输出：
- 会议主题
- 已确认结论
- 行动项（含负责人、截止时间，未明确的标注「未明确」）
- 待确认事项
- 风险提醒
不要大段复述原话，只保留对执行有用的信息。

深入专家、技能、智能助理、连接器、探索、自动化与资料库七类进阶能力，把通用对话升级为更强大的数字工作引擎。

4.1技术概念速览

一、四个技术概念速查

二、MCP — AI 与外部系统的通信协议

MCP 是 AI 连接外部服务的标准化协议。核心作用：AI 通过统一接口对接不同系统，无需为每个系统单独开发。

没有 MCP 时：

• 接入邮箱：需开发一套对接代码
• 接入文档系统：需再开发一套
• 每个系统独立开发，成本高、无法复用

使用 MCP 后：

• 所有外部系统遵循同一套标准
• AI 通过统一接口即可对接任意服务

在 WorkBuddy 中的实际应用：

• QQ 邮箱连接器、腾讯文档连接器、TAPD 连接器均基于 MCP 实现
• 通过「自定义连接器」可接入 MCP Hub 现成服务或编写 mcp.json 配置文件对接内部系统

提示：MCP 相当于 AI 与外部系统之间的「标准数据线」。

三、Skill — AI 的能力扩展包

Skill 是一份标准化操作手册（文件名 SKILL.md），可附带执行脚本。安装后，AI 自动发现并在合适场景下调用。

文件结构：

SKILL.md（必需）
  ├── YAML 头信息（名称、描述等）
  └── Markdown 正文（操作步骤）
可选资源：
  ├── scripts/     可执行脚本
  ├── references/  参考文档
  └── assets/      模板、图片等资源

AI 调用 Skill 的四个步骤：

1. 在技能市场安装 Skill，系统将其注册到工具列表
2. 发出指令，AI 判断是否需要调用某 Skill
3. AI 读取该 Skill 的操作手册，按步骤执行
4. 调用技能脚本完成操作，返回结果

提示：Skill 装一次、永久可用，可从官方与社区的 SkillHub 技能市场按需安装。

四、RAG — 检索增强生成

RAG 改变了 AI 的回答机制：不凭训练记忆直接回答，而是先从资料库检索相关内容，再基于检索到的资料生成答案。

对比示意：

在 WorkBuddy 中的实际应用：

• 资料库目前支持的数据源（本地文件、腾讯文档、ima 知识库、乐享知识库）均基于 RAG 机制
• 对话中临时上传的文件仅在当前对话有效，关闭后不被新对话检索

提示：RAG 让 AI 从「凭记忆回答」变为「查资料后回答」——有据可查，有源可溯。

五、专家模式 — AI 的角色切换

专家模式通过替换 AI 底层的 System Prompt，使 AI 以特定领域的专业角色思考。

示例对比：

通用模式 System Prompt：
  "你是一个有用的 AI 助手"

法务专家 System Prompt：
  "你是一名资深法务顾问，10 年从业经验。回答时请：
   ① 引用相关法律条文
   ② 标注法条出处
   ③ 指出可能的法律风险
   ④ 使用规范的法律术语"

在 WorkBuddy 中的实际应用：

• 专家页面（左侧「专家」入口）支持「专家 | 专家团」两种模式
• 单专家模式：按精选场景或领域分类浏览，点击进入专家角色对话
• 专家团模式：由团长 Agent 拆解任务、分配团员并行执行、整合交付
• 支持创建自定义专家，用于垂直领域的专属顾问

实战挑战（5 分钟）

找一个你工作中经常遇到但 AI 回答不够专业的场景，试试切换到对应领域的专家。体验后想想：专家的回答比通用模式好在哪里？还差什么？

4.2能力升级：让 AI 更专业

一、认识三条升级路线

30 秒上手版：

1. 左侧「专家」→ 搜关键词 → 点进去就是对应专家
2. 左侧「专家」→「技能」标签 → 搜关键词 → 点安装
3. 左侧「专家」→「连接器」标签 → 找到你的服务 → 扫码授权

二、路线一：切换专家

原理：系统将 AI 底层的 System Prompt 替换为专业指令集。

分类体系：

• 精选场景：按业务场景聚合推荐专家和专家团，如内容创作、投资分析、法律咨询、小微企业、电商运营、数据分析等
• 领域分类：覆盖 OPC-一人公司、腾讯专区、产品设计、技术工程、金融投资、游戏空间、数智智能、营销增长、内容创作、销售商务、运营人力、项目质量、法务安全、行业顾问等
• 专家类型：「专家」（单专家模式）和「专家团」（多 Agent 协同模式）
• 支持搜索和创建自定义专家

操作步骤：

1. 左侧导航栏 →「专家」
2. 通过精选场景或领域分类浏览，也可直接搜索
3. 点击专家进入对话，用自然语言描述任务

何时切换专家：

自定义专家

哪些场景值得创建：

怎么创建：

通过「我的专家」→「创建专家」，系统自动调用 @expert-manager 并预填创建模板。按模板描述专家角色和擅长领域后，系统会根据内容推荐行业分类，核对确认后即可生成。

怎么写好：

• 角色要具体：「擅长会计」不如「擅长制造业成本核算和税务筹划」
• 经验有数字：「审计经验丰富」不如「服务过 5 家上市公司年报审计」
• 关键词要准：行业术语、法规编号、工具名称等尽量写进描述

示例：

帮我创建一个跨境电商税务专家，擅长欧美 VAT 注册申报、Transfer Pricing
合规和跨境股权架构设计。
我的经验是：有 8 年四大税务咨询经验，服务过 30 余家出海企业。

三、路线二：安装技能

原理：每个技能对应一份操作手册和配套工具。安装后 AI 在对话中自动判断并调用。

常用技能速查：

技能安装 — 三种方式：

方式一：技能市场安装（推荐）

操作路径：左侧「专家」→ 顶部「技能」标签 → 搜索关键词 → 点击安装。

方式二：SkillHub 网页安装

访问 https://skillhub.tencent.com，找到所需技能 → 复制安装指令 → 粘贴到 WorkBuddy 对话框执行。SkillHub 持续收录大量技能，支持中文搜索。

方式三：场景智能推荐

在对话框描述需求，AI 自动推荐相关技能。

自定义技能 — 什么场景和怎么做

什么场景值得做成技能：

三种创建方式：

怎么写好一个技能描述：

以创建一个「会议纪要整理」技能为例，对比两种写法：

写好一个技能描述，关键是三个要素：

• 触发条件要具体：什么情况、什么关键词触发
• 步骤要分步：每一步做什么、产出什么
• 输出要有格式：表格、分块、指定字段等

示例 — 周报技能：

创建时输入的指令：

创建一个技能：当用户说「汇总本周工作」时，从最近 5 天的对话记录中
提取已完成事项、关键数据和待推进事项，按以下三块输出：
① 本周成果（每项一行）
② 关键数据（如有）
③ 下周计划（每个待办一行）

创建完成后，使用时只需在对话中说「汇总本周工作」，技能自动按上述框架生成周报。

自己编写 SKILL.md 文件

如果对技能逻辑有更精细的控制需求，可以直接编写 SKILL.md 文件，然后通过「上传技能」导入。

一个最小的 SKILL.md 文件结构：

---
name: my-skill
description: 一句话描述这个技能做什么、何时触发
---

# 技能名称

简要说明这个技能的作用。

## 触发条件

当用户提到 XX 关键词或上传 XX 类型文件时触发。

## 执行步骤

1. 第一步：做什么
2. 第二步：做什么
3. 第三步：输出什么

## 示例

输入示例：XXX
期望输出：XXX

关键部分解释：

• name：技能的唯一标识，建议英文小写加连字符
• description：决定 AI 在什么场景下调用该技能，写清楚触发条件
• 正文中写清楚步骤和预期输出，越具体越好

建议：先通过「创建技能」生成一版，然后导出 SKILL.md 文件查看结构，在此基础上手动修改。

使用注意事项：

• 不用的技能及时卸载，避免工具列表过长
• 同类型技能只保留一个，避免 AI 判断混淆
• 新装技能先用小任务测试，确认效果后再用于正式任务

四、路线三：配置连接器

连接器的作用：让 AI 可以直接读取和操作外部系统数据。比如配置 QQ 邮箱后，AI 能帮您搜索和回复邮件；配置腾讯文档后，AI 能直接读写文档内容。

第一步：使用现成的连接器

连接器页面列举了已集成的服务，点击授权即可使用：

这些连接器之所以扫码或登录就能用，是因为服务提供方已经搭建并维护了对应的 MCP Server。用户不需要关心 mcp.json 怎么写、Server 怎么部署——只需授权，WorkBuddy 就能通过提供方事先搭好的桥梁连接到目标系统。

第二步：没有现成的怎么办 — 自定义连接器

如果需要的系统不在列表中（如公司内部 OA、自建数据库），通过「自定义连接器」进入 MCP 服务管理进行配置。

理解一个关键概念：AI 不直接连外部系统。中间需要一个 MCP Server，它把外部系统的能力包装成一个个标准化的工具接口，AI 通过这些接口来操作系统。mcp.json 文件则记录了 MCP Server 的地址和认证方式，告诉 WorkBuddy 怎么连接它。

