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”；
2. 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*
3. 判断应该使用模式，默认为Craft，还可以设置成Ask或Plan；
4. 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。
5. 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。”
6. 如有必要，指定 Skill、专家、连接器或资料库，这里暂时忽略
7. 发送后观察计划、工具调用和文件变更；
8. 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
| 要素 | 要回答的问题 |
|-|-|
| 目标 | 最终要解决什么问题 |
| 输入 | 使用哪些文件、目录或链接 |
| 动作 | 需要分析、整理、转换还是生成 |
| 约束 | 哪些不能改，采用什么规范 |
| 输出 | 交付什么文件，放到哪里 |
| 验收 | 用什么标准判断合格 |
入门任务 A：整理文件
```text
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
```text
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
```text
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：
```Plain Text
my-skill/
├── SKILL.md
├── scripts/
│ └── check.py
├── references/
│ └── guide.md
└── assets/
└── template.pptx
```
其中只有 `SKILL.md` 是必须的。
```Markdown
---
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：
```Plain Text
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：
```Plain Text
pptx
处理 PowerPoint 创建、编辑、读取任务
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：
```Plain Text
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：
```Plain Text
references/style.md
```
需要检查 AI 味，才执行：
```Plain Text
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。
| 维度 | Prompt | Skill |
| --- | --- | --- |
| 核心作用 | 描述当前任务 | 定义一类任务怎么做 |
| 生命周期 | 通常针对一次请求 | 长期复用 |
| 触发方式 | 用户主动输入 | Agent 自动选择或用户显式调用 |
| 载体 | 主要是文本 | 文件夹 |
| 内容 | 指令、上下文、示例 | 指令、脚本、资料、模板、资源 |
| 上下文占用 | 通常直接进入上下文 | 按需加载 |
| 复用 | 经常复制粘贴 | 原生可复用 |
| 分享 | Prompt 文本 | 完整能力包 |
| 执行 | 本身只是指令 | 可以调用附带脚本和工具 |
| 模型参数 | 不改变 | 同样不改变 |
最简单的理解是：
```Plain Text
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：
```Plain Text
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：
```Plain Text
详细调研一下 WorkBuddy
```
模型每一次都会重新思考：
```Plain Text
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：
```Plain Text
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：
```Plain Text
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：
```Plain Text
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：
```Plain Text
聊天记录
飞书文档
Notion
个人脑子里
```
Skill 是文件，所以它可以：
```Plain Text
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。
| 方式 | 本质 | 适合的问题 |
|-|-|-|
| 普通任务 | 通用理解与执行 | 一次性的清楚任务 |
| Skill | 特定工具能力 | 需要稳定执行某个动作 |
| 专家 | 人设 + 方法论 + 工具链 | 明确领域的单点专业问题 |
| 专家团 | 多位专家 + 协作流程 | 需要拆解、并行、汇总的复杂项目 |
召唤一位专家
1. 打开“专家·技能·连接器”，选择“专家”；
2. 点击“召唤专家”；以“高考我帮你”专家举例
3. 提供任务内容，比如“帮我查一下2026年高考数学真题”
4. 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
