ARTICLE · 1094067
AI 办公热火朝天——如何真正学会并用好 WorkBuddy,Codex这类智能体?
AI 赋能 · 学习方法论 如何真正学会并用好 WorkBuddy，Codex这类智能体 课堂上学得会，课后用得住——写给每一位“听完热血沸腾、回去却没打开过一个文档”的使用者 |
课堂学得会，课后用得住 |
 |
▲ 培训散场之后，才是真正的开始｜AI 生成配图 |
写在最前：这一篇既管课堂，也管课后 |
先讲一件真事。
教改圈子里有位老师写过一篇观察：WorkBuddy 在高校圈的培训一“师”难求，九月、十月、十一月排得满满当当，像演唱会抢票。但他紧接着泼了一盆冷水——热潮顶多火到11月末。
理由很朴素：这波热度是“商业推广+开学培训季”两股力量交汇的产物。培训和推广一过，真正的问题才浮出水面：
培训完之后，怎么落地？ |
这句话是整个AI培训行业最尴尬、最真实也最常见的注脚。我参加过多场AI赋能培训，见过太多这样的场面：现场频频点头、拍照、鼓掌，散场后一周，一切又恢复原样。
所以这一篇既讲课堂上怎么把老师讲的东西当场学会，也讲课后怎么把它变成日常习惯。前半是“怎么学”，后半是“怎么用”。
它不是产品说明书，也不是“十分钟上手”的爽文，而是你在课堂上和散场之后，真正要用的那张纸。
你可以按顺序读，也可以直接跳到你卡住的那一节——如果你马上要去上课，先读第一部分；如果你已经上完课了，从第二部分开始。
01 课堂篇：把老师讲的东西，当场变成你手上的活 |
这一节是专门写给“还没上课”和“正在课上”的人的。
先说一句可能得罪同行的话：AI培训是所有培训里最容易“假学会”的一种。
为什么？因为老师操作时你跟着点头，每一步你都“看懂了”——看懂和会做之间，隔着一条叫肌肉记忆的河。而这条河，只能在课上当场蹚过去。
1.1 听懂 ≠ 会做：AI课的特殊性 |
传统讲座你坐着听就行，但智能体这类工具有三个特点，决定了它必须“边听边做”：
特点 | 后果 | 应对 |
它真的会操作你的文件 | 你不亲手点一次，永远不知道它动了什么 | 必须带电脑、用真实目录 |
它需要等待（几十秒到几分钟） | 等待时空坐着，注意力就散了 | 等待时用来记笔记、准备下一份材料 |
出错是常态 | 你不亲眼看一次报错，回去遇到就放弃 | 课上至少踩一次坑、学会追问 |
培训师提醒：判断一堂 AI 课值不值，最简单的标准就是——下课时你电脑里有没有多出一个自己做出来的文件。没有，那就是听了一场讲座。 |
1.2 一堂好课的节奏长什么样（90分钟标准版） |
你可以拿这张表去对照你要报的课：
 |
▲ 一堂真正有效的 AI 课：人人在场、人人开机、人人动手｜AI 生成配图 |
时段 | 老师做什么 | 你做什么 | 检验点 |
0—5分钟 | 发下载链接、检查环境 | 装软件、授权文件夹 | 能打开界面、看到工作区 |
5—15分钟 | 案例1（最简）：跑通第一个任务 | 一步步跟着做 | 产出第一个文件 |
15—40分钟 | 案例2（进阶）：讲清六要素公式 | 换成自己的材料重跑一次 | 结果和预期一致 |
40—45分钟 | 停下来巡场、答疑 | 报进度、把卡住的点问出来 | 卡点当场被解决 |
45—70分钟 | 案例3：装配并改造一个 Skill | 把老师给的 Skill 装进自己电脑 | 能用它做出一份自己的产出 |
70—85分钟 | 案例4：连接器、自动化演示 | 至少跑通一条流水线 | 拿到一个可复用的成品 |
85—90分钟 | 收尾：建群、留作业 | 写下自己要交给 AI 的3个痛点 | 带走一张“明天就干”的清单 |
注意几个设计细节，它们不是花架子：
• 前5分钟发下载链接：很多学员能定点赶到现场就已经不错了，前一脚可能还在开组会、或者刚下火车。
• 案例3—4个，难度递增：难度递增具体体现在“需要动手的操作步骤逐渐增多”，而不是听的时间变长。
• 讲到一半刻意停下来巡场：老师走下来转一圈，跟有问题的学员现场交流——这是线上课给不了的。
1.3 学员在课堂上必须做的七件事 |
这七条我建议直接抄走，上课时对照执行：