两种方式找 MCP Server：

自建 MCP Server 需要准备好：

• 一个已运行的 MCP Server，提供访问地址
• 认证方式（API Key / OAuth 等）
• 明确开放哪些操作（不开放全部能力，按需给权限）

MCP Hub 地址：https://cloud.tencent.com/developer/mcp，收录大量 MCP 服务。

安全机制：

• 所有授权可随时撤销
• 删除文件等敏感操作需二次确认
• 授权遵循最小化原则

五、三条路线的选择参考

判断逻辑：
  ├── 专业深度不够 → 切换专家
  ├── 缺少具体能力 → 安装技能
  └── 无法访问系统 → 配置连接器

组合示例：
  法务专家 + PDF 技能 → 审合同
  数据分析技能 + 腾讯文档连接器 → 自动出报表

六、单专家与专家团

什么时候用哪个：

单专家是找一个专业角色咨询，专家团是启动一个由团长协调的多角色团队。

单专家：怎么用，以法务专家为例

1. 在专家页面搜索「法律合规审查员」这类法务相关专家，进入对话
2. 直接描述需要审查的内容，如果有文件直接上传
3. 专家回复后可以追问：「这个条款如果对方不接受，有没有替代方案？」
4. 满意后保存对话记录，下次类似场景可复用该专家

这个流程适用什么场景：合同条款咨询、政策合规确认、劳动法问题 —— 只有一个专业领域，不需要别的角色参与。

专家团：怎么用，以「内容分发」为例

您是一个内容创作者，刚写完一篇干货文章，想让它在 5 个平台（公众号、小红书、知乎、B站、即刻）同步发布。每个平台文案风格、封面尺寸、最佳发布时间都不一样，一个个手动适配太费时间。

第一步：在专家团页面搜索「内容分发」相关的专家团，进入对话。

第二步：上传文章，描述目标：

这篇文章帮我分发到 5 个平台：公众号、小红书、知乎、B站、即刻。
各平台要求：
① 公众号：适合深度阅读的长文排版
② 小红书：短文案 + 3 张竖版封面图思路
③ 知乎：问答体改写，开头加一个吸引点击的钩子
④ B站：视频脚本思路（3 分钟以内）
⑤ 即刻：拆成 3 条短动态，每条一个独立观点
发布时间明后两天，按各平台流量高峰排列。

第三步：主理人调度团队——国内平台专家、海外平台专家分别适配各自平台的文案和格式，排期专家规划发布时间表，并行执行。

第四步：拿到分平台的内容包 + 排期表。可以追问：「小红书封面图的风格能不能换成极简设计？」

这个流程适用什么场景：一篇内容要发多个平台、多语言内容本地化分发、新品上市跨渠道宣发 —— 内容主已经做好，需要专家团帮你铺到对的平台、对的时间。

一次实操走下来，您学到的不是概念，是方法：

• 遇到单领域问题 → 搜对应专家 → 描述问题 → 追问直到满意
• 遇到跨领域项目 → 搜专家团 → 描述完整目标和约束 → 等团长整合 → 追问细节
• 判断不了的，先用单专家试一次，专家会告诉你「这个建议还需要 XX 领域的专业意见」，你就知道该用专家团了

OPC 一人一公司

OPC（One-Person Company）是把专家和专家团系统化使用的典型场景。核心理念：一个人做决策和创意，AI 专家团补位所有专业短板。

入门第一步：找对你的组合

入门第二步：按周建立节奏

不是一次性找完所有专家，而是像真实团队一样排期：周一定方向（产品战略）→ 周三做执行（技术架构/内容创作）→ 周五做审查（法律/财务）。每周固定节奏，用熟了之后每个专家了解您的背景，无需每次从头解释。

入门第三步：从单场景跑通再扩展

先专注一个场景（比如只用内容创作专家做推广素材），跑通后确认「这个专家懂我的业务了」，再横向加入第二个场景（比如加入法律顾问审合同）。

别人已经跑通的案例：

真实难度——这些坑已经有人替您踩过了：

前两周是磨合期，会累。跑顺之后才真正提效。

实战挑战（5 分钟）

从日常工作中选一个你重复做过3次以上的流程，试着把它做成自定义技能。做完后想想：这个技能和直接写 Prompt 有什么区别？在什么情况下值得固化？

4.3运行升级：让 AI 替您值守

一、远程控制：多种接入渠道

底层逻辑：手机端发指令 → AI 在云端或本地电脑执行 → 结果回传手机。

两种执行模式

先理解远程控制怎么"跑起来"：

怎么选：人在外面、电脑不方便开机时用云端沙箱；需要读取电脑里的文件时用本机远程。

真实应用场景

场景一：通勤路上准备会议材料 云端模式

早上坐地铁，突然想到下午会议还差一份方案。掏出手机，打开 WorkBuddy 微信小程序，语音说：「基于上周的项目进度，生成一份 Q2 复盘 PPT，包含业绩概览、区域对比、问题分析三部分」。地铁到站时，AI 已生成初稿框架，到公司稍作调整即可使用。

场景二：外出巡检自动生成报告 云端模式

在工地、门店、展会巡检时，拍摄现场照片，上传到小程序说：「根据这些照片生成一份巡检报告，标注发现的问题」。AI 自动分析图片，生成报告的初稿，返程路上审核补充细节，到公司即可提交。

场景三：紧急远程调取电脑文件 本机模式

在外面见客户，对方临时要一份合同模板。手机微信上对 WorkBuddy 说：「把桌面上『标准合同模板 v3』发到我的微信」。前提是电脑在家开机且 WorkBuddy 在线，几分钟后文件出现在手机对话框，直接转发给客户。

场景四：会议中快速出纪要框架 云端模式

会议进行中，不方便在电脑上敲字。手机发送：「整理刚才讨论的要点，列出决议事项和待办任务」。AI 先给出结构化框架，会后补充细节即可定稿。

渠道全景对比

推荐优先配置：微信小程序、微信助理、元宝，体验最顺畅。

配置入口：桌面端左下角头像 → 设置 → 小步设置 → 配置对应渠道。

电脑防休眠设置：使用本机远程模式时，电脑需保持开机且 WorkBuddy 不休眠。macOS：系统设置 → 电池 → 睡眠设为「从不」；Windows：控制面板 → 电源选项 → 睡眠设为「从不」。关闭显示器不影响远程任务执行。

安全机制：远程指令经安全网关过滤；删除文件等高危操作需二次确认；云端沙箱各任务间互相隔离，数据不互访。

二、定时自动化

底层逻辑：设置触发规则 + 编写任务指令 → 系统按时自动执行 → 可选推送结果至 WorkBuddy 微信小程序。

真实应用场景

场景一：每日行业简报

每天早上到公司，一份当日行业动态简报已经在桌面上等您。在自动化中配置：「每个工作日 8:00，联网搜索当日行业动态，生成 500 字简报，保存到桌面/日报/文件夹」。人还在通勤路上，简报已经生成好了。

场景二：每周自动生成周报

每周一早上手动汇总数据、写周报，耗时且容易遗漏。配置为：「每周一 9:00，读取项目文件夹中上周的工作记录，汇总已完成事项、关键数据和待推进任务，按固定模板输出周报」。周一到公司，初稿已在桌上，仅需过一遍确认即可提交。

场景三：定期备份重要文件

日常工作中手工会忘记备份，数据丢失风险大。配置为：「每月 1 日 10:00，将桌面/项目/文件夹中的所有文档自动备份到指定备份目录」。设置一次，长期运行，不再担心遗漏备份。

需要配置哪些内容

注意事项：

• 首次创建后建议手动触发一次测试，验证输出是否符合预期，不满意则调整提示词后重试
• 同一时段避免配置过多任务，防止排队积压，建议错开 5-10 分钟
• 自动化依赖电脑在线，请确保电脑在任务触发时刻处于开机且 WorkBuddy 运行状态

三、远程与定时的组合策略

远程和定时不是二选一，而是互补的关系。理解了这种关系，您就能构建一套"人不在也能运转"的工作流。

各自擅长什么：

场景决策指南：

进阶玩法 — 两者串联：

远程和定时可以串联使用，形成更高效的工作流。例如：

下班前用手机发送指令：「今晚 22:00 自动汇总今天所有群聊中的待办事项，生成清单推送到微信小程序」。人在家里，到点收到整理好的待办清单。

这是"远程触发 + 定时执行"的组合：远程设定任务，到了指定时间自动跑。

实战挑战（5 分钟）

用手机配置一种远程渠道，然后离开电脑去做别的事。途中给 WorkBuddy 发一条指令，看看结果。想想：远程和定时分别适合你工作中的哪些场景？

4.4资产升级：让能力越用越强

一、使用社区模板快速启动

能帮你什么：灵感模块收录了社区验证过的任务模板，将复杂的提示词编写和技能组合打包为一键可用的方案，无需从零摸索。

模板能帮你做什么

场景一：不知道某个任务怎么写提示词

想做一份竞品分析报告，但不知道该让 AI 从哪些维度展开。在灵感模块搜索「竞品分析」，找到社区验证过的模板，一键加载预配好的提示词和关联技能（如联网搜索），直接开始对话。

场景二：想了解一个功能的最佳用法

刚装上 pptx 技能，不确定怎么描述需求才能生成满意的 PPT。搜索「PPT 生成」，找到对应的模板，不仅能看到案例预览，还能看到这个技能搭配了什么样的提示词最有效。

场景三：复杂任务不想每次从头描述要求

每次写周报都要重复交代"按本周成果、关键数据、下周计划三块输出，每项一行，附完成百分比"，很繁琐。收藏一个「周报生成」模板后，下次直接调用，框架和格式都在，只需告诉它本周做了什么。

模板提供什么

每个模板包含：

• 案例预览：模板实际产出的效果示例，帮您判断是否适用
• 关联技能：该任务需要安装哪些技能，一键加载
• 使用说明：功能介绍和操作指引
• 一键复刻：自动预填提示词和技能配置

