WorkBuddy办公自动化实战：AI智能体驱动的高频场景全拆解

刚接手一个部门级的自动化需求时，我最大的感受是：工具其实不难找，难的是把日常琐碎的工作流真正串起来。文件整理要写脚本，发票报销要手工录入，周报要翻聊天记录，竞品分析要开十几个网页——这些事情单看都不难，但每天都做，就非常消耗精力。

这篇文章不打算做浮于表面的功能罗列，而是围绕 WorkBuddy 办公自动化实战，完整拆解四个高频场景：批量处理文件、发票识别与信息提取、自动生成周报、竞品分析报告。文章会从基础概念讲到本地部署与 Skill 配置，再到 Python 脚本与实际工作流的结合方式。不管你是刚开始接触办公自动化的新手，还是已经在用 AI 工具提升效率的进阶用户，都能从里面找到可以直接复用的方案。

1. WorkBuddy 是什么：不止是一个聊天框

1.1 办公自动化需求为什么越来越复杂

传统办公自动化一般依靠几条路：Excel 宏、Windows 批处理、Python 脚本、RPA 机器人。这些方案各有优势，但普遍存在三个问题。

第一，门槛不低。写宏要懂 VBA，写脚本要会 Python，RPA 拖拽流程同样有学习成本。第二，维护成本高。业务一变，流程就要跟着改，脚本和流程经常在运行半年后变得没人敢动。第三，智能化程度不够。传统自动化只能处理结构化、规则明确的任务，遇到“把这周项目风险总结一下”这种模糊需求，传统脚本完全无能为力。

WorkBuddy 这类 AI 智能体工作台的出现，正好补上了这块空缺。它把大模型能力、脚本执行、外部工具连接和定时任务放在同一个平台里，让办公自动化从“写死规则”变成了“用自然语言描述任务，由智能体调度工具完成”。

需要说明的是，WorkBuddy 仍在快速迭代中，不同版本的界面布局和功能入口可能不一样。这篇文章说的配置思路和实战步骤，重点是方法论，具体入口请以你安装的版本为准。

1.2 WorkBuddy 与 CodeBuddy 的区别

很多同学第一次接触 WorkBuddy 时，会把它和 CodeBuddy 搞混。从产品定位上看，二者有明显分工：

产品	定位	典型用户	主要场景
CodeBuddy	AI 编程助手 / 智能编程环境	开发者	代码生成、代码解释、单元测试、Debug、编译运行
WorkBuddy	AI 智能体工作台	办公人员、运营、产品、开发者	自动化工作流、文件处理、信息提取、报告生成、第三方工具联动

简单理解：CodeBuddy 是帮你写代码的，WorkBuddy 是帮你干活的。WorkBuddy 内部的 Skill 和脚本能力会涉及代码，但它面向的目标是把重复劳动自动化，而不是替代 IDE。

1.3 WorkBuddy 的核心概念

在进入实战之前，先统一几个关键词。后面所有案例都会用到：

• 智能体：WorkBuddy 里可以理解为“一个拥有特定角色和任务的 AI 助手”。你可以创建多个智能体，分别负责文件整理、周报生成、竞品分析等。
• Skill：技能模块。相当于给智能体附加的工具能力，可以是提示词模板，也可以是一个可执行的 Python 脚本。Skill 是 WorkBuddy 自动化能力的核心。
• 连接器：用于连接外部系统，比如钉钉、企业微信、飞书多维表、数据库、邮件服务等。连接器负责数据的读取与回流。
• 工作流：把多个步骤编排成一个自动化流程。例如：定时触发 → 读取多维表 → 调用模型总结 → 生成周报 → 发送到指定群。
• 定时任务：给工作流配置触发时间，实现“每天几点自动运行”。自动周报的核心依赖就是定时任务。

从这些概念可以看出，WorkBuddy 并不是简单套壳的聊天机器人，它更接近一个轻量级自动化平台。你可以把它理解成“会调用工具的大模型 + 可编排的自动化流水线”。

2. 环境准备与部署方式

2.1 先明确你的使用方式

WorkBuddy 的使用方式可以分成三类，按从易到难排序：

1. 网页版 / 客户端直连：最简单，注册账号后直接用平台提供的云端能力。
2. 本地容器部署：把服务部署在自己电脑或内网服务器上，数据不出内网，适合对数据安全要求较高的团队。
3. 配合本地模型使用：比如在 WorkBuddy 中配置本地部署的千问系列模型，适合需要完全离线或私有化运行的场景。