1. 带电脑，并且充好电。 手机替代不了——智能体的核心体验是操作文件。
2. 前5分钟就把软件装上。 别想着“回去再装”，回去你就不会装了。
3. 手放在键盘上，跟做，不旁观。 听的时候频频点头、回去全忘，是最典型的学费浪费。
4. 卡住立刻报进度，别硬扛。 老师问“进行到哪一步了”时要出声——这不是暴露水平，是帮全班调速。
5. 用你自己的材料，别用老师的演示数据。 用假数据跑通是幻觉，用自己的材料跑通才是能力。
6. 当场改出一个“属于你的”成品。 老师给的 Skill 是范式的鱼，你要现场把它改成自己学科的版本。
7. 走之前写下3个你明天要交给 AI 的痛点。 没有这个清单，课后必然断档。
1.4 招生视角：什么样的培训值得报名 |
如果你正准备为单位或个人选课（这一段请重点看），用这六条判据去筛，能避开九成的水课：
判据 | 合格标准 | 不合格信号 |
形式 | 线下优先，能现场巡场 | 纯线上大直播、几百人一起听 |
硬件要求 | 明确要求“带电脑” | 只说“欢迎参加”，不提电脑 |
案例设计 | 3—4个案例，难度递增 | 一个 Demo 从头讲到尾 |
交付物 | 承诺可带走的 Skill、模板、提示词包 | 只给一份 PDF 讲义 |
课后机制 | 有持续社群，定期放案例和答疑 | 下课即失联 |
分层设计 | 零基础、进阶、高阶可选 | 一锅炖，新手跟不上、老手没收获 |
一句大实话：“能到现场、带电脑、边学边操作”的课，比任何“名师 + 大课”都值。 |
还有一点常被忽略——培训之后的持续性，比培训本身更重要。好的课一定会建群，并且长期往里放跟主题高度相关的案例、文章、小Demo。因为在自己单位的小环境里，做 AI 应用的人往往是孤单的，有人一直带着走，才不会半途而废。
1.5 课上解决什么，课后解决什么 |
把预期摆正，你就不会在课结束时失望：
课上解决（90分钟能拿到的） | 课后解决（21天才能拿到的） |
敢装、敢点、跑通第一个任务 | 把真实工作接进来 |
建立正确预期，不再被“秒回”误导 | 攒出自己的 Skill，形成肌肉记忆 |
拿走范式与可改造的模板 | 21天固化成习惯，让一件固定工作永久消失 |
课上给你的是一把钥匙，课后21天才是把门打开。这两件事缺任何一件，学费都白交。
02 先校正预期：三个“它不是” |
绝大部分人学不会智能体，不是因为笨，是因为带着错误的预期上手。用搜索框的心智去用一个执行型智能体，第一次体验一定崩。
预期一：它不是搜索引擎——它的“手感”完全不同 |
对比项 | 聊天式 AI（DeepSeek、豆包、Kimi 对话） | 执行型智能体（WorkBuddy 这一类） |
反馈速度 | 不到一秒出结果 | 短则一分钟，长则几分钟 |
交付物 | 一段文字 | 一个已经做完的文件 |
工作方式 | 生成回答 | 读文件、开 Excel、写 PPT、保存到指定目录 |
复杂任务耗时 | 基本不存在 | 做一个真正能落地的智能体，可能要一两天 |
你的角色 | 提问 | 定目标、给材料、验收 |
培训师提醒：这一步几乎是所有学员的第一个坎。你已经习惯了“给个提示词，回车，立刻见效”的节奏。智能体不是这个节奏。它慢，是因为它在真的干活。 一个20步的任务跑3分钟，比你手动做3小时还是快。请把“等待”当成它正在工作的信号，而不是它卡住了。 |
预期二：它不是万能实习生——别指望100% |
不要指望它把一件事百分之百替你做完。正确的用法是：
把事情拆成环节 → 挑出其中几个环节交给它 → 你做好一遍让它学会 → 之后它替你重复。
这笔账很好算：你额外花10分钟学一个Demo，之后每天省5分钟。一个月就是两个半小时，一年就是一整个工作日。
预期三：它不是一个软件——它是一种工作方式的迁移 |
学 Excel 是学一个软件；学智能体是学“如何把工作说清楚、把结果验明白”。
这两件事一旦练熟，工具换多少个你都不怕。这也是本文第九节要讲的核心：为什么学会了这一类，再换同类产品如（Codex）几乎零成本。
03 一张心智模型图：智能体的三层楼 |
理解工具所处的位置，你就知道该对它有什么期待。