提示：遇到新任务时先去灵感模块搜一搜，社群里可能已经有人踩过坑、调好了最佳方案。

二、资料库：建立知识取用闭环

能帮你什么：让文档资料成为 AI 回答的依据。资料库接好后，AI 不再凭"感觉"回答，而是基于您指定的文档给出有据可循的结果。

真实应用场景

场景一：新人入职培训

将员工手册、操作规范、常见问题 FAQ 等文档接入资料库。新人提问：「请假流程是什么？」AI 从员工手册中检索相关内容，给出准确流程和注意事项，而不是给一个"可能是这样"的通用回答。

场景二：合同条款审查

将公司标准合同模板、行业法规文件接入资料库。上传一份待审合同，对 AI 说：「对比标准模板和最新法规，检查这份合同有哪些条款不符合要求。」AI 基于资料库中的模板和法规逐条比对。

场景三：历史项目复盘

将过去做过的项目总结、复盘报告接入资料库。做新项目时问 AI：「参考历史项目经验，这类项目的常见风险点和应对方案是什么？」AI 从历史文档中提取规律性结论。

支持的数据源

怎么用

操作流程：找文档 → 引用到对话 → AI 处理 → 产物存回。

使用时先在资料库中定位目标文档并添加到当前任务，文档内容即被注入对话上下文。然后在对话框输入指令，AI 基于引用文档回答。生成的产物可存回资料库，形成知识积累的闭环。

关键提示：

• 对话中临时上传的文件仅当前有效，长期反复使用的资料请接入资料库，而非每次重新上传
• 腾讯文档能打开的 Word、Excel、PPT、PDF 等本地文件也可直接引用

三、团队共享：个人经验转为组织资产

能帮你什么：一个人沉淀的方法，变成团队可复用的标准，不让经验跟着人走掉。

三个共享层级

个人层：从收藏到复刻

小王发现了一个「竞品分析」模板，一键复刻后生成了第一份分析报告。尝到甜头后，他又陆续收藏了「PPT 大纲」「会议纪要」「周报汇总」等模板。一个月后，写方案、出报告、做纪要都有了固定框架，不用每次从零开始。这一步的核心：先让自己尝到效率提升的甜头，才有力气带动团队。

团队层：统一输出标准

组里五人各自审合同，格式不统一、标准不一致。小李把自己反复调试好的合同审核提示词存为自定义技能，分享到团队。此后所有人审合同时加载同一套提示词，按相同的维度检查——条款完整性、法律风险、商务合理性——输出格式和判断标准完全统一。这一步的核心：把一个人的最优实践，变成团队的操作规范。

组织层：知识沉淀到资料库

客户退款 SOP 存在某同事的电脑里，他休年假时其他人翻半天找不到。把制度文件、产品手册、历史项目经验接入资料库后，任何人问 AI「客户退款流程是什么」，AI 都从资料库中的 SOP 文档检索出准确流程。老员工离职，知识留下来。这一步的核心：知识不再依附于个人，而是成为组织可检索的资产。

什么值得共享

从哪个层级开始

不需要一步到位做到组织层。建议从个人层起步：先积累几个常用的模板和技能，让自己的效率上去。当你感受到价值后，挑一个团队成员最头疼的重复场景，把解决方案分享出去。一个场景跑通了，再横向扩展。

提示：共享的价值在于每个优化是否被真正用起来，不在一次铺开多大。

实战挑战（5 分钟）

去灵感模块找一个你能用的模板，跑一次任务。然后想想：你的工作中还有哪些反复从零开始的场景，值得存成模板？

4.5团队协作：多人协同工作

一、项目功能解决什么问题

项目功能将任务管理、文件共享、AI 配置整合在同一工作空间。每个项目可以独立配置自己的指令、专家、技能和连接器，让不同项目的 AI 行为互不干扰。

对比一下：

真实应用场景

场景一：新项目启动，快速搭好协作框架

产品经理发起一个新项目，邀请设计师、开发、测试三人加入。在计划和任务看板将需求分解、指派负责人、设截止时间。全队在一个空间里看到所有任务和进度，不用再去翻群聊记录。

场景二：不同项目配置不同的 AI 能力

同一个团队可能同时跑多个项目。项目 A 是 Java 后端开发，需要配技术架构专家和代码审查技能；项目 B 是产品设计，需要配 UX 专家和竞品分析技能。每个项目的 AI 配置独立，不会互相串扰，切换到哪个项目就用哪个项目的 AI。

场景三：团队共同用 AI，结论一致不走偏

开发问 AI「这个接口的报错怎么处理」，测试也问了同样的问题。在项目协作对话中，所有人共享同一个 AI 上下文，AI 基于项目文档和历史对话回答，结论统一。

场景四：项目收尾，一键沉淀所有产出

项目结束时，对话中生成的设计稿、测试报告、部署文档全部保存在项目资产库中。下一个类似项目启动时，直接复用资产库中的模板和经验，新人也能快速了解历史背景。

二、功能模块

任务与协作：

AI 项目配置：每个项目可独立配置以下内容，切换项目即切换 AI 行为：

三、怎么用

快速起步 — 借鉴模板

创建项目时可以从模板快速起步，系统预配了该场景下的 AI 配置和任务框架。您也可以参考这些模板的设计思路：

• 产品需求全流程
• 市场调研与竞品分析
• 内容运营工作台
• 团队知识库
• 项目交付
• Bug 跟踪 / 测试验收

选一个最接近的模板，指令、专家、技能、任务结构都预配好了，按实际需求微调即可，无需从零搭建。

一个项目的标准流程：

从模板创建或自定义创建 → 邀请成员加入，分配权限 → 根据项目类型调整 AI 配置（指令、专家、技能等）→ 在计划和任务看板分解工作、指派负责人 → 团队在项目中与 AI 协作，产出的文件存入资产库 → 项目结束，知识沉淀到下个项目复用

成员邀请怎么做：

每个项目会生成一个专属邀请链接。将链接分享给团队成员，对方点击即可加入项目，无需手动搜索账号。加入后根据分配的角色（管理员/成员/访客）自动获得对应权限，可直接看到全部任务看板、资产库和协作对话，无需额外同步。

此外，项目产出的报告、PPT、数据表等也可以直接生成二维码或链接分享到微信，接收方扫码即可在线预览，无需安装 WorkBuddy。

举个例子：

小张的团队接到任务：三天内做一份行业竞品分析报告。换作以前，他的流程是：建 Excel 分工 → 每人各自收集信息 → 汇总到一个 Word → 反复改格式和结论 → 发给领导。

这次他用「市场调研与竞品分析」模板创建项目，看看具体发生了什么：

① 创建项目，模板已预配好一切

小张选模板创建后，系统自动配好了：竞品分析专家（角色已配置）、联网搜索技能（已装载）、任务看板已拆为「确定竞品名单 → 产品功能对比 → 定价分析 → 输出报告」四列。他从零搭建的活全跳过了。

② 邀请成员，分派任务

小张邀请小李和小王加入项目。在任务看板中，小李负责"产品功能对比"，小王负责"定价分析"，截止日期两天后。所有人打开项目就能看到自己的任务，不用在群里追着问"你做到哪了"。

③ 团队并行与 AI 协作

小李在项目中问 AI：「对比 A/B/C 三家产品的核心功能，列差异表」。AI 基于项目中预配的竞品分析专家角色和联网搜索技能，给出结构化的对比表格。小王同时在做定价分析，两人的 AI 对话互不干扰，但产出的文件都在同一个项目的资产库里。

④ 产出沉淀，下次复用

第三天，三份分析在资产库中汇总，小张让 AI 整合成最终报告。项目结束后，这个项目的配置（专家 + 技能 + 任务结构）原封不动保留。下个季度再做竞品分析，直接复用这个项目模板，改个名字就能开工。

四、权限角色

项目支持四种角色，按权限从高到低：

怎么分配：

• 创建者通常是项目发起人，只有一人。创建后立即指定一名管理员作为备份，避免创建者休假时全员卡住
• 管理员给团队中最信任的核心成员，能帮你维护任务和成员，但不会意外删除整个项目
• 成员给日常执行者，够用即可——能看到任务、干活、上传文件，不会误改项目结构
• 访客给外部合作的客户或供应商，让他们能看进度但不能操作，防止误操作

一个典型项目的配置：创建者 1 人 + 管理员 1-2 人 + 成员若干 + 访客（按需）。不是所有人都是管理员，按最小权限原则分配。

实战挑战（5 分钟）

创建一个测试项目，邀请一位同事加入。体验后想想：你们团队目前的协作方式（群聊/邮件/共享文档）和项目空间比，差在哪？哪种任务最值得迁移过来？

界面导航说明

功能速查

本章总结

掌握这些进阶能力，WorkBuddy 就从「单次帮手」升级为「持续在线的工作伙伴」。

本章你已经解锁了 WorkBuddy 的进阶能力；下一章，我们聊聊安全与合规——能力越大，越要守住边界，才能放心地把更多工作交给 AI。

建立数据安全、账号安全与高风险边界三道防线，让每一次输入、上传、授权和输出都更安全、更可控。

AI 越强大，边界越重要。本章不讲空泛的合规条款，只讲真问题：什么场景该用 AI、给他多大权限、回答能信几分、五个入口怎么守住。

WorkBuddy 平台安全机制 — 平台的保护不等于您的免责

在了解您需要注意什么之前，先认识 WorkBuddy 从架构层面已部署的保护措施。这些机制是第一条防线，但任何技术防线都无法覆盖所有人为决策场景——安全是平台与用户共同分担的责任。

