如果说过去的腾讯体质 AI 聊天机器人更像是一个坐在对话框里的“顾问”，主要负责问答、南更能替总结或润色文案，适合那么 Agent（智能体）则迈出了关键一步：它不仅回答问题，国人干活更能根据用户目标拆解任务、腾讯体质调用工具，南更能替并自主推进执行。适合

以 Codex 为代表的国人干活本地 Agent 将这种能力扩展到了用户电脑端——AI 不再局限于文字交互，在获得授权后，腾讯体质它能读取文件、南更能替修改代码、适合运行脚本、国人干活生成网页，腾讯体质甚至调用本地应用与外部服务。南更能替

然而，适合对于中国普通用户而言，Codex 等原生工具往往存在“水土不服”的问题。网络环境、账号注册、权限配置及本地路径设置等门槛，极易消耗用户的耐心。

正是基于这一痛点，深度体验腾讯 WorkBuddy后，我认为它完全担得起「更适合中国宝宝体质的 Codex」这一称号。

WorkBuddy 是什么？

WorkBuddy 脱胎于腾讯旗下面向开发者的 CodeBuddy。它保留了 Agent 拆解任务、调用工具的硬核底层能力，却为普通用户卸下了所有需要折腾环境的技术包袱。

上手极简：访问官网 codebuddy.cn/work下载安装即可直接使用。界面布局直观，主要分为三大区域：

• 左侧栏：新建任务、查看历史对话与任务记录、管理工作空间。
• 中间对话区：描述需求，实时查看 Agent 的任务拆解过程及执行结果。
• 底部操作区：输入指令、切换模型、调用技能、连接应用、上传文件或指定工作文件夹。

近期，腾讯发布了全新的混元 Hy3 模型，WorkBuddy 内限时免费开放使用。腾讯公关总监张军在微博调侃称，已看到不少用户趁着免费期，将 WorkBuddy 的「专家团」功能试了个遍。

实测显示，Hy3 在 Agent 逻辑与 Coding 能力上进步显著，尤其在复杂网页生成、任务规划、长文本处理及多工具调用场景中，交付结果更加稳定。

但比起单纯讨论模型参数，用户更关心的是：底层能力增强后，它能否真正减少普通人的鼠标点击次数？

为此，我选取了几个真实的职场场景进行测试。除了划定工作空间、上传必要文件及确认关键权限外，模型选择、任务拆解及工具调用均交由 WorkBuddy 自动判断。

真正的本土化：无缝接入微信

WorkBuddy 最具本土化特色的功能，是其与微信的深度联动。登录、指令下达均可直接在微信中完成，无需繁琐的注册绑定流程。

你是否遇到过这种尴尬场景：人在地铁通勤，却被急催一份存在电脑硬盘深处的资料？

接入微信 ClawBot后，只需随手发送消息，WorkBuddy 即可自动在电脑中精准定位所需材料。

由于微信 ClawBot 无法直接回传大体积文件，你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 格式直接发送至手机邮箱。

面对电脑中堆积如山的照片，若只记得拍摄对象却忘了文件夹位置，直接在微信中告知 WorkBuddy 即可：

过去需要远程桌面、网盘同步或拜托同事开机查找的文件，现在只要电脑在线，微信里一句话就能搞定。

基础执行：当 AI 成为「本地管家」与「闪送员」

许多内容创作者或摄影爱好者的电脑里，都藏着一片不愿轻易触碰的「素材废墟」。我的电脑中便有一堆横跨一年半、命名规则混乱（夹杂日期、产品名、奇怪分隔符）的文件夹。以往找图，全靠记忆与运气。

我在 WorkBuddy 中划定了一个隔离隐私的工作空间，并下达了一系列复杂指令：提取特定人物、合并同一产品、去除分隔符、统一日期格式。

具体指令逻辑：
* 将「with Liz」相关图片单独归类；
* 同一产品的多个文件夹合并为一个；
* 归档的 RAW 文件仅保留与成片同名的，其余删除；
* 去除文件夹名中的分隔符「_」，统一命名为 yyyymmdd。