 |
▲ 三级台阶、三层亮光——从“问一句”到“交付一个文件”，再到“这件事以后不用我管了”｜AI 生成配图 |
第三层 编排层 自动化、定时任务、连接器流水线、多智能体协作 “这件事以后不用我管了”────────────────────────────────────────第二层 执行层 读你的文件夹、打开 Excel、生成 PPT、批量改文件 “你说目标，它负责执行” ← WorkBuddy 在这一层────────────────────────────────────────第一层 对话层 问答、润色、翻译、解释概念 “给你一段文字” |
一句话记住 WorkBuddy：聊天式 AI 给你的是“一段文字”，WorkBuddy 给你的是“一个已经做完的文件”。
一句话记住三层进阶路径：
• 从第一层到第二层，靠的是“会说需求”（第五节的六要素公式）
• 从第二层到第三层，靠的是“会攒资产”（第六节的 Skill、专家、连接器）
04 学习路线：三周，从“听说过”到“用得顺” |
不要指望一天学会。每天完成一个小任务，一周就能从“听说过”变成“敢上手”。我把它扩展成三周，因为第三周才是决定你会不会长期用下去的关键。
 |
▲ 三周三个路标：跑通、用顺、沉淀——把“听过”走成“用上”｜AI 生成配图 |
强烈建议：前三周全程使用演练数据（造一份假的销售表、假的名单），熟练后再切真实业务。这能帮你省下大量“它改坏了我的原文件”的心惊肉跳。 |
第一周：跑通（目标 = 不再害怕） |
天 | 练习任务 | 验收标准（可判定） |
Day 1 | 安装、登录、授权文件夹，完成一次文件整理 | 能在右侧结果区找到它生成的文件 |
Day 2 | 清洗一份带脏数据的 Excel | 能说出每类问题处理了多少行，并拿到新文件 |
Day 3 | 对清洗后的数据做分类汇总 + 图表 | 图表类型合适，结论里带具体数字 |
Day 4 | 把一份 Word 报告转成 PPT | 页数、结构、风格符合要求，有演讲备注 |
Day 5 | 起草一份通知或会议纪要 | 要素齐全，语气规范，可直接用 |
Day 6 | 批量重命名 + PDF 合并、提取 | 有备份、有对照表、没有误删文件 |
Day 7 | 尝试 Plan 模式、专家、定时任务（三选一） | 能说清这三个功能各自适合什么场景 |
第二周：用顺（目标 = 解决真问题） |
挑你工作里真实存在的四类场景，各跑一遍：数据处理→汇报 PPT→公文写作→批量文件。这一周你会开始踩坑，也会第一次体会到“原来这活儿真的可以不用我做”。
第三周：沉淀（目标 = 让它记住你） |
动作 | 具体做法 | 产出 |
沉淀一条长记忆 | 把你的输出标准写下来，让它存入 MEMORY.md | 以后不用重复说明 |
做出第一个 Skill | 把一件每周都做的事固化成 SKILL.md | 你的第一份“AI 资产” |
打通一个连接器 | 授权腾讯文档或邮箱，跑一次“生成→上传→给链接” | 一条完整流水线 |
配一个自动化 | 例：每周一9:00自动生成简报并推送 | 一件永久消失的工作 |
为什么第三周最重要：前两周你在“用工具”，第三周你在“造工具”。前者随时可替代，后者是你的。 |
05 核心技能：会下指令的六要素公式 |
WorkBuddy等办公智能体好不好用，八成取决于你会不会描述需求。
一句“帮我做个 PPT”扔过去，出来的东西多半不能用——这不是 AI 不行，是信息不够。
在下指令之前，先分清它“动不动手”。三种模式的选择，会直接决定你的体验：
模式 | 行为 | 什么时候用 |
Craft | 直接动手操作文件 | 绝大多数日常任务：整理、分析、生成文件 |
Plan | 先给一份执行计划，你确认后才动手 | 步骤多、细节没定、涉及删改原文件的任务 |
Ask | 只回答，不改任何文件 | 前期确认需求、问概念、让它解释思路 |
记住一个判断口诀：重要且步骤多的任务用 Plan，只想问一句用 Ask，其余交给 Craft。
4.1 六要素公式 |
要素 | 要回答的问题 | 示例说法 |