5.1使用决策：什么该用、什么不该用

一、数据流向全景：您的信息分别去了哪里

WorkBuddy 不是一个 AI 在运转，而是多个组件协作。不同的数据去了不同的地方，了解这个流向是安全使用的前提。

可视化流向：

您输入一句话
    │
    ├──→ 对话内容 ──→ LLM 服务商（混元/DeepSeek/GLM 等）
    │                 您选哪个模型，对话文本就传给哪家
    │                 风险：如果对话里含敏感信息，它离开了您的电脑
    │
    ├──→ 上传文件 ──→ 本地沙箱（默认不离开电脑）
    │                 文件内容在本地被读取、处理
    │                 注意：主动切换云端沙箱模式后，文件才会上传云端
    │
    ├──→ 授权文件夹 ──→ 本地文件系统
    │                  AI 可以读、写授权目录里的文件
    │                  风险：授权范围太大 → AI 可能误读到敏感文件
    │
    ├──→ 远程指令 ──→ IM 服务器（微信/企微/飞书/钉钉）
    │                 指令文本经过 IM 平台转发
    │                 风险：IM 平台可能留存您的指令记录
    │
    ├──→ API Key ──→ 仅存在 WorkBuddy 本地配置中
    │                但截图/复制/写进文档 → 扩散
    │                风险：泄露后别人可冒用您的密钥调用模型
    │
    └──→ 连接器 ──→ 第三方服务（QQ邮箱/腾讯文档等）
                  OAuth 授权后 AI 可直接操作您的外部账户
                  风险：授权范围过大 → AI 可能误发邮件、误删文档

安全这事，怕的不是 AI 偷数据——怕的是你不知道数据去了哪儿。上面的流向表已经把每种数据的去处列清了，接下来逐项看怎么守住。

谁在看您的数据 — 逐层分析：

说到底，风险出在权限上，不是出在 AI 身上。

跨境数据注意：手动配置海外模型（通过自定义模型接入非中国境内服务商）时，对话内容将传输至该服务商所在法域的服务器，构成数据出境。根据《个人信息保护法》第38条等规定，向境外提供个人信息需通过安全评估、标准合同或认证等合规路径。建议跨国企业使用前确认所选模型的服务商所在地，并结合企业法务评估数据出境合规性；优先选用境内部署的模型以避免此类风险。

二、三个最常见的高风险操作

高风险操作就两类：把不该出去的数据送出去了，或者把不该进来的人放进来了。

三、数据分级：80 / 15 / 5 法则（实践建议）

不是所有数据都要小心翼翼。实际工作中，数据分三类：

您的日常数据

  ████████████████ 80% — 直接给，不用管
  ███             15% — 简单处理就行
  █                5% — 绝对不能给

为什么要脱敏：脱敏的本质不是您信不过 AI，是您管不了数据离开您之后的去向。如果含客户手机号的对话文本传到 LLM 服务商，可能违反《个人信息保护法》。

脱敏底线判断：问自己——「这段数据如果被第三个人看到了，谁会有麻烦？」答不上来 → 安全。答得上来 → 脱敏。

相关法规速查：以下为与日常 AI 使用直接相关的核心条款，非法律意见，仅供风险自检参考。

四、六个场景判断：AI 适合做什么、不该做什么

判断标准：「这个输出如果出错，后果由谁承担？」由您承担的事，AI 只能当参谋。

五、输入前两秒判断

不需要背清单，只需要一个瞬间判断：

任何东西输入之前扫一眼：

• 有没有具体人的信息？（姓名/手机号/身份证/邮箱/地址）→ 有 → 花 10 秒替换或删除
• 有没有 Key、密码、Token？ → 有 → 立即停止，绝对不输入
• 以上都没有？ → 直接发，不用多想

判断标准不是「安不安全」，而是「值不值得」—— 为了一份周报纠结半天脱敏 = 过度消耗；为了一个客户手机号赌「应该没事」 = 不值得。

实战挑战（5 分钟）

列出你工作中经常需要 AI 处理的三类材料，按 80/15/5 分个类。哪一类你以前没注意过脱敏？下次输入前花两秒扫一眼，看能扫出什么。

5.2权限边界：给 AI 多大的操作权限

一、三种模式的安全刻度

从安全视角看，三种模式的风险等级与平台保护机制如下：

二、什么时候该降级

关键场景：处理重要文件前先备份 → 降到 Plan 预览改动 → 确认无误再执行。

拿不准的时候，退一档。权限这件事，够用就行，多了反而危险。

三、文件授权：别给 AI 整把钥匙

最常见的危险操作：图省事直接把桌面、下载、文档全部授权。

最小授权原则：

1. 新建一个临时文件夹
2. 只放入本次任务必需的文件
3. 只授权这个文件夹
4. 任务完成后移除授权（设置 → 文件授权 → 移除）

一个真实教训：小李让 AI 批量整理文件，图省事授权了整个桌面。AI 在执行过程中读到了桌面上一份尚未公开的报价单，并在生成的汇总报告中引用了其中的价格数据。虽然文件没离开电脑，但这份含敏感数据的报告如果被不小心转发，后果不堪设想。

给 AI 的权限，刚好够完成这件事就行。多给一份，就多一份风险。

实战挑战（5 分钟）

下次做批量文件操作前，先切到 Plan 模式预览一遍方案再确认。同时检查一下你当前授权的文件夹范围——是不是给大了？

5.3输出验证：AI 的回答能信多少

一、底层心态：把 AI 输出当初稿来看

把 AI 的输出当初稿来看——尤其是涉及数据、结论、专业判断的内容。格式整理类输出基本可以直接用，但只要涉及事实、数字或专业建议，多看两眼总没错。

AI 很少主动认不确定——它更习惯给一个"看起来挺对"的答案，至于对不对，得你自己判断。

二、三步核实法：让审核变成肌肉记忆

收到 AI 输出后的标准动作：

① 核数据
   → 数字有没有来源？日期对不对？人名准不准？
   → 找不到原始来源的数据 → 标注「待验证」

② 核逻辑  
   → 结论有没有被前面的分析支撑？有没有跳跃推理？
   → 有逻辑断点 → 让 AI 补充推理链路或自己去验证

③ 核场景
   → 这个输出适合当前公司、客户、流程吗？
   → 不匹配 → 人工调整到适合当前场景

口诀：三步不过，不发出去。

AI 负责加速，你负责品控——两件事不能混着来。

三、信任分级：什么能直接信，什么必须验证

一个典型案例：市场部让 AI 写竞品分析，AI 输出「A 公司市场份额 35%，同比下降 5 个百分点」。数字看起来很专业，但经核实发现这个数据来自三年前的一篇自媒体文章。真实情况是 A 公司去年已被收购，市占结构完全变了。如果直接引用进正式报告，不仅误导决策，还可能被客户质疑专业性。

越像"专业结论"的输出，越得多看两眼。

四、AI 输出的版权提示

AI 生成内容的版权归属是目前法律实践中的活跃议题，尚无统一立法明确界定。以下为基于现有司法判例的基本立场，非法律意见：

五、联网搜索结果的额外验证

联网搜索增加了「实时信息」的能力，也增加了「假信息」的风险：

联网搜索拿到的不等于事实——搜完必验，验完再用。

实战挑战（5 分钟）

找一份最近的 AI 输出，逐项走一遍三步核实：数字有没有来源？逻辑有没有跳跃？结论适合你当前的场景吗？至少找出一个需要修正的地方。

5.4防线配置：五个入口一个不能松

一、入口一：账号 — 安全的第一道门

一个被忽视的场景：小陈在共享会议室的电脑上登录了 WorkBuddy 处理一份合同，开完会直接走人，没有退出。下午另一个同事用这台电脑时，直接看到了小陈的任务列表、对话记录和已授权的文件夹内容。

账号就是责任边界——从登录那一刻起，后面的操作都挂在你名下。

二、入口二：远程控制 — 别让二维码成漏洞

远程控制让您手机遥控电脑——二维码就是数字钥匙。需要说明的是：微信仅作为消息通道，WorkBuddy 不会通过微信获取您的联系人、聊天记录等私人数据。

远程控制二维码就像家门钥匙——不给别人看，不用了就换锁。

三、入口三：API Key — 这不是普通配置项

重要机制：WorkBuddy 默认模式下无需配置 API Key，所有模型调用由腾讯云端中台统一处理。只有当您手动开启「自定义模型」模式时，才需要配置自己的 API Key。

API Key 就像你家门钥匙——丢了的后果是别人能冒用你的额度。怎么防？只在 WorkBuddy 设置页填写，不截图不分享。万一怀疑泄露了，立刻去模型服务商后台重新生成一个，旧的就作废了。

四、入口四：文件授权 — 够用就好，用完收回

文件授权的安全，不在一次性设好，而在每次都检查——范围够不够小、用完了没收回。

五、入口五：Skill 安装 — 只装可信的扩展

Skill 能扩展 WorkBuddy 的能力，但也可能引入风险。虽然官方 Skills 经过安全审核，但第三方 Skill 需要您自己判断。

Skill 就像给 AI 配操作手册——装上 xlsx 技能，AI 就多了"读 Excel、画图表"的本事。只装你了解并信任的。

六、全章安全决策速查

实战挑战（5 分钟）

逐一检查五个入口：账号是不是只有你在用？远程绑定有没有过期的？API Key 状态正常吗？文件授权有没有忘了收回的？已装 Skill 有没有不再用的？

本章总结

定期更新提醒：安全是一个持续的过程。建议您定期检查 WorkBuddy 版本更新，及时安装安全补丁；同时关注已安装 Skill 的更新，确保使用最新版本。

安全习惯不是在限制你用 AI——恰恰相反，养成了这些习惯，你才能放心地越用越深。

本章你已经建立起安全使用 AI 的习惯；下一章，我们走进企业场景，看看如何构建和管理面向团队的企业智能体，把个人能力放大到整个组织。

围绕企业智能体方案、Skill、专家、连接器与 Agent 治理，系统理解企业级 AI 能力从搭建到运营的完整路径。

从「超级个体」到「超级团队」——把 AI 能力变成组织能力。本章不讲空泛的理论，只讲企业 AI 规模化落地的真问题：资产怎么管、能力怎么沉淀、三层协作怎么递进、Agent 怎么部署和运营。