如果是个人学习和体验，推荐先用网页版或客户端跑通流程。如果是企业场景，尤其是涉及发票、合同、客户资料等敏感信息，建议优先考虑本地部署或内网环境。

2.2 本地部署的大致流程

这里不写死具体命令，因为不同版本差异较大。但整体步骤遵循下面的顺序：

1. 准备一台 Linux 服务器，推荐 Ubuntu 20.04 及以上版本。麒麟系统等国产化环境也有对应版本，配置思路一致。
2. 安装 Docker 和 Docker Compose，WorkBuddy 服务端通常以容器方式运行。
3. 根据官方文档拉取镜像，编写 docker-compose.yml，配置端口、数据目录、模型服务地址等。
4. 启动服务后，通过浏览器访问管理界面，创建账号并配置模型。

需要注意一个小细节：如果你在 Linux 下使用 WorkBuddy 的 CLI 或者查看用户目录，可能会看到类似.workbuddy这样的隐藏文件夹。前面带点号，代表这是隐藏目录，用来存放配置、日志、技能脚本等数据。Linux 下用ls -a才能看到。

版本要求没有统一标准，请以官方发布说明为准。本文示例重点演示配置思路，不绑定某个特定版本号。

2.3 模型服务的配置思路

WorkBuddy 本身是一个智能体工作台，它的“大脑”依赖大模型接口。常见的配置方式有两种：

第一种是使用平台内置的云端模型，开箱即用，适合快速验证。第二种是配置自定义模型地址，例如在内网部署一套开源模型服务，再把接口地址填到 WorkBuddy 的模型配置中。

如果你打算用开源模型做本地部署，建议优先关注上下文长度和工具调用能力。WorkBuddy 的 Skill 调用、连接器操作非常依赖模型遵循指令的能力，参数规模太小的模型，在复杂工作流中容易出现格式错乱、工具调用失败等问题。

模型地址通常长这样：

http://192.168.1.100:8000/v1

在 WorkBuddy 后台配置自定义模型时，一般需要填写：

• 模型名称：与本地模型服务注册的名称保持一致。
• API 地址：指向模型服务的兼容接口。
• API Key：如果本地服务开启了鉴权，则需要填写。
• 上下文长度：根据模型实际支持长度填写，避免超出限制导致报错。

如果你只是体验功能，直接用平台默认模型即可。生产环境建议在测试环境完整验证后再切换。

3. 核心能力拆解：Skill、连接器与工作流

3.1 Skill：让智能体拥有执行能力

Skill 是 WorkBuddy 自动化架构里最核心的概念。没有 Skill 的智能体只能“动嘴”，有了 Skill 的智能体才能“动手”。

一个 Skill 通常包含两部分：一是描述文件，告诉智能体这个技能是干什么的、什么时候该用、参数怎么传；二是执行脚本，最常见的是 Python 脚本，负责真正操作文件、调用接口、处理数据。

举个例子，如果我想让智能体具备批量重命名文件的能力，Skill 描述文件可以这样写：

name: batch_rename description: 批量重命名指定目录下的文件，支持添加前缀、后缀和替换关键字。 parameters: - name: directory type: string required: true description: 需要处理的文件目录路径 - name: prefix type: string required: false description: 添加的文件名前缀 - name: keyword type: string required: false description: 需要替换的旧关键字 - name: replacement type: string required: false description: 替换后的新关键字

这只是描述部分，告诉模型“这个技能可以做什么、需要哪些参数”。真正的执行逻辑由脚本完成。后面实战部分我会给出完整的 Python 脚本。

这里有一个非常重要的设计原则：不要让模型自己凭空写代码去操作文件系统，而是让模型学会调用你提前写好的 Skill。前者不可控，后者才是稳定的自动化方案。

3.2 连接器：打通外部系统

连接器解决的是“数据从哪来、结果送到哪去”的问题。典型的连接器包括：

• 钉钉连接器：读取钉钉审批、多维表、群消息，也可以往群里发消息。
• 飞书连接器：类似钉钉，支持多维表格、云文档。
• 企业微信连接器：支持消息推送、客户联系。
• 数据库连接器：连接 MySQL、PostgreSQL 等，执行查询。
• Webhook 连接器：以 HTTP 方式与任意系统交互。