目标 | 最终要解决什么问题 | 要做一份向领导汇报的季度分析报告 |
输入 | 用哪些文件、目录或链接 | 用《Q3销售明细.xlsx》的 Sheet1 |
动作 | 分析、整理、转换还是生成 | 按区域汇总，并计算同比 |
约束 | 哪些不能改、守什么规范 | 不要删除原始数据，金额保留两位小数 |
输出 | 交付什么文件、放哪里 | 生成 PPT，约12页，存到 output 目录 |
验收 | 拿什么标准判断合格 | 每页只讲一个结论，数据用图表呈现 |
不要求句句齐全，但缺得越多，返工概率越高。
 |
▲ 六要素就像六个旋钮，拧准了，结果才准｜AI 生成配图 |
4.2 模糊指令 vs 清晰指令（对照表） |
❌ 模糊 | ✅ 清晰 |
帮我做个 PPT | 基于《Q3销售明细.xlsx》做一份12页的季度经营汇报 PPT，给分管副总看。结构：核心结论→整体情况→分区域分析→异常归因→下季度建议。每页只讲一个结论，数据一律用图表。存到 output 目录。 |
整理一下这个表 | 清洗《名单.xlsx》：删除重复行、补全缺失的手机号（标“待补”不猜测）、统一日期为 YYYY-MM-DD。原文件不动，输出为新文件，并告诉我每类问题处理了多少行。 |
写个通知 | 起草一份关于中秋节放假安排的通知，受众是全体教职工，语气正式，包含时间、值班安排、联系方式三个必备要素，字数400字内。 |
4.3 结果不满意时的追问公式 |
千万不要重开一个任务——重开意味着它丢掉了全部上下文，你要从头再说一遍，额度也加倍烧。
正确的做法是追问，四步：
1. 指出具体位置：第5页那个饼图
2. 说清问题：分类超过7项，看不清
3. 给出方向：改成横向条形图，只保留前5名，其余归为“其他”
4. 明确范围：只改这一页，其余保持不变
模板：“第 X 部分的 Y 有问题，问题是 Z，请改成 W，其他部分不要动。” |
06 三个加速件：Skill、专家、连接器 |
这三样是把 WorkBuddy 从“能用”变成“好用”的开关。
5.1 Skill（技能）——给 AI 装“手艺” |
一句话理解：WorkBuddy 本体是“聪明但没经过岗位培训的新人”，Skill 就是发给它的岗位SOP手册。
没装技能时，它靠通用理解硬做；装了技能，它按这个领域的规范做法来做——成品的规范度和稳定度完全不同。
你要做的事 | 只有大模型 | 装上技能之后 |
生成 Excel | 可能写出打不开的文件、图表错位 | 按表格规范读写，图表和数据一起落地 |
生成 PPT | 内容堆在一起，排版靠运气 | 按页级规范排版，可直接改单页 |
按公司规范出报告 | 不知道你公司的字体、配色、结构要求 | 照着你上传的公司规范生成 |
会议录音转文字 | 本体不具备这个能力 | 装了转写技能就能干 |
做一个 Skill 的标准动作（4步）：
1. 找重复任务：有哪些事你每周或每天都让它做？（选题分析、周报生成、文档格式整理……）
2. 写出输出要求：把你对这个任务的所有要求列清楚
3. 存进长记忆：简单要求直接让它写入 MEMORY.md
4. 固化为 SKILL.md：复杂工作流建成技能文件夹
一个 SKILL.md 的最小结构：
---name: weekly-reportdescription: 按固定结构生成周报，输出为 Markdown---# 周报生成规范1. 结构：本周完成、数据变化、风险与阻塞、下周计划2. 每条完成项必须带具体数字或交付物名称3. 风险项必须写清责任人和预计解决时间4. 输出：Markdown，不超过600字 |
⚠️ 踩坑提醒：技能名称建议用英文 + 连字符（如 |
为什么 Skill 特别重要——这一点我要单独强调：
把 Skill 保存到本地。 现在 WorkBuddy 还可以拷贝，但有些平台上的工作流和技能，是难以完整拷贝出来的。我们不知道将来会怎么样，先把主动权抓在自己手里。 |
5.2 专家（Expert）——不会做就请“外脑” |
专家不是换个模型，而是换一套“专业思维框架 + 输出规范”。