6.1为什么需要「升级」：个人提效 ≠ 组织提效

一、单点提效很快，规模化才是真挑战

WorkBuddy 让单个员工效率提升显著：

一个人 + WorkBuddy：
  上午 → 产品专家帮你做竞品分析
  下午 → 设计专家帮你出原型图
  晚上 → 内容专家帮你写推广文案

但问题不在单点，在规模：当不只一个人用、不只一个部门用，新的挑战就出现了——人和 AI、人和人、AI 和 AI 之间怎么协同？一个人的产出怎么被团队复用？

单点提效只是起点，规模化协同才是企业 AI 的真正战场。

二、四个卡点 — 企业 AI 落地的真实困境

个人层面提效爆发之后，组织协同就成了规模化落地真正的天花板。

三、WorkBuddy 企业版的解决路径

WorkBuddy 企业版从能力资产管理、三层递进、项目协同和统一治理四个维度，把 AI 从「散点工具」升级为「组织基础设施」。

四、什么时候升级？— 企业版 vs 个人版

并非所有团队一开始就需要企业版。先看差异，再判断时机：

如何判断升级时机？ 逐条对照，命中两条就值得认真评估：

□ 团队有 3 人以上同时使用 AI 工具，但产出质量参差不齐
□ 资深员工的经验和 Skill 配置无法被其他人复用
□ 需要多人协同完成复杂任务（如联合写方案、多部门评审）
□ 管理者看不到团队的 AI 使用情况和投入产出
□ 有安全合规要求（数据不能出企业、操作需要可追溯）

个人版帮你"自己更好用 AI"，企业版帮团队"一起更好用 AI"——关键分水岭在于能力能不能跨人复用。

实战挑战（5 分钟）

对照四个卡点，判断你团队目前最突出的是哪个。想想：如果只解决一个卡点，先解哪个？为什么？

6.2能力资产管理：Skill · 专家 · 连接器

一、三大资产速览 — SkillHub 生态加持

WorkBuddy 企业版的 AI 资产底座由三种能力组成：Skill（工具能力）、专家（角色机制）和连接器（系统接口）。通过 SkillHub 生态，企业可直接复用社区中已验证的技能包，加速 AI 能力落地。

简单理解它们的分工：

• Skill（技能）：赋予 WorkBuddy「工具能力」，封装可执行脚本与工作流——教 AI 怎么做
• 专家（Expert）：一种「角色切换」机制，通过人设 + 方法论 + 工具链让 AI 以特定专家身份执行任务——教 AI 怎么判断
• 专家团（Expert Team）：一种「协作执行」机制，团长自动拆解任务、并行执行、整合交付——让 AI 协同作战
• 连接器（Connector）：AI 与外部系统的桥梁，让 AI 能碰到真实业务系统——让 AI 能连接

二、Skill 的创建 — 三种方式，不同门槛

Skill 包的标准结构：

skill-name/
├── SKILL.md          # 核心：适用场景 + 处理流程 + 输出要求 + 禁止事项
├── scripts/          # 可执行脚本（可选）
├── references/       # 参考资料：分类规则、判断标准（可选）
└── assets/           # 模板、图片等静态资源（可选）

判断什么适合做成 Skill：

四条件筛一遍：

  ① 高频重复吗？ ──→ 否 → 直接用普通对话处理
  ② 流程稳定吗？ ──→ 否 → 先跑熟流程，稳定后再封装
  ③ 输入输出能标准化吗？ ──→ 否 → 保留人工判断环节
  ④ 不依赖高度主观决策吗？ ──→ 否 → 只做辅助模板，保留人工决策

不管你写不写代码，都有办法把经验变成 Skill——图形化上手最快，反向生成最省力。

实际案例：一个「周报汇总 Skill」是怎么诞生的

来看看一个真实的 Skill 创建场景——市场部小李发现"汇总周报"这事每周都在做：

小李的发现：
  每周五 → 打开多个部门周报文档 → 手动提取关键信息 →
  拼成一份汇总 → 发邮件给老板 → 每次花费不少时间

做成 Skill 后：
  周五下班前 → 小李在 WorkBuddy 输入「汇总各部门本周周报」→
  AI 自动调取周报文档 → 提取 KPI 完成率、重点事项、风险项 →
  按统一模板生成汇总表 → 快速完成

小李怎么做的（用的是「指令反向生成」）：

1. 连续三周，小李都输入"请汇总市场部、产品部、技术部本周周报，重点关注 KPI 完成率、重点项目进展和风险项"
2. WorkBuddy 识别到这是个高频重复任务，主动提示："检测到您重复执行类似任务，是否将其保存为 Skill？"
3. 小李点击确认 → 系统自动生成 Skill 模板 → 小李补充"禁止事项：不要修改原文数据、不要添加主观评价"
4. 保存 → 正式成为"周报汇总 Skill"

效果：从手工汇总变为自动化处理，效率大幅提升，而且市场部其他同事也能直接用了。

三、Skill 的生命周期管理

创建 ──→ 试用 ──→ 发布 ──→ 运行 ──→ 迭代 ──→ 下架
  │       │       │       │       │       │
定义    脱敏    设置    收集    更新    关闭
场景    样例    分类    反馈    版本    过期
        验证    可见    监控    说明    能力

推广四步法：

Skill 管理的终点不是"上传成功"，而是"员工用上了、用对了、持续在用"。

四、专家怎么设计 — 不是写一句「你是 XX 专家」就够了

专家是一种「角色切换」机制，通过 人设 + 方法论 + 工具链 让 WorkBuddy 以特定领域专家身份执行任务。专家本身不主动获取系统权限，仅当配备 Skill / MCP 时才在授权下间接访问文件或外部服务。

专家与 Skill 的本质区别：

专家设计的关键要素：

什么时候用专家团？：当任务需要多个不相关的专业视角（如法律 + 财务 + 技术）、需要交叉验证、或多个环节产出需整合为一个交付物时，组专家团；否则用单专家更轻量。

好的专家要有三样东西：身世（行业背景）、经验（方法论）、边界（什么能做、什么不能做）。专家团消耗较高，只在真正需要多角色协同时使用。

实际案例：一个「市场分析专家」的完整配置

别只写一句"你是市场分析专家"。来看看某互联网公司市场部总监是怎么配置的：

┌─────────── 「市场分析专家」配置单 ───────────┐
│                                                │
│  角色定位：                                    │
│    面向互联网行业的市场分析顾问，为产品负责人    │
│    和运营总监提供竞争情报和市场策略建议          │
│                                                │
│  行业背景：                                    │
│    深耕中国互联网行业，熟悉 SaaS、电商、         │
│    内容社区三大赛道，了解主流玩家的商业模式和    │
│    竞争格局                                     │
│                                                │
│  方法论框架：                                   │
│    ☑ 波特五力分析（行业竞争结构）               │
│    ☑ SWOT 对比分析（竞品优劣势）                │
│    ☑ 用户增长 AARRR 模型                        │
│    ☑ 使用 PitchBook / Crunchbase 数据源         │
│                                                │
│  关联 Skill：                                   │
│    ☑ 竞品信息抓取 Skill                         │
│    ☑ 市场报告模板生成 Skill                      │
│    ☑ SWOT 对比分析 Skill                        │
│                                                │
│  执行 SOP：                                     │
│    1. 明确分析目标和时间范围                     │
│    2. 确定对标竞品（2-4 家）                     │
│    3. 从产品、定价、渠道、用户四个维度拆解        │
│    4. 输出对比矩阵 + 风险提示 + 行动建议          │
│                                                │
│  安全边界：                                     │
│    ✗ 不做投资建议                               │
│    ✗ 不引用未公开的内部数据                      │
│    ✗ 不对竞品做主观价值判断                      │
│                                                │
└────────────────────────────────────────────────┘

效果：以前市场部新人做竞品分析需要长时间查资料 + 写报告，现在用这个专家配置，快速出初稿，总监只需要做最后审阅调整。

五、专家开发实战 — 从开发者视角构建企业专家

两种专家类型

以下以两个真实场景的专家包为例，展示目录结构和配置方式。

示例一：Agent 型 — 合同审查专家

contract-review-expert/
│
├── .workbuddy-plugin/
│   └── plugin.json                 # 声明 expertType: "agent"，定义元信息与技能依赖
│
├── avatars/
│   └── contract-review.png         # 专家头像（市场展示用，须为本地文件）
│
├── agents/
│   └── contract-review.md          # ★ 专家核心定义：
│                                   #   - 角色定位、专业背景、工作流程（SOP）
│                                   #   - 关联的 Skill / MCP 调用时机
│                                   #   - 安全边界与禁止事项
│                                   #   - 输入输出范例
│
├── skills/                         # 专家内置技能（可选，随包分发）
│   ├── contract-parser/
│   │   ├── SKILL.md                #   合同文件解析：提取条款、结构化为 JSON
│   │   └── references/
│   │       └── clause-types.yaml   #   条款类型定义：支付条款、违约条款、保密条款等
│   │
│   └── clause-template/
│       ├── SKILL.md                #   条款模板生成：检测缺失条款后自动生成参考模板
│       └── templates/
│           └── standard-clauses.md #   标准条款库：常用条款的合规写法
│
├── .mcp.json                       # 外部数据源声明（法规数据库、企业文档库等）
└── README.md                       # 使用说明：适用场景、使用方法、输出示例