在实际项目中，连接器最常见的用途是“定期同步”。例如把钉钉多维表中的任务记录同步到 WorkBuddy，触发周报生成工作流。这里要注意，所有连接器的授权都必须遵循最小权限原则，只授予当前任务所需的读取或写入权限，不要把管理员权限随便挂上去。

3.3 工作流：把步骤编排起来

工作流解决的是“多个步骤按什么顺序执行”的问题。一个完整的自动周报工作流可能是这样的：

1. 定时触发：每周五 17:30 自动运行。
2. 读取数据：通过钉钉连接器读取本周多维表中的任务记录。
3. 调用模型：把任务记录和本周目标发送给大模型，生成周报初稿。
4. 调用 Skill：执行脚本，把周报格式化为 Markdown。
5. 发送结果：连接企业微信，把周报发送到指定群或指定成员。

使用表格创建工作流时，不用把每一步想得特别复杂。核心思路就是“数据流”：数据从哪里进、中间经过哪些加工、最终输出到哪里。

4. 实战一：批量处理文件

4.1 需求分析

批量处理文件是办公自动化里最普遍的需求，典型场景包括：

• 每个月要把销售合同统一重命名为“客户名称_合同编号_日期.pdf”。
• 要把多个 Excel 文件合并成一个总表。
• 要把一批 Word 文档按规则拆分、合并或转换为 PDF。
• 要把图片文件按拍摄日期归档到不同文件夹。

下面的案例以“批量重命名 + 文件归档 + Excel 合并”为例，演示如何用 Skill 实现。

4.2 创建 Skill 目录

在 WorkBuddy 中创建一个新的 Skill，命名为file_ops。Skill 目录结构可以参考下面的形式：

workbuddy_skills/ └── file_ops/ ├── SKILL.md └── main.py

SKILL.md描述技能用途和参数，main.py是真正的执行脚本。

4.3 编写 Skill 描述文件

文件路径：workbuddy_skills/file_ops/SKILL.md

# 文件批量处理技能 ## 功能 批量处理本地文件，支持以下操作： 1. 批量重命名文件 2. 按规则创建目录并归档文件 3. 合并一个文件夹下的所有 Excel 文件 ## 参数说明 - action: 操作类型，可选值为 rename / archive / merge_excel - directory: 要处理的文件目录绝对路径 - prefix: 重命名时添加的前缀，可空 - keyword: 重命名时需要替换的旧关键字，可空 - replacement: 替换后的新关键字，可空 ## 使用注意事项 - 所有操作都会打印日志。 - 出于安全考虑，脚本默认不执行删除操作。 - 请确认真实业务需求后再调用。