普通对话里的 AI 是个通才，什么都能聊一点；召唤“数据分析报告师”之后，它会按分析师的路子思考：先看数据质量，再定分析维度，然后出结论、给建议、标注口径。
对比维度 | 专家 | 专家团 |
构成 | 单个领域顾问 | 多位专家分工协作，团长拆解任务、分配、汇总 |
适用 | 单一领域的专业活 | 跨领域的复杂活（既分析、又写方案、又做 PPT） |
成本 | 消耗较少 | 消耗较多，耗时更长 |
比喻 | 请一位外部顾问 | 拉一个临时项目组 |
日常办公，90% 的情况用单个专家就够了。
标准动作：选 → 切 → 喂 → 说 → 验
• 选：从专家入口按领域浏览
• 切：把工作空间切到你的数据目录（这一步最常忘，导致它找不到文件）
• 喂：把材料加进对话——数据表、上一版草稿、背景文档
• 说：指令可以比平时“粗”一点，专家自带框架会自己补维度
• 验：看它的拆解步骤，中途发现问题及时喊停
⚠️ 专家不是免责牌。专家产出的“专业结论”同样可能出错，尤其是归因分析——它常常把相关性说成因果。凡是要对外、要决策的内容，数字和归因都必须人工核一遍。 |
5.3 连接器（Connector）——打通你的办公生态 |
没有连接器，它只能在你电脑的文件夹里打转；装上连接器，它能去腾讯文档取资料、把报告传上去、给同事发邮件、往群里推消息。
能力 | 说明 | 典型指令 |
取数 | 从平台读取资料作为输入 | “读取我腾讯文档里《Q3渠道明细》，做一份汇总” |
交付 | 把成品上传到平台 | “把这份报告上传到腾讯文档，开启分享，把链接给我” |
协同 | 把结果推送到协作工具 | “把会议纪要发送到项目企微群” |
流转 | 数据从 A 平台搬到 B 平台并加工 | “把邮箱里这周的报销附件下载下来，汇总成一张表” |
配置三步：进入设置→连接器 → 选择平台、点击授权 → 发一个小任务验证（比如“把这段测试文字上传到腾讯文档”），能跑通再投入正式使用。
连不上怎么办：先确认登录的是不是同一个账号——电脑端和连接器平台账号不一致是最常见的原因。其次检查授权是否过期，重新授权一次通常就解决了。 |
5.4 三件套叠加 + 定时任务 = 全自动流水线 |
最优实践组合：专家负责“想得专业”，技能（skill）负责“做得规范”，你上传的规范文档负责“长得像我们公司的东西”。
一次配置，永久自动的例子：
帮我创建一个自动化任务 时间：每周一09:00 动作：① 读取工作空间里上周的销售数据；② 生成经营简报（含核心指标、环比变化、异常提醒三部分）；③ 上传到腾讯文档；④ 把分享链接发送到项目企微群 要求：创建后先测试运行一次，把结果发给我确认。如果数据文件缺失，不要跳过，直接提醒我。 |
配置完成后，这项固定工作就完全不用你操心了。
07 避坑清单与验收清单 |
6.1 六个常踩的坑 |
症状 | 原因 | 怎么解决 |
它说“无法访问文件” | 文件夹授权没做 | 到设置→系统授权，把需要操作的目录加进去 |
生成的文件找不到 | 没指定保存位置，或看了错误的位置 | 指令里写明“保存到 output 目录”；完成后看右侧“产物”视图 |
结果驴唇不对马嘴 | 指令太模糊，它只能猜 | 按六要素补全：目标、输入、动作、约束、输出、验收 |
改了不该改的数据 | 没有备份，也没限制范围 | 先备份；明确“只处理 input 目录，不要修改原文件” |
长任务中途卡住 | 电脑休眠、网络断开 | 检查锁屏、休眠策略；保持网络稳定 |
额度消耗特别快 | 反复返工、同时挂多个重任务 | 用 Plan 模式先审计划；一次说清需求；复杂任务拆分执行 |
6.2 交付前的六问验收清单 |
把 AI 生成的东西发出去之前，花两分钟过一遍这六个问题：
• [ ] 数据对不对？ 关键数字和源文件核对一遍，特别是合计、同比、占比
• [ ] 来源对不对？ 它引用的是不是你给的那份文件、那个工作表、那段时间
• [ ] 有没有编造？ 凡是它“推测”“建议”的内容，是否混进了事实陈述里
• [ ] 有没有不该外露的信息？ 客户名单、薪酬、成本、未公开数据