示例二：Team 型 — 投资分析团队

参考专家市场中的投资分析类团队案例，一个典型的 Team 型专家由一位主理人（不亲自分析，只负责拆解任务、协调成员、整合最终结论）和多位专业分析师组成：

investment-analysis-team/
│
├── .workbuddy-plugin/
│   └── plugin.json                 # 声明 expertType: "team"，定义主理人和成员
│
├── avatars/                        # 每个角色都需要独立头像
│   ├── team.png                    #   团队整体形象（市场展示用）
│   ├── investment-lead.png         #   主理人形象
│   ├── fundamental-analyst.png     #   基本面分析师形象
│   ├── technical-analyst.png       #   技术面分析师形象
│   └── valuation-analyst.png       #   估值分析师形象
│
├── agents/                         # 每个成员独立一个 MD 文件
│   ├── investment-team-lead.md     # ★ 主理人核心逻辑：
│   │                               #   - 接收用户任务后自动拆解为子任务
│   │                               #   - 通过 AgentTool 调度各成员并行分析
│   │                               #   - 收集成员输出后整合为统一分析报告
│   │                               #   - 禁止自己模拟或代写成员发言
│   │
│   ├── fundamental-analyst.md      #   基本面分析：
│   │                               #   - 分析财务报表、行业地位、竞争格局
│   │                               #   - 评估护城河、管理层质量、成长性
│   │
│   ├── technical-analyst.md        #   技术面分析：
│   │                               #   - 分析走势形态、量价关系、技术指标
│   │                               #   - 输出支撑位/压力位、趋势判断
│   │
│   └── valuation-analyst.md        #   估值分析：
│                                   #   - DCF 模型、PE/PB 同行业对比
│                                   #   - 安全边际计算、情景分析
│
├── skills/                         # 团队共享技能
│   └── financial-report-parser/
│       ├── SKILL.md                #   财务报告解析：自动提取关键财务指标
│       └── references/
│           └── metrics-definition.yaml  # 指标定义：ROE、毛利率、FCF 等公式
│
├── .mcp.json                       # 外部数据源声明（财务报表 API、行情数据等）
└── README.md                       # 团队说明：成员分工、使用方式、输出范例

团队协作方式：用户对主理人说「分析 A 公司的投资价值」，主理人自动将任务拆解为基本面、技术面、估值三个子任务，并行分派给三位分析师，各成员独立分析后返回结果，主理人整合输出。用户看到的是一份完整的分析报告，无需关心内部调度。

核心配置：plugin.json

{
  "name": "contract-review-expert",
  "userId": "your-user-id",
  "displayName": "合同审查专家",
  "description": "Automated contract review with legal risk analysis",
  "displayDescription": "自动识别合同条款风险，输出审查报告和修改建议",
  "expertType": "agent",
  "category": "法律",
  "tags": ["合同", "风险审查", "法律合规"],
  "icon": "./avatars/contract-review.png",
  "agents": ["./agents/contract-review.md"],
  "skills": ["./skills/contract-parser", "./skills/clause-template"]
}

Team 型额外字段：

{
  "expertType": "team",
  "agents": [
    "./agents/investment-team-lead.md",
    "./agents/fundamental-analyst.md",
    "./agents/technical-analyst.md",
    "./agents/valuation-analyst.md"
  ],
  "teamInfo": {
    "memberAgents": ["fundamental-analyst", "technical-analyst", "valuation-analyst"],
    "members": [
      { "id": "investment-team-lead", "displayName": "投资分析主理人",
        "role": "lead", "icon": "./avatars/investment-lead.png" },
      { "id": "fundamental-analyst", "displayName": "基本面分析师",
        "role": "member", "icon": "./avatars/fundamental-analyst.png" },
      { "id": "technical-analyst", "displayName": "技术面分析师",
        "role": "member", "icon": "./avatars/technical-analyst.png" },
      { "id": "valuation-analyst", "displayName": "估值分析师",
        "role": "member", "icon": "./avatars/valuation-analyst.png" }
    ]
  }
}

核心文件：agents/*.md

该文件定义专家的角色、工作流程与行为边界，将前期设计落地为可执行的系统提示词。以合同审查专家为例：

你是合同审查专家，专长于中国企业合同法律实务。

## 职责
- 审查合同合规性、权利义务平衡性及潜在风险
- 输出结构化审查报告，标注风险等级与修改建议

## 工作流程
1. 合规性审查：主体资格 → 标的合法性 → 形式要件
2. 权利义务分析：责任条款 → 违约条款 → 争议解决方式
3. 风险识别与评级：高 / 中 / 低 + 条款位置 + 修改方案

## 关联能力
- 用户上传合同文件时调用 contract-parser Skill 解析
- 发现缺失必要条款时调用 clause-template Skill 生成参考模板
- 需查阅法规时通过 MCP 连接 legal-database 查询

## 安全边界
- 不做最终法律结论，重大风险处标注「需人工复核」
- 不提供非法律专业的商业建议
- 不直接修改合同原文，仅输出修改建议

## 范例
输入：[某采购合同文本]
输出：{ "风险等级": "中", "风险项": [...], "修改建议": [...] }

以上两个示例可直接迁移到其他领域，核心只需替换三类内容：领域名称（目录名、文件名、plugin.json 标识符）、领域知识（agents/*.md 中的角色定义与工作流程）、领域工具（skills/ 和 .mcp.json 中的数据源）。目录结构和配置格式保持不变。

内置 MCP 与 Skill 的区别

安全规则：包内任何位置不得硬编码真实 Token 或密钥。.mcp.json 仅声明依赖哪些 MCP 服务，实际凭据由用户在使用时自行填写。

开发流程

第一步：初始化项目结构
  按规范创建目录和空文件
  mkdir -p contract-review-expert/{.workbuddy-plugin,avatars,agents,skills}

第二步：编写 plugin.json
  填写元信息：name、displayName、expertType、category、
  tags、agents、skills
  注意：name 使用英文标识符，agents 路径须指向实际存在的文件

第三步：编写 agents/*.md
  结构化定义专家行为：
    ① 角色定位（职责与目标用户）
    ② 工作流程（SOP，步骤与顺序）
    ③ 关联能力（Skill / MCP 的调用时机）
    ④ 安全边界（禁止事项）
    ⑤ 输入输出范例
  注意：聚焦核心规则，详细参考资料放入知识库

第四步：测试验证
  按三层顺序验证：
    ① 单元测试：典型输入 → 检查输出结构与质量
    ② 对抗测试：越界提问 → 确认拒绝机制生效
    ③ 业务验收：真实用户试用 → 与人工产出对比评估

第五步：打包提交
  zip -r contract-review-expert.zip contract-review-expert/
  提交后经两轮审核：
    ① 自动校验 — 格式、字段完整性、文件完备性
    ② 人工审核 — 内容质量、安全合规、头像规范
  审核通过后上架，企业内全员可用

三个原则

要点：从开发者视角，专家 = 标准化目录结构 + plugin.json 元信息 + agents/.md 行为定义 + 可选内置 Skill 与 MCP。主要工作在于将业务专家的隐性知识转化为 agents/.md 中清晰可执行的行为定义，而非代码开发本身。

六、连接器的管理 — 连上之后的安全才是关键

MCP（模型上下文协议）= AI 与外部系统的标准通信协议：

没有 MCP 的时候，接邮箱写一套代码，接文档又写一套；
有了 MCP，所有系统用同一套接口标准——就像所有手机都用 Type-C 充电，不用每个品牌配一根线。

两种连接器类型：

连接器安全三道关：

① 连之前：谁搭建、谁审批、谁负责？→ 每个自定义连接器必须有明确责任人
② 连上后：能访问什么、能执行什么？→ 最小权限原则，精确到字段级
③ 用起来：操作可追溯吗？→ 开启审计日志，定期审查，不用及时关闭

连接器给 AI 开了一扇通往企业系统的门——门开了，安保也得跟上。

连接器的完整生命周期

连接器不是"搭建完就不管了"，需要全程运维：

创建 → 测试 → 发布 → 运行监控 → 异常处理 → 下线

 │      │      │       │         │         │
定义   脱敏    设置    关注      及时      不用
协议   验证    可见    调用量    修复      关闭
               范围    和异常

配置示例：接入企业内部 OA 审批系统

场景：HR 部门希望 AI 帮员工查询请假审批状态

步骤：
1. 技术团队搭建 OA MCP Server
   - 暴露两个接口：查询请假记录（只读）、查询审批进度（只读）
   - 不暴露：提交请假申请（写入权限不放给 AI）

2. 管理员在 WorkBuddy 后台配置
   - 连接器名称：「OA 请假查询」
   - 类型：自定义连接器
   - 可见部门：HR 部、所有员工
   - 权限：仅查询，不可修改

3. 关联到「HR 助手 Agent」
   - 员工在 WorkBuddy 输入：「我的请假审批到哪一步了？」
   - AI 通过连接器查询 OA → 返回审批节点和当前处理人

关键安全设定：
  ☑ 单向只读：AI 只能查，不能提交或修改
  ☑ 脱敏输出：返回结果不显示审批人手机号
  ☑ 频率限制：单员工每分钟最多查询 5 次

常见坑：

七、MCP Server 构建入门 — 不只是技术团队的事

管理者不需要亲自写代码，但需要理解 MCP Server 是什么、怎么来的、怎么管。

什么是 MCP Server（技术视角）：

MCP Server = 一个按照 MCP 协议标准封装的服务程序

它做的事就三件：
  ① 暴露工具列表（告诉 AI "我能干什么"）
  ② 接收 AI 的调用请求（AI 说"帮我查一下 XX"）
  ③ 执行操作并返回结果（查完了，这是结果）

最简单的 MCP Server 长什么样：

以「企业内部文档搜索 Server」为例：

┌─────────────────────────────────┐
│        MCP Server               │
│                                 │
│  工具列表：                      │
│    ☑ search_docs(keyword)       │
│      → 搜索企业文档库            │
│    ☑ get_doc_content(doc_id)    │
│      → 获取文档全文              │
│                                 │
│  只暴露这两个工具，AI 就能：      │
│    "帮我找一下Q2市场策略文档"     │
│    "打开第3页看看执行计划"        │
│                                 │
│  不暴露的工具：                   │
│    ✗ delete_doc（删除文档）      │
│    ✗ modify_permission（改权限） │
└─────────────────────────────────┘