这段描述的作用是让 WorkBuddy 的智能体在遇到文件操作请求时，能够自动判断该调用哪个脚本、传什么参数。

4.4 编写文件处理脚本

文件路径：workbuddy_skills/file_ops/main.py

import os import shutil import sys import argparse from datetime import datetime def batch_rename(directory: str, prefix: str = "", keyword: str = "", replacement: str = ""): """批量重命名文件""" if not os.path.isdir(directory): print(f"[ERROR] 目录不存在: {directory}") return for filename in os.listdir(directory): file_path = os.path.join(directory, filename) if os.path.isfile(file_path): new_name = filename if keyword and keyword in new_name: new_name = new_name.replace(keyword, replacement) if prefix: new_name = prefix + new_name new_path = os.path.join(directory, new_name) if new_path != file_path: os.rename(file_path, new_path) print(f"[RENAME] {filename} -> {new_name}") def archive_by_date(directory: str): """按文件修改日期归档到 年/月 目录""" if not os.path.isdir(directory): print(f"[ERROR] 目录不存在: {directory}") return for filename in os.listdir(directory): file_path = os.path.join(directory, filename) if os.path.isfile(file_path): mtime = os.path.getmtime(file_path) dt = datetime.fromtimestamp(mtime) target_dir = os.path.join(directory, str(dt.year), f"{dt.month:02d}") os.makedirs(target_dir, exist_ok=True) target_path = os.path.join(target_dir, filename) if not os.path.exists(target_path): shutil.move(file_path, target_path) print(f"[ARCHIVE] {filename} -> {target_dir}") else: print(f"[SKIP] {filename} 目标文件已存在") def merge_excel(directory: str): """合并目录下所有 Excel 文件到一个新的 Excel 文件""" try: import pandas as pd except ImportError: print("[ERROR] 缺少 pandas，请先运行 pip install pandas openpyxl") return all_data = [] for filename in os.listdir(directory): if filename.endswith((".xlsx", ".xls")): file_path = os.path.join(directory, filename) try: df = pd.read_excel(file_path) df["来源文件"] = filename all_data.append(df) print(f"[READ] {filename} 读取成功，共 {len(df)} 行") except Exception as e: print(f"[WARN] {filename} 读取失败: {e}") if all_data: merged = pd.concat(all_data, ignore_index=True) output_path = os.path.join(directory, f"merged_{datetime.now().strftime('%Y%m%d_%H%M%S')}.xlsx") merged.to_excel(output_path, index=False) print(f"[MERGED] 合并完成，共 {len(merged)} 行，输出文件: {output_path}") else: print("[INFO] 没有读取到任何 Excel 文件") if __name__ == "__main__": parser = argparse.ArgumentParser(description="WorkBuddy 文件批量处理技能") parser.add_argument("--action", required=True, choices=["rename", "archive", "merge_excel"]) parser.add_argument("--directory", required=True) parser.add_argument("--prefix", default="") parser.add_argument("--keyword", default="") parser.add_argument("--replacement", default="") args = parser.parse_args() if args.action == "rename": batch_rename(args.directory, args.prefix, args.keyword, args.replacement) elif args.action == "archive": archive_by_date(args.directory) elif args.action == "merge_excel": merge_excel(args.directory)

4.5 在 WorkBuddy 中调用

配置好 Skill 后，你不需要手动执行脚本。在 WorkBuddy 对话界面直接输入：

请帮我把 /data/contracts 目录下的所有 PDF 文件重命名，添加前缀“2025_”，并把文件名中的“合同”替换为“contract”。

智能体会根据SKILL.md的描述，自动识别出这是文件重命名任务，并调用file_ops技能，传入对应的 action 和参数。

这里要提醒一点：脚本运行在 WorkBuddy 所在机器的文件系统上。如果你使用网页版，脚本可能运行在云端沙箱环境中；如果你使用本地部署版本，脚本直接运行在你的内网服务器上。建议所有路径参数都使用绝对路径，避免因为工作目录不一致导致找不到文件。

5. 实战二：发票识别与信息提取

5.1 业务背景

发票识别是财务场景里最高频的自动化需求。报销时要把发票上的代码、号码、日期、金额、税额、购买方、销售方等信息录入系统，还要做发票查重和真伪校验。人工录入不仅慢，还容易看错数字。

WorkBuddy 实现发票识别的思路很清晰：

1. 通过 Skill 调用 OCR 能力，提取发票图片中的文字。
2. 通过大模型对提取结果做结构化整理，输出为 JSON。
3. 通过连接器把结构化数据写入报销系统或飞书/钉钉多维表。