• [ ] 格式像不像公司出品？ 字体、配色、页眉页脚、公文排版
• [ ] 它动了哪些文件？ 看一眼“变更”视图，确认没有误改其他文件
核心原则：AI 负责产量，你负责质量。 把“验收”当成你的本职工作，而不是多余的工序。 |
6.3 安全意识五条 |
1. 只从官网下载安装，不走第三方渠道
2. 平时关闭【允许完全访问】，需要时临时打开
3. 含个人信息、客户数据、财务数据的文件，处理前先脱敏
4. 对外发送前自己打开成品看一遍
5. 公司电脑遵守 IT 规范，不走白名单以外的安装途径
08 从“能用”到“敢用”：三条工程原则 |
这一节来自智能体工程领域的共识，是所有智能体通用的。理解了这三条，你才算真正“会用它干活”。
原则一：拆成原子子任务 + 检查点回滚 |
让智能体跑一个20步的任务，它在第17步崩了，前面16步全白干——因为状态没记下来。
不要把所有步骤塞进同一个 prompt 赌它一次跑通。要拆：
• 每个子任务尽可能独立
• 每完成一个，结果和状态就持久化（写成文件）
• 失败时能从断点续跑，而不是从头来
十步任务的成功率真相：假设单步准确率85%（听起来不错），10步工作流整体成功率只有约 20%；即便单步95%，10步也只剩 60%。 所以：缩短链条，比换更强的模型更有效。 |
原则二：关键节点留给人工验收 |
删除、外发邮件、生产部署、数据库迁移这类高风险动作，必须设“人工审核”节点——流程暂停、通知人介入确认。
有团队对比过：让智能体直接改核心配置，出错率显著高于让它只生成 Diff 补丁供人 Review。因为大模型擅长局部模式匹配，不擅长全局一致性校验。
高危动作前，宁可多一次点击，也别让它自动冲。 |
原则三：管理上下文，而不是填满它 |
上下文不是越多越好。无关信息会稀释模型的注意力，反而降低表现。三个实用动作：
策略 | 做法 |
有意压缩 | 阶段完成后，生成一份简洁的“进展文件”摘要启动下一段，而不是把全部历史塞过去。尽量把上下文占用保持在较低水平 |
上下文隔离 | 不同子任务用独立上下文，避免信息交叉污染 |
重新注入 | 关键约束要在多个阶段反复重申，不要假设它还记得第一条指令 |
配套工作流：研究 → 计划 → 执行
先让它充分理解系统和问题（研究）→ 产出分步骤执行计划（计划）→ 你确认后再动手（执行）。
这个工作流背后有一句很狠的话：“一行糟糕的研究，可能导致上千行无用的代码。” 在计划阶段花时间审查，远比在结果出来后去返工高效。 |
09 可迁移性：学会这一类，你就学会了这一类 |
这一节是 我最想让你记住的 。
 |
▲ 一把钥匙开几把锁——学会这一类，你就学会了这一类｜AI 生成配图 |
8.1 为什么换个工具几乎零成本 |
有个很贴切的比喻：这就像当年 iPhone 定义了触屏智能手机的标准，后面的手机全是一水儿地参照它的模式。
• 操作习惯已经成了行业事实标准
• 各家为了降低你的迁移成本，布局和操作方式都做得很像，有的换个名字而已
• 甚至有同类产品反过来在学习 WorkBuddy 的形态
所以，切换的心理成本远比你想象的小。
8.2 同类智能体地图（2026年9月不完全统计） |
⚠️ 价格与功能政策变动极快，下表仅供定位参考，请以各平台官方页面为准 `[需平台核验]`。另外，我之前在“大厂“工作”智能体火拼办公入口——豆包、千问、搭子、WorkBuddy哪个更值得一试？”一文中也详细列举了多种最热门相关智能体，详见链接🔗：https://mp.weixin.qq.com/s/cnayWNtwJAYWxa6cz9nP1w |
产品 | 形态 | 特点 | 适合谁 |
WorkBuddy | 桌面本地 + 腾讯生态 | 中文办公场景深度适配，Skill、专家、连接器体系完整 | 国内职场、高校教师、行政科研 |
Manus | 云端 VM | 无需本地安装，电脑关机任务也能跑；有免费额度 | 不想折腾安装、需要后台执行 |
Claude Cowork、Computer Use | 桌面（Mac、Win） | 推理与错误自恢复能力强 | 已在 Claude 生态内、重视推理透明 |