构建 MCP Server 的四个关键决策：

安全红线（构建阶段就要做）：

□ 输入校验：AI 传来的参数要校验（不能传 SQL 注入、路径穿越）
□ 权限最小：一个 MCP Server 只暴露必要工具，不开放底层数据库连接
□ 日志记录：每次调用都记录（谁、什么时候、调了什么、结果是什么）
□ 超时控制：单次调用超过阈值自动中断（防止长时间阻塞）
□ 版本管理：MCP Server 代码进 Git，改了什么、谁改的可追溯

以上检查项主要面向技术团队在构建阶段的自我核查。对于不直接参与编码的管理者，审查技术团队方案时可聚焦三个底线问题，直接向团队提问即可判断方案是否可控：

• 暴露了多少工具？有没有写入/删除类操作？ → 接口应在 3-5 个以内，写入类操作需逐一说明业务必要性，出现"先开全权限"的理由视为不合理。
• 调用日志是否开启？能查到谁什么时候调了什么吗？ → 日志应持久化存储（非仅存内存），至少保留 90 天。
• 谁是责任人？出问题找谁？ → 需明确技术负责人和备份联系人，代码和文档有统一存放位置。

MCP Server 本质上是个"守门人"——帮 AI 安全地、受控地访问企业系统。构建时每多暴露一个工具，就多一份安全责任。

实战挑战（5 分钟）

从团队日常工作中找出 2 个高频、流程稳定的任务场景，试着为其中一个设计专家角色——列出行业背景、执行 SOP 和安全边界。设计完后想想：这个专家和你直接写 Prompt 有什么本质区别？

6.3三层递进与团队协作：专家 → 助理 → 项目

一、三层递进总览 — 从个人强化到组织协同

理解三层递进，可以类比一个团队使用专业软件的过程：

每一步都不是替代上一步，而是建立在上一层的积累之上。

        第三层：项目（组织协同）
        ┌─────────────────────────────┐
        │ 人 + 数字员工 + 同事同一空间协作 │
        │ 共享上下文 · 任务接力 · 资产复用   │
        └────────────▲────────────────┘
                     │ 从个人连接到组织协同
        第二层：助理（远程连接）
        ┌─────────────────────────────┐
        │ 手机/企微/飞书远程指挥电脑干活   │
        │ 持续在线 · 多端触达 · 即时响应   │
        └────────────▲────────────────┘
                     │ 从坐着用到随时用
        第一层：专家（个人强化）
        ┌─────────────────────────────┐
        │ 一句话召唤岗位级 AI 专业能力     │
        │ 角色化 · 有方法论 · 有关联工具    │
        └─────────────────────────────┘
        起点：任何一个员工都能从这里开始

三层不是并列的可选项，而是递进关系——专家层为个人提效打基础，助理层打破桌面限制实现随时响应，项目层将人和 AI 纳入同一协作空间。每一层都是上一层的前提。

如何判断当前在哪一层、该不该升级？

二、第一层：专家 — 带着企业知识去干活

以某游戏公司为例，他们为团队配置了多位领域专家：游戏引擎专家负责 Unreal 代码生产、策划专家辅助关卡设计、全栈工程师专家处理服务端逻辑、内容创作专家生成分镜视频和营销素材。员工的日常工作从「自己查文档 + 自己写」变成了「一句话描述需求，专家在对应领域给出专业级产出」。

企业版专家 = 通用 AI 能力 + 企业专属知识 + 组织标准方法论。

三、第二层：助理 — 打破「必须坐在电脑前」

以某连锁消费品牌为例，他们基于 WorkBuddy 打造了 AI 面试系统和门店运营决策平台，推动连锁门店从经验驱动转向数据驱动。员工不在门店时，AI 助理持续处理面试预约、运营数据汇总、异常预警等任务——不再需要人守在电脑前。

助理层让 AI 从「需要你守着它」变为「它持续在线守着你」——打破物理位置和设备的限制。

四、第三层：项目 — 把人和 AI 装进同一个协作空间

某团队在设计企业级管理平台时，将产品负责人、产品管理专家和原型工程师纳入同一个项目空间：产品管理专家负责需求分析与功能拆解，原型工程师负责页面布局与交互原型，AI 实时预览并反馈调整建议，产出的设计资产自动归档为团队知识库。

项目模式的关键不是「群里多了一个 AI 机器人」，而是 AI 与人在同一个空间中协同推进任务，产物持续沉淀。

五、资产持续积累 — 每次协作都在为下一次加速

这个机制的底层逻辑是：当一次任务完成时，过程和产物不是丢弃而是沉淀，让下一次同类任务起步更快。

以上述游戏公司为例：

第一次做竞品分析：
  策划专家 → 调取竞品信息、产品数据 → 输出分析报告 → 任务完成

如果没有积累：
  第二次做竞品分析 → 重新搜索、重新分析 → 和上次一样从头开始

有了积累之后：
  第一次产出的报告模板 + 分析框架 自动沉淀为 Skill
    ↓
  第二次做竞品分析 → 直接调用 Skill → 自动套用分析框架
    → 只需关注增量信息 → 产出更快、质量更稳定

这个机制的关键不在于某一次任务做得多好，而在于下一次同类任务能否复用上一次的成果。它贯穿三层递进的始终：专家层的产出可以沉淀为 Skill，助理层的有效流程可以固化为自动化规则，项目层的协作产物成为团队知识资产。

实战挑战（5 分钟）

定位你团队当前在哪一层用 AI，然后找一个「第一个人做完、第二个人能直接用」的工作任务。想想：当前卡在哪儿，才能走到下一层？

6.4智能体运行与组织治理

一、Agent、Runtime、Session — 一个智能体的三层架构

    ┌────────────────────────────┐
    │          Agent             │ ← 配置层：定义身份和能力
    │  名称 · System Prompt      │
    │  技能 · 专家 · MCP 工具     │
    │  知识库 · 渠道 · 自动化     │
    └────────────┬───────────────┘
                 │ 部署
    ┌────────────▼───────────────┐
    │         Runtime            │ ← 运行层：让 Agent 真正跑起来
    │  计算资源 · 运行状态        │    一个 Agent 可有多个 Runtime
    │  测试环境 / 正式环境        │    （测试一套、正式一套）
    └────────────┬───────────────┘
                 │ 承载
    ┌────────────▼───────────────┐
    │         Session            │ ← 会话层：每次用户交互的记录
    │  上下文 · 消息历史 · 文件   │    不同用户的 Session 相互独立
    └────────────────────────────┘

以上三层中，Runtime 层的实际承载由 Managed Agents 提供——它是 WorkBuddy 企业版中的云端托管运行服务，每个 Agent 独享隔离沙箱与数据环境，具备独立身份与全程审计，支持版本管理与状态快照。

Agent 定义"能做什么"、Runtime 确保"跑得起来"、Session 记录"做了什么"——三层各管各，缺一不可。

二、Agent 能力组装 — 不是能力越多越好

一个「企业行政助手 Agent」的配置逻辑：

  ☑ 关联：周报汇总 Skill、会议纪要 Skill、热点摘要 Skill
  ☑ 关联：报销咨询专家
  ☑ 关联：企业知识库 MCP 工具、企业微信通知 MCP 工具
  □ 不关联：代码审查 Skill（行政场景用不到）
  □ 不关联：CRM 客户系统 MCP（行政场景不需要）

  原则：Agent 只关联其服务场景所需的能力
           多关联一个不必要的入口，就多一个出错和消耗的风险

能力组装清单：

Agent 的能力配置遵循"够用就好"原则——先确认场景需要什么，再决定关联哪些能力。

实际案例：三个典型 Agent 的组装方案

同一家公司的不同部门，Agent 配置差异很大——场景决定能力：

┌── 「行政助手 Agent」— 行政部 ──┐
│                               │
│  服务：全员日常行政支持         │
│                               │
│  关联 Skill：                  │
│    ☑ 会议室预约 Skill           │
│    ☑ 差旅报销模板 Skill         │
│    ☑ 入职指南查询 Skill         │
│                               │
│  关联专家：无                   │
│                               │
│  关联 MCP：                    │
│    ☑ 企业日历（只读）           │
│    ☑ 公司制度库（只读）         │
│                               │
│  ✗ 不关联：财务审批 MCP（只查不批）│
│           IT 运维 Skill        │
└───────────────────────────────┘

┌── 「数据分析 Agent」— 运营部 ──┐
│                               │
│  服务：运营团队数据查询与分析    │
│                               │
│  关联 Skill：                  │
│    ☑ SQL 查询模板 Skill         │
│    ☑ 数据看板生成 Skill         │
│    ☑ 异常检测告警 Skill         │
│                               │
│  关联专家：                    │
│    ☑ 数据分析专家（统计方法论）   │
│                               │
│  关联 MCP：                    │
│    ☑ BI 系统（只读查询）        │
│    ☑ 数据库（只读，不含用户数据） │
│                               │
│  ✗ 不关联：用户数据表（合规红线）  │
│           数据库写入权限         │
└───────────────────────────────┘

┌── 「新员工导师 Agent」— HR部 ──┐
│                               │
│  服务：新入职员工前 30 天引导    │
│                               │
│  关联 Skill：                  │
│    ☑ 入职 Checklist Skill       │
│    ☑ 常用工具教程 Skill         │
│    ☑ 常见问题 FAQ Skill         │
│                               │
│  关联专家：                    │
│    ☑ 企业文化导师专家            │
│                               │
│  关联 MCP：                    │
│    ☑ 企业知识库（新人专区）      │
│    ☑ 培训系统（课程查询）        │
│                               │
│  ✗ 不关联：员工薪资 MCP          │
│           HR 内部审批系统        │
└───────────────────────────────┘