5.2 发票识别脚本示例

这里给出一个基于 Python 的简化版方案。实际项目中，你可能需要根据发票类型做更精细的字段适配。

文件路径：workbuddy_skills/invoice_ocr/main.py

import os import json import sys import argparse from datetime import datetime try: import pdfplumber except ImportError: pdfplumber = None try: from paddleocr import PaddleOCR except ImportError: PaddleOCR = None def extract_text_from_pdf(pdf_path: str) -> str: """从 PDF 发票中提取文本""" if pdfplumber is None: return "" text_parts = [] with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: page_text = page.extract_text() if page_text: text_parts.append(page_text) return "\n".join(text_parts) def extract_text_from_image(image_path: str) -> str: """从图片发票中提取文本（OCR）""" if PaddleOCR is None: return "" ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False) result = ocr.ocr(image_path, cls=True) lines = [] for line in result: for item in line: lines.append(item[1][0]) return "\n".join(lines) def structure_invoice(raw_text: str) -> dict: """ 将 OCR 原始文本交给大模型做结构化提取。 这里提供规则兜底方案，生产环境建议调用模型接口。 """ # 简单兜底提取关键字段 data = { "invoice_code": "", "invoice_number": "", "date": "", "amount_total": "", "amount_tax": "", "buyer_name": "", "seller_name": "", } for line in raw_text.split("\n"): line = line.strip() if "发票代码" in line or "发票号码" in line: # 如果 OCR 结果在同一行，按冒号或空格切分 for key, label in [("invoice_code", "发票代码"), ("invoice_number", "发票号码")]: if label in line: val = line.split(label, 1)[-1].strip().lstrip(":： \t") data[key] = val if "开票日期" in line: data["date"] = line.split("开票日期", 1)[-1].strip().lstrip(":： \t") if "价税合计" in line or "小写" in line: val = line.split("小写", 1)[-1].strip().lstrip("(￥¥) ") if val: data["amount_total"] = val if "购买方" in line or "名" in line and "称" in line: # 简化逻辑，实际需要更精细的行解析 pass return data def process_invoice(file_path: str, output_path: str): """处理单张发票""" if not os.path.exists(file_path): print(f"[ERROR] 文件不存在: {file_path}") return ext = os.path.splitext(file_path)[1].lower() if ext == ".pdf": raw_text = extract_text_from_pdf(file_path) elif ext in (".jpg", ".jpeg", ".png", ".bmp"): raw_text = extract_text_from_image(file_path) else: print(f"[ERROR] 不支持的文件格式: {ext}") return if not raw_text: print("[ERROR] 未提取到任何文本，请检查发票清晰度") return result = structure_invoice(raw_text) result["source_file"] = os.path.basename(file_path) result["process_time"] = datetime.now().strftime("%Y-%m-%d %H:%M:%S") with open(output_path, "w", encoding="utf-8") as f: json.dump(result, f, ensure_ascii=False, indent=2) print(json.dumps(result, ensure_ascii=False, indent=2)) def batch_process(directory: str, output_dir: str): """批量处理目录下的所有发票""" os.makedirs(output_dir, exist_ok=True) supported = (".pdf", ".jpg", ".jpeg", ".png", ".bmp") for filename in os.listdir(directory): if filename.lower().endswith(supported): file_path = os.path.join(directory, filename) output_path = os.path.join(output_dir, os.path.splitext(filename)[0] + ".json") print(f"\n===== 处理文件: {filename} =====") process_invoice(file_path, output_path) if __name__ == "__main__": parser = argparse.ArgumentParser(description="WorkBuddy 发票识别技能") parser.add_argument("--mode", required=True, choices=["single", "batch"]) parser.add_argument("--file", default="") parser.add_argument("--directory", default="") parser.add_argument("--output", default="./output") args = parser.parse_args() if args.mode == "single" and args.file: process_invoice(args.file, os.path.join(args.output, "single_result.json")) elif args.mode == "batch" and args.directory: batch_process(args.directory, args.output) else: print("[ERROR] 请检查参数，single 模式需要 --file，batch 模式需要 --directory")

5.3 让大模型优化提取精度

上面代码里的structure_invoice函数只是兜底规则，真实项目中建议把 OCR 原始文本直接发给大模型，让大模型按字段输出 JSON。做法是在 WorkBuddy 中设置一个提取发票字段的提示词模板，大致思路如下：

你是一个发票信息提取助手。请从下面的OCR原始文本中提取以下字段，并以JSON格式输出： 发票代码、发票号码、开票日期、购买方名称、销售方名称、不含税金额、税额、价税合计。 要求： 1. 如果某个字段无法确定，输出空字符串。 2. 不要编造数据。 3. 金额统一保留两位小数。 OCR原始文本： {raw_text}

通过 WorkBuddy 的工作流，可以让脚本负责 OCR 提取，大模型负责结构化理解，最后再合并输出。这种“OCR + LLM”双引擎方案，比单纯依赖规则正则要稳定得多。

5.4 合规范式提醒

发票属于敏感财务数据，处理时务必注意：

• 识别后的 JSON 文件建议保存在内网环境，不要随意上传到公网。
• 使用网页版 WorkBuddy 时，注意确认数据合规要求。
• 配置连接器写入报销系统时，只申请“新增单据”权限，不要使用管理员账号。
• 批量处理前先在测试目录放两张真实样票验证输出格式。