Claude Code | 终端 | 编码深度与代码库理解最强 | 开发者、复杂调试与重构 |
Kimi | 网页、客户端 | Agent 集群并行（大量子智能体同时检索），开源可自托管 | 大规模检索、并行调研 |
OpenClaw | 开源自托管（MIT） | 免费 + 自付 API 成本，插件与工作流可定制，社区活跃 | 有技术能力、要完全掌控数据 |
Hermes Agent | 开源自托管（MIT） | 多种沙箱后端，偏消息渠道驱动 | 想自建、接多平台消息 |
Perplexity Computer | 云端 | 跨模型编排，研究→写作→代码一体 | 高强度跨领域研究 |
Goose | 开源（Apache 2.0） | 完全免费，可接本地模型 | 预算敏感、数据不出本机 |
选型三问（比参数对比更有用）：
1. 数据能不能出本机？ 敏感数据 → 本地型（WorkBuddy、Claude Cowork、OpenClaw、Goose）
2. 电脑关了还要不要继续跑？ 要 → 云端型（Manus、Perplexity Computer）
3. 我要不要改它？ 要 → 开源型（OpenClaw、Hermes、Goose）
8.3 三条资产保全策略（务必执行） |
策略 | 具体做法 | 为什么 |
① 技能资产落地本机 | 成熟的 Skill 一定在本地留一份（多种智能体通常是通用的） | 有些平台的工作流难以完整导出，先把主动权抓在自己手里 |
② 不绑死一个产品 | 同时了解1—2个替代品，保持“随时能切换”的状态 | 一旦涨价或额度超出承受范围，你有 Plan B 能接着上 |
③ 别被套餐深度绑定 | 除非急用，不长期订阅；善用免费额度和成长任务 | 解释权永远在产品背后的公司手里，它随时可以改规则、改额度、调算力分配 |
用户的选择权就是议价权。就像手机里装好几个点外卖的 App——只装一个它就敢杀熟，装了多个它就有竞争。 |
10 找到你的切入点：不同角色该怎么上手 |
一个人只有在想学的时候才能学好。不同角色的切入点完全不同：
角色 | 是否需要亲手操作 | 切入点 |
校领导、单位负责人 | 不一定亲自操作，但必须知道 AI 的边界 | 看案例、定方向、给资源 |
中层管理者 | 最好动手操作一次 | 否则提出的想法难以落地，也没法指导下面的人 |
一线教学老师 | 必须亲手用 | 教学设计、课件、作业布置与批改 |
科研人员 | 必须亲手用 | 文献检索与综述、数据整理、论文润色 |
行政人员 | 必须亲手用 | 文山会海、各类文案、表格填报 |
个别比较保守的老师不想自己学，派研究生博士生来学，也是一条路——只要有人会用，活儿就能分出去。 |
9.1 切入点的万能问法 |
经常有人课后问：“我听完了，还是不知道 AI 能帮我干啥。”
我的回答永远是同一句：
回想一下你现在工作里的痛点——哪些事技术含量低、又特别浪费你的时间？ |
比如填表。这种事你又不得不做。有钱的项目组可以雇科研秘书、教学秘书，但大部分时候还得靠本人。现在有了 AI，这类事情里一半的工作都可以让 AI 又快又好地做完。
9.2 一个容易被忽略的账：真正伤人的不是那2分钟 |
这一段我认为是整篇文章里最值得划重点的。
真正对我们伤害最大的，不是“突然让填个表格”那件事本身，而是打断。 你正做着教改实验、正写着科研论文，思路跟长跑运动员的跑步节奏一样不能断。这时候来了个填表的活儿，下班前就得交。看似只要花2分钟填一下，但思路一断，你就很难回到原来的节奏。断上几次，人就很气馁。 |
所以“填表”这种小事的实际影响，远不止2分钟。
现在的做法：把表格要求直接丢给智能体，连上在线表格让它按要求填，你人工检查一遍就交。
把“打断”消掉，才是 AI 赋能最隐性的收益。 |
9.3 两个已实测的高价值场景 |
场景 | 做法 | 收益 |
布置作业 | 把题目内容、要求、提交时间直接给到能操作浏览器的 AI，赋予它权限，它自己登录教学平台把事干完；甚至可以定时，一次性把一学期的作业批量提前准备好 | 一学期助教一半的主要工作量 |