面对包含「删除」的高风险操作，WorkBuddy 并未像莽夫般直接执行 rm -rf，而是主动触发二次确认机制，并在对话框顶部透明展示预估账单（预计消耗 5.37 ~ 53.6 积分）。确认无误后，片刻之间，凌乱的目录已被整齐收纳。

整套流程实际消耗约 95 积分。对比每日签到领取的 100-150 积分免费额度，应付此类轻度本地文件整理绰绰有余。

从海量材料到清晰提纲

对于内容工作者，梳理海量资讯往往是最耗时的环节。我尝试将此项工作外包，让 WorkBuddy 在指定本地文件夹中，从零搭建一套自动化的「科技早报初筛工作流」。

它并未敷衍地甩出几个标题，而是在本地跑通了读取信源、基础去重、剔除旧闻的脚本，并在腾讯文档中生成了一份分类清晰的初筛清单。

顺着清单继续生成初稿，它不仅划分了各大栏目，还在文末严谨地附上「事实核查清单」，将特斯拉专访、苹果 AI 调查等列为待核项，将零散素材转化为高可用度的提纲。

Prompt 示例：

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。严禁读取、搜索、引用或复用电脑其他目录里的任何早报 workflow、prompt、脚本、历史稿或配置。
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。不生成最终正文，只做选题初筛。
任务步骤：
1. 检查当前文件夹结构，仅允许在当前文件夹内读写。
2. 检查 Folo CLI 是否可用并完成配置。
3. 若 Folo CLI 可用，优先获取今日科技新闻素材；若不可用，读取本地素材文件。
4. 整理新闻成候选池 JSON，保存在当前文件夹。
5. 基础去重，避免同一事件重复。
6. 判断旧闻：若事件发生于前一天或更早，仅今日转载，需标记。
7. 按「必看」「可选」「不建议写」三类整理。
8. 每条新闻用 50 字以内说明理由。
9. 标注是否适合 APPSO、爱范儿早报。
10. 标出来源、链接、发布时间及潜在风险。
11. 输出腾讯文档候选清单。
12. 保留 workflow 文件、运行记录和候选池 JSON 以便复用。
13. 不要直接生成最终早报正文。
Use FoloRead https://api.folo.is/skill.md and follow the instructions to use Folo.

后续指令：

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，信息具体，拒绝空泛分析。
4. 重要新闻需追溯原始报道或强来源。
5. 删除「不建议写」选题，除非能说明新角度。
6. 保留来源链接。
7. 文末附事实核查清单。

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

Prompt 示例：

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。
要求：表达简洁，保留真实讨论里的有效观点，不要把所有内容都写进去。

在处理长篇产品评测资料时，它会先识别产品定位，将官方卖点与真实体验问题分开，标出需实测验证的点，最后给出适合的叙事方向，将人从面对空白文档的焦虑中解救出来。

Prompt 示例：

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：帮我建立判断框架，不要堆参数。

除了案头工作，WorkBuddy 在微信生态中还有一个小彩蛋。接入微信支付刚发布的「AI 专属卡」后，我尝试将团队下午茶交给它处理：3 点送达，10 人份，人均 30 元。

它根据预算、距离和评分筛选出蛋挞、披萨等选项。确认后，订单推进至支付前，最终付款仍需人工确认。

Prompt 示例：

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。

尽管该功能场景目前较单一，但我更愿将其视为附加能力。对大多数打工人而言，其核心价值仍在于本地执行与信息整理。

无需写代码，将经验转化为小工具

前述任务本质上是让 WorkBuddy 执行一系列操作。更有趣之处在于，它能将重复的判断规则封装为可复用的 Skill（技能）。

案例一：高考作文批改助手

作为英专生，我身边的同学多从事英语教学。批改作文需考量内容、结构、语言、语法，并给出易懂的提分建议。

我将新高考 I 卷的评分标准图片喂给 WorkBuddy，用大白话描述需求：理解评分逻辑，开发一个带 HTML 界面的批改助手，支持批量读取作文，输出分数、优缺点及提分策略。