6. 实战三：自动生成周报

6.1 周报为什么适合自动化

周报的痛点不在于“写”，而在于“收集”。一周的工作分散在任务系统、聊天记录、会议纪要、多维表里，靠人工回忆往往漏掉细节。自动周报的本质不是让 AI 凭空编内容，而是把散落的数据集中起来，再由 AI 生成结构化的总结。

6.2 用钉钉多维表同步数据

假设你们团队用钉钉多维表管理任务，那么周报工作流可以这样设计：

1. 连接器定时读取多维表中的任务记录。
2. 将记录中的“任务名称、负责人、状态、完成时间、备注”提取出来。
3. 结合本周工作计划，调用大模型生成周报。

在 WorkBuddy 中配置连接器时，通常需要选择数据源类型、授权方式，以及同步范围。保存后，可以手动触发一次同步，确认数据能正确读取。

有一点要注意：多维表里的字段名最好规范统一。如果字段一会儿叫“任务标题”，一会儿叫“任务事项”，大模型在理解时会产生偏差。

6.3 周报生成的提示词模板

在 WorkBuddy 中可以创建一个“周报生成器”智能体，并保存提示词模板：

你是一位项目助理，请根据以下任务记录，生成一份结构清晰的周报。 周报要求： 1. 以 Markdown 格式输出。 2. 包含四个部分：本周完成、当前风险、下周计划、需要协调的资源。 3. 每条任务用一两句话概括成果，突出结果和价值。 4. 风险部分只列出确定性较高的问题，不要强行凑数。 5. 语言简洁，不要出现“赋能”“抓手”等空话。 本周任务记录： {task_records} 本周目标： {weekly_goal}

{task_records} 和 {weekly_goal} 是变量，工作流运行时会自动替换为真实数据。

6.4 定时任务配置

在 WorkBuddy 中把周报工作流保存后，可以配置定时触发。建议的触发时间选在周五下班前 1 小时左右，例如每周五 16:30，留出人工检查和微调的时间。

配置定时任务时，需要考虑几个问题：

• 时区设置是否与团队所在时区一致。
• 多维表数据是否已经更新到最新状态。
• 生成后的周报是直接发送给群，还是先推送给本人确认再发送。

直接发送虽然省事，但风险是 AI 生成的内容可能包含不准确的信息。稳妥的做法是：先生成草稿，通过企业微信或钉钉推送给成员确认，再一键发布。

6.5 定时发送微信消息的注意事项

有同学希望 WorkBuddy 能“定时发送微信消息”。这个需求在个人微信上实现是有合规风险的，不建议通过非官方接口操作。在企业微信、钉钉、飞书等办公协同软件中，通过官方 API 推送消息是合规的。

一个稳妥的替代方案是：周报生成后推送到企业微信群机器人，利用 Webhook 地址接收消息。这类机器人配置简单，安全性高，也是目前团队里最常见的做法。

7. 实战四：竞品分析报告

7.1 需求分析

竞品分析看起来简单，做起来非常耗时。你需要人工访问竞品官网、翻阅行业新闻、查看应用商店评论、整理竞品的功能变化，最后再形成一份报告。WorkBuddy 可以把“收集、整理、生成、发送”全流程自动化。

不过要强调：竞品信息收集必须遵守法律法规，尊重版权和数据使用条款。不要用爬虫暴力抓取需要登录才能访问的内容，也不要绕过对方的风控机制。优先使用官方公开资料、新闻稿、应用商店公开信息等渠道。

7.2 设计竞品分析工作流

一个基础的竞品分析工作流如下：

1. 定时触发：每天早上 9:00 执行。
2. 信息收集：通过搜索 API 或 RSS 获取竞品相关新闻。
3. 网页内容抓取：抓取目标网页正文，过滤广告和导航噪音。
4. 大模型提炼：把新闻内容归纳成功能更新、市场动态、潜在威胁三条线。
5. 报告生成：按固定模板生成 Markdown 报告。
6. 推送：发送到企业微信群或邮件。