设计要点：三个 Agent 都是「够用就好」的范例——行政 Agent 不做数据分析，数据分析 Agent 不碰员工信息，导师 Agent 不访问 HR 内部系统。每个 Agent 的能力边界清晰、权限最小。

三、企业智能体构建实战 — 什么时候做什么、从零怎么搭

构建一个企业级 Agent 不同于单次对话或简单 Skill 封装——它需要业务理解、技术配置和持续运维三层能力的配合。

前置条件：构建 Agent 需要什么

所需角色与难度

整体难度：对简单场景（纯对话型 Agent），熟悉产品后半天内可完成；对复杂场景（需新建 MCP Server 或多工具协同），涉及开发资源投入，需要 1-2 个角色的跨职能配合。

工作原理：一个 Agent 是如何运转的

用户发起任务
    │
    ▼
Agent 接收请求（System Prompt 定义角色与边界）
    │
    ├── 需要数据？──→ 调用 MCP Server 查询外部系统 ──→ 返回结构化数据
    │
    ├── 需要执行操作？──→ 调用关联 Skill 执行脚本 ──→ 返回执行结果
    │
    ├── 需要专业判断？──→ 调用关联专家做子领域分析 ──→ 返回建议
    │
    ▼
Agent 整合所有结果，按 System Prompt 定义的格式输出
    │
    ▼
结果交付给用户（同时被记录到 Session，成为审计和迭代的依据）

关键点：Agent 本身是一个调度中心——它按 System Prompt 中定义的逻辑决定何时调用哪个工具、如何整合结果、以什么格式输出。工具的权限和边界由管理员在配置阶段设定，Agent 无法越权。

决策框架：四种方式怎么选

一个任务摆在面前，判断路径：

① 一次性问答？                     → 直接对话即可
   例：「今天天气怎么样」「解释一下KPI」

② 高频+流程固定+输入输出标准？      → 做成 Skill
   例：每周汇总部门周报、每次发布会前跑checklist

③ 需要专业判断+方法论+领域知识？     → 做成专家（Agent 型）
   例：市场分析、法律风险评估、代码审查

④ 需持续运行+多工具协同+定时触发？   → 在企业后台创建 Agent
   例：定时运维巡检、新员工入职引导、客服质检
   注：Agent 在后台配置后常驻云端运行，可关联多个专家和 Skill

从零搭建一个 Agent 的完整步骤：

以运维场景为例。通过定义角色边界（System Prompt）、注入环境信息（监控系统与日志平台的 MCP 连接）和维护长期记忆（故障模式库），可以搭建一个持久运行的企业运维 Agent。其构建过程可归纳为以下五步：

┌── 第一步：明确业务场景 ──────────────┐
│                                      │
│  谁用：运维团队                       │
│  做什么：定时巡检关键服务状态，        │
│          发现异常自动告警并输出初步    │
│          排查方向                      │
│  安全边界：只做巡检和诊断，不做任何     │
│            变更操作                    │
│                                      │
└──────────────────────────────────────┘
              ↓
┌── 第二步：设计能力清单 ──────────────┐
│                                      │
│  Skill：                             │
│   ☑ 服务健康检查 Skill               │
│   ☑ 日志异常检测 Skill               │
│   ☑ 告警通知模板 Skill               │
│                                      │
│  专家：                              │
│   ☑ 运维故障诊断专家（常见故障模式库  │
│       与排障 SOP）                    │
│                                      │
│  MCP 工具：                          │
│   ☑ 监控系统 API（CPU/内存/磁盘，    │
│       只读）                          │
│   ☑ 日志平台查询接口（只读）          │
│                                      │
│  不关联：                            │
│   ✗ 服务器 SSH 执行权限              │
│   ✗ 数据库写入接口                   │
│                                      │
└──────────────────────────────────────┘
              ↓
┌── 第三步：编写 System Prompt ────────┐
│                                      │
│  "你是企业 IT 运维巡检 Agent。        │
│                                      │
│   职责：                             │
│   - 定时巡检核心服务状态             │
│   - 发现异常立即告警，附带初步排查方向│
│   - 对告警进行分级（P0/P1/P2）        │
│                                      │
│   工作方式：                          │
│   - 先查监控大盘，再查异常服务日志    │
│   - 对照故障模式库匹配已知类型         │
│   - 输出：异常描述 + 影响范围        │
│           + 可能根因 + 建议排查方向   │
│                                      │
│   安全边界：                          │
│   - 只读巡检，不执行变更操作          │
│   - P0 告警须通知值班人，不可仅推群    │
│   - 不确定的根因标记为'需人工确认'     │
│   - 不访问用户数据和业务数据库"         │
│                                      │
└──────────────────────────────────────┘
              ↓
┌── 第四步：试运行验证 ────────────────┐
│                                      │
│  - 用历史告警数据回放：               │
│    诊断结论与真实处理结果一致性如何   │
│  - 注入异常场景：                    │
│    Agent 能否检测并正确分级           │
│  - 邀请运维同事试用：                 │
│    输出是否有用、哪里需要调整          │
│                                      │
└──────────────────────────────────────┘
              ↓
┌── 第五步：发布上线 ──────────────────┐
│                                      │
│  - 设置可见范围：运维团队 + 值班群    │
│  - 配置定时巡检周期                   │
│  - 关联告警通知 MCP                   │
│  - 确认审计日志已开启                 │
│                                      │
└──────────────────────────────────────┘

构建 Agent 的三个原则：

企业智能体构建 = 业务场景清晰 + 能力边界明确 + 权限最小化 + 渐进式上线。关键是解决业务问题，不是技术炫技。

四、Agent 上线流程 — 不验证完不要面对全员

Agent 上线不是配置保存就结束——必须经过验证才能面向真实用户。流程分四个阶段，每个阶段有明确的负责人和验收标准：

① 配置          ② 试运行          ③ 小范围验证        ④ 正式发布 + 持续监控

定义 Prompt     用脱敏样例跑       选种子用户试用       设置可见部门与范围
关联 Skill/MCP   检查输出质量       收集使用反馈         发布使用公告
配置知识库       验证安全边界       调整优化             进入持续监控

Agent 上线 ≠ 配置完直接全员可见，必经「试运行 → 小范围验证 → 确认有效 → 正式发布」四个阶段。

五、管理后台 — 让数字员工「可管理、可衡量、可优化」

企业管理后台是 WorkBuddy 企业版统一治理的中枢，涵盖运行观测、资产管理、组织权限、安全审计和成本分析。以下六个维度对应管理者日常最关心的问题：

管理后台解决的根本问题是：让 AI 在企业中的使用从「不可见」变为「可管理、可衡量、可优化」，从而将单点的 AI 提效纳入组织的持续治理体系中。

六、企业 AI 治理速查表

AI 治理的起点是「可见」——管理者需要知道 Agent 在组织中是否真正被使用、用在什么地方、产生了什么价值。以下五个维度覆盖了日常治理的核心关注点：

建议首次上线后每周巡检一次，待运行稳定后可放宽至每月。关键是在 Agent 数量增长过程中保持治理节奏——Agent 越多，分散管理的风险越大。

七、快速开始 — 企业版上线第一步

企业版上线的核心思路是「先跑通最小闭环，再逐步扩展」，避免一次性全面铺开但无人真正使用。

第一步：架构初始化（管理员）
  ├─ 登录管理后台，完成组织架构导入与成员添加
  └─ 配置基础权限：明确哪些角色可以创建 Skill、发布专家、管理连接器

第二步：选定首个落地场景（管理者 + 业务骨干）
  ├─ 盘点团队中高频重复的任务流程
  ├─ 选择其中最有代表性且流程最稳定的一个场景
  └─ 由熟悉该业务的骨干参与设计，确保领域知识准确

第三步：创建首批能力资产（业务骨干 + 管理员）
  ├─ 将选定场景封装为 Skill（可优先使用指令反向生成）
  ├─ 基于该场景设计对应的专家角色
  └─ 邀请少量种子用户试用并收集反馈

第四步：验证效果并逐步推广（管理者）
  ├─ 查看后台数据：活跃用户、Skill 调用趋势
  ├─ 收集种子用户反馈，识别卡点和改进方向
  └─ 调优确认无误后，逐步扩大至整个部门，再将新经验沉淀为更多资产

启动检查清单：

□ 组织架构与成员导入已完成
□ 首个落地业务场景已确定
□ 场景负责人已明确
□ 首批 Skill 已创建并通过试用验证
□ 种子用户已完成实际使用并反馈
□ 管理者已查看后台数据，确认使用情况
□ 推广计划已确定

企业版上线的关键在于先聚焦一个场景、一个 Skill、一个部门跑通全流程，验证有效后再横向复制。

实战挑战（5 分钟）

选一个业务场景，搭一个 Agent 方案——列出要关联的 Skill、专家、MCP 工具和知识库。然后想想：这个 Agent 如果上线，你会怎么验证它真的有用？

本章总结

企业 AI 不在"每个人都会用 AI"，而在"每个人的 AI 能力能不能沉淀为组织能力"。建好 Skill（工具）、专家（顾问）、连接器（桥梁）三大资产底座，走通专家→助理→项目的三层递进，让每次协作的成果持续积累——这才是从超级个体到超级团队的完整路径。

定期更新提醒：WorkBuddy 企业版持续迭代，SkillHub 社区技能库每周更新。建议您定期关注版本发布和新增能力，及时将新功能纳入企业 AI 治理体系。