Prompt 示例：

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」。
背景：深度阅读我上传的两张《英语试题评分参考》图片，将五个档次评分标准（1-15分）内化为打分逻辑。
功能要求：
1. 界面设计：生成简洁的 HTML 交互界面。
2. 批处理能力：支持调用 macOS 自带 OCR，读取指定文件夹内所有作文。
3. 输出规范：
- 自动评分：根据字数、语法丰富性、连贯性给出具体分值。
- Pros & Cons：列出 3 个优点和 3 个改进点。
- 提分策略：针对学生档次，给出一句核心提分建议。
4. 交互逻辑：结果以卡片形式排列，每张卡片下方留「老师确认」按钮。
5. 交付物：生成 Skill 代码文件，并说明如何放置到 WorkBuddy 技能目录。

Skill 生成后，我将 2026 新高考 I 卷真题及答题卡扫描图丢入文件夹进行测试。

WorkBuddy 将任务拆解为：
1. 读取评分标准，提取 1-15 分档次规则；
2. 设计作文读取逻辑，支持批量读取 .txt；
3. 为每篇作文生成分数、优缺点及建议；
4. 生成 HTML 卡片式页面，方便老师复核、打印。

输出的 HTML 页面排版规整，不仅给出精准分数和优缺点，还针对性提供「提分策略」。

老师的角色从「从头批到尾」转变为「复核、调整、打印」。这对高频重复工作而言，意义重大。

案例二：名人访谈亮点挖掘

既然 WorkBuddy 能处理明确的评分标准，我进一步测试其主观任务处理能力：它能否理解「新闻价值」？

我让它开发了一个「名人访谈亮点挖掘」工具，要求拒绝流水账摘要，提炼长文中的金句、新信息及值得展开的观点，并给出后续补充建议。

Prompt 示例：

请帮我开发一个「名人访谈亮点挖掘」Skill，并自动安装。
作用：读取名人访谈（支持 txt、md、srt、vtt），从长访谈中提炼有价值内容，以卡片形式展示。
要求：不做普通摘要，只输出有价值信息，包括：
- 金句
- 新信息
- 值得展开的选题
- 有意思的观点
每张卡片需保留：原文、说话人、为何值得关注、后续需补充的信息。

首先输入 Mark Zuckerberg 约 60 分钟的播客录音转写。生成的网页准确提取到扎克伯格承认 Llama 4 开发未达预期、重组超级智能实验室等关键信息。卡片底部的「后续补充信息」提供了可供交叉验证和延伸探讨的切入点，极具实用价值。

在处理 Sam Altman 的万字访谈时，WorkBuddy 捕捉到他谈论 Codex「YOLO 模式」、合成数据、Agent 电脑权限等细节，并标出后续需补充的信息。

老师的经验被转化为作文批改卡片；编辑的经验被转化为访谈亮点卡片。

最终判断仍由人做出，但最耗耐心的第一遍筛选、归类和追问，它已能承担大半。它不负责拍板，但擅长将杂乱材料整理至可开始判断的状态。

结语：一个能帮你干活的「搭子」，终于装进了电脑里

使用 WorkBuddy 的最大感受是：电脑里多了一位勤快、不知疲倦的「实习生」，而你是它的 Mentor。

只要划定工作空间、明确目标，它便能自主拆解任务、寻找路径、跑通流程，且过程透明可视。

整理文件、远程找资料、筛选早报、制作选题卡、搭建简单工具——这些琐碎但必要的日常工作，它的表现已相当出色。

但它并非无所不能的「赛博许愿机」。

你不能只扔下一句「帮我搞定」就坐等完美结果。文件位置、目标定义、禁区范围及最终形态，仍需用户清晰界定；任务推进至关键节点时，也需人工确认方向、修正偏差、检查结果。

但这已足够令人兴奋。明知它会犯错、明知最终需兜底，但看着它真正开始读文件、改代码、生成页面、整理材料，难免让人产生一种危险的念头：

这活儿，我是不是也能接了？

这种关系，恰如其名——WorkBuddy。

它不是阿拉丁神灯，也不旨在替代或接管你的全部工作，而是在你的电脑里，与你一起拆解问题、确认细节、推进执行，做一个愿意打下手、能陪你一起干活的「搭子」。

当然，若涉及复杂项目，从模型能力到用户体验，Codex和 Claude Code仍是更优选择。但若仅执行日常简单任务，WorkBuddy 已为大多数人提供了一个可用且低成本的解决方案。