7.3 信息收集脚本示例

下面是一个简化的新闻信息收集脚本思路，可以作为 Skill 的一部分：

文件路径：workbuddy_skills/competitor_analysis/main.py

import os import json import argparse import requests from datetime import datetime, timedelta from bs4 import BeautifulSoup def fetch_news_from_rss(rss_urls, days=7): """从 RSS 源获取近期新闻标题和链接""" import feedparser cutoff = datetime.now() - timedelta(days=days) results = [] for url in rss_urls: try: feed = feedparser.parse(url) for entry in feed.entries[:20]: published = entry.get("published_parsed") if published is None: continue pub_date = datetime(*published[:6]) if pub_date >= cutoff: results.append({ "title": entry.get("title", ""), "link": entry.get("link", ""), "summary": entry.get("summary", "")[:500], "published": pub_date.strftime("%Y-%m-%d %H:%M") }) except Exception as e: print(f"[WARN] 读取 RSS 失败 {url}: {e}") return results def fetch_page_content(url: str) -> str: """抓取单个页面的正文内容（仅限公开页面）""" headers = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36" } try: resp = requests.get(url, headers=headers, timeout=15) resp.encoding = resp.apparent_encoding soup = BeautifulSoup(resp.text, "html.parser") for tag in soup(["script", "style", "nav", "footer", "aside"]): tag.decompose() return soup.get_text(separator="\n", strip=True)[:3000] except Exception as e: return f"[ERROR] {e}" if __name__ == "__main__": parser = argparse.ArgumentParser(description="竞品信息收集技能") parser.add_argument("--rss", nargs="+", help="RSS 源地址列表") parser.add_argument("--output", default="./competitor_news.json") args = parser.parse_args() if args.rss: news = fetch_news_from_rss(args.rss) with open(args.output, "w", encoding="utf-8") as f: json.dump(news, f, ensure_ascii=False, indent=2) print(f"[DONE] 获取到 {len(news)} 条新闻，输出到 {args.output}") else: print("[ERROR] 请指定 --rss 参数")

是的，这里用了feedparser和BeautifulSoup。如果环境中没有安装，可以用 pip 安装：

pip install feedparser beautifulsoup4 requests

7.4 让模型生成竞品分析报告

拿到新闻数据后，把数据交给大模型生成报告。WorkBuddy 中可以设置如下提示词：

你是一名市场分析师。请根据以下收集到的竞品相关新闻，生成一份竞品动态日报。 报告结构： ### 竞品动态概览 ### 功能与产品更新 ### 市场与商务动态 ### 潜在风险与机会 ### 建议采取的行动 要求： 1. 每个条目都要注明信息来源链接。 2. 区分事实和推测，推测内容必须标注“推测”。 3. 报告长度控制在 800 字以内。 4. 如果某个部分没有相关信息，写“暂无明显动态”而不是编造。 新闻内容： {news_data}

这份报告生成后，可以通过企业微信连接器在每天早上推送到项目群。长期坚持下来，团队对竞品的感知会明显加强。

8. 常见问题与排查思路

在实际使用 WorkBuddy 的过程中，最容易遇到的问题集中在网络连接、Skill 调用、定时任务、本地部署几个方面。我整理了一些高频问题：

问题现象	常见原因	解决思路
WorkBuddy 网络连接失败，错误码 3002	内网部署时网络代理配置不对，或模型服务地址不可达	检查 WorkBuddy 所在机器是否能访问模型服务；检查代理设置；用 curl 命令验证接口连通性
找不到 Claw 面板或相关功能	版本过低，或该功能未在当前版本开放	尝试升级到最新版本；在设置中检查功能开关；到官方文档确认入口名称
Skill 脚本执行报错	Python 依赖缺失、路径不对、权限不足	查看 WorkBuddy 日志；在命令行手动执行脚本定位问题；确认脚本目录有执行权限
定时任务不触发	时区配置错误、定时任务未启用	检查定时任务状态；确认时区设置；先手动触发一次，确认工作流本身可用
连接器同步失败	授权过期、字段名不匹配、接口限流	重新授权连接器；检查数据源字段名；稍后重试或调整同步频率
本地模型响应很慢	模型参数量过大、GPU 显存不足、并发过高	降低并发数；更换小参数模型；检查 GPU 推理优化参数
生成的周报内容偏差较大	输入数据不完整、提示词不明确	检查多维表字段；补充周报模板示例；增加 “基于以下数据” 的强约束

遇到问题的时候，不要急着删配置。按照下面的顺序排查：

1. 先确认是 WorkBuddy 本身的问题，还是外部服务的问题。最直接的方法是看日志。
2. 确认网络连通性。本地部署最容易踩的坑就是模型服务地址写成了 localhost，但 WorkBuddy 运行在容器里，localhost 指向的是容器本身。
3. 把 Skill 脚本从 WorkBuddy 里拆出来，在命令行单独执行。这样可以快速区分是脚本问题还是智能体调用问题。
4. 查看输入的 prompt 和最终传给大模型的内容。如果大模型收到的数据就是乱的，生成结果一定不会好。

9. 最佳实践与工程建议

9.1 从“单点自动化”开始

不要一上来就搭建庞大的自动化体系。先选一个最耗时、规则最清晰的任务，比如文件重命名或报销发票信息录入，把它做成 Skill。跑通之后再逐步扩展。

这种做法的好处是：即使某个 Skill 设计得不合理，影响范围也很小。随着你对 WorkBuddy 的能力边界越来越清楚，再规划复杂工作流时，成功率会高很多。

9.2 Skill 设计要有明确的输入输出

Skill 本质上是给智能体用的“工具接口”。设计 Skill 时，要把参数说明写清楚，把边界条件想清楚。脚本内部要打印足够详细的日志，这样在 WorkBuddy 里面看不到执行细节时，可以直接去日志文件里查。

脚本的退出码也很重要。建议所有 Skill 脚本遵循统一约定：0 表示成功，非 0 表示失败。这样 WorkBuddy 工作流可以根据退出码判断是否继续执行后续步骤。

9.3 Prompt 模板要固定版本

不要频繁修改生产环境使用的提示词模板。每次修改前，把旧版本另存一份，在测试环境验证通过后再发布。AI 生成结果具有不确定性，频繁调整提示词会导致输出格式和内容风格漂移，影响下游数据处理。

建议为常用模板建立命名规范，例如：

weekly_report_v1.md invoice_extract_v2.md competitor_daily_v3.md

9.4 重视数据安全与权限控制

办公自动化涉及的数据往往比想象的更敏感。发票包含纳税人识别号，周报可能包含项目进展和成本信息，竞品分析报告可能涉及公司商业策略。以下几点务必落实：

• 连接器权限最小化，只授予任务必要的数据权限。
• 本地部署时，对 WorkBuddy 管理后台设置强密码和访问白名单。
• 涉及批量处理文件时，先复制一份到测试目录，不要在源目录直接执行高风险操作。
• 涉及数据库操作时，先明确事务边界，重要操作前先备份。

9.5 建立“人审 + 自动化”的双轨机制

自动化不是完全取代人工，而是把重复劳动干掉，把人的精力集中到决策和审核上。周报、竞品分析这类内容型任务，AI 生成之后一定要有人工审核环节。你可以把审核放在工作流内部，也可以放在结果推送之前。

比较稳妥的机制是：

1. 自动化收集数据与生成初稿。
2. 人工在线修改。
3. 机器负责格式化和发送。

这样既保证了效率，又保证了内容质量。

9.6 定期复盘工作流运行情况

每个月花一点时间看看哪些 Skill 使用频率高、哪些工作流经常失败。长期不用的自动化任务，建议先暂停，不要让它每天空转浪费资源。经常失败的任务，则要评估是不是设计思路有问题，或者业务场景已经发生变化。

10. 总结与下一步学习路线

到这里，我们已经完整走过了 WorkBuddy 办公自动化的核心闭环：从产品概念到环境部署，从 Skill 原理到四个实战场景，再到高频问题排查和工程化建议。你可以从如下方向继续深入：

• 把批量处理文件技能扩展到更多格式，例如 Word、PDF、PPT 的批量转换与内容抽取。
• 在发票识别基础上接入报销系统，实现“识别 → 校验 → 录入 → 推送审批”全链路自动化。
• 在自动周报基础上加入月度总结、季度 OKR 复盘，形成更完整的汇报体系。
• 在竞品分析基础上加入舆情监控，对行业热点事件进行实时追踪。
• 研究 WorkBuddy 与 CodeBuddy 的联动，用 CodeBuddy 写代码、用 WorkBuddy 跑自动化，形成开发与业务的双通道效率提升。

无论选择哪个方向，都建议遵守一条原则：让 AI 处理重复、繁杂、数据密集的环节，让人处理判断、决策、审核的环节。这也是 WorkBuddy 这类智能体工作台最正确的打开方式。希望这篇 WorkBuddy 使用教程能帮你少走一些弯路，尽快把自己的日常工作流自动化跑起来。