批改作业 | 用专门的批改智能体，手写体都能识别 | 大幅减负 |
声明一句：我不是说助教没用了。人可以提供情绪价值，可以用真人的方式回答学生的问题——这个 AI 替代不了。但对于那些上课人数不够、教务系统里请不到助教的老师，用 AI 当助教，至少能实实在在减负。 |
11 给培训老师的四条备课建议 |
这一节是给“未来的你”——当你学会之后，很可能也会被拉去给别人讲。
建议一：直接上手，别讲原理 |
不要一上来讲它的架构是怎么来的。这类内容讲十多分钟，大家的热乎劲儿就没了。
上来直接拿一个相对简单的案例，让大家动起来。案例准备三到四个，难度逐渐递增——难度递增具体体现在需要动手的操作步骤逐渐增多。
建议二：重新设计节奏，因为它会“慢” |
老师们都习惯了“给个提示词、回车、立刻见效”的节奏，但这次你等不起。
节奏设计非常考验培训者的经验：什么时候让大家动手、什么时候停下来等、什么时候插一段讲解填满等待的空白——这是智能体培训和传统软件培训最大的区别。
建议三：讲关键步骤，给完整工具 |
有些复杂操作没办法让所有人完整体验（比如做一个真正的智能体要一两天，就算总结成 Skill 再跑一遍至少也要半天）。
这种情况只能讲关键步骤，甚至把你做好的 Skill 直接给到学员：现场教大家怎么添加，添加完怎么用它做一份真实产出，再教大家怎么把它改造成适合自己学科的个性化版本。
走过这么一个完整案例，大家掌握的是范式。授人以鱼不如授人以渔——第一个“鱼”是吃的鱼，第二个“渔”是打渔的渔。
建议四：把每一场培训当成需要打磨的课 |
前5分钟发程序下载链接（很多人前一脚还在开组会，或者刚下火车）；随时问进度（“线上的老师们，您进行到哪一步了？”）；甚至刻意停下来，走到下面转一圈，跟有问题的老师现场交流指点。
你自己备课的时候想得再好，实际情况往往完全不一样——学员的基础差异、设备差异、注意力节奏，全跟预设对不上。 给老师做 AI 赋能，本质上还是教学。 让学员有获得感，让大家在良好的氛围里真正动手操作起来，这两条做到了，培训才算没白办。 |
12 课后21天落地计划（可直接打印） |
培训结束后的持续性，比培训本身更重要。课程结束才是开始。
 |
▲ 21 天，一格一格贴下去——习惯不是靠意志，是靠看得见的进度｜AI 生成配图 |
时间 | 动作 | 成功标准 |
当天 | 装上软件、授权文件夹、跑通第一个任务 | 电脑上有一个 AI 生成的文件 |
第1周 | 每天一个小任务，用演练数据 | 完成“第一周跑通”的7天路线 |
第2周 | 找出3个真实痛点，各跑一遍 | 至少1件事从此不再自己全做 |
第3周 | 做一个 Skill、配一个自动化 | 有一件固定工作永久消失 |
第30天 | 复盘：省了多少时间？踩了什么坑？ | 能给别人讲清楚一个完整案例 |
持续 | 进一个学习群，每周看一篇、做一个小demo | 保持手感，不掉队 |
关于社群：做教改、做 AI 应用的老师，在自己学校的小环境里，一定程度上是孤单的。有这么一个线上虚拟的小社群，有人一直带着大家了解信息、做点小 demo，对持续落地是有实实在在助力的。 |
结语 三句话 |
回到最初的问题——培训热过去之后，什么会留下来？
1. 热潮是真需求加人为推手共同造就的，但热潮迟早会退。 别把热情建在热度上，要建在你省下来的那5分钟上。
2. 比参加培训更重要的，是培训之后的落地和持续。 一天一个 demo，比一天听五场讲座有用。
3. 比绑定任何一个产品更重要的，是掌握范式、保留资产、永远给自己留一个 Plan B。
从 DeepSeek 到 WorkBuddy、Codex，从“听过”到“用过”，我们离 AI 的每一次距离缩短，都值得记录。但最终决定这场变革深度的，不是这几个月有多少场培训，而是接下来的日子里，还有多少人在坚持把 AI 用进自己的日常工作。
从把一件5分钟的事变成几秒钟，循序渐进。
一个人只有在想学的时候才能学好，也只有在用起来之后，才知道 AI 到底能帮你多少。
附：一句话速查卡 |
场景 | 记住这句话 |
下指令 | 目标、输入、动作、约束、输出、验收，缺一个就多返一次工 |
结果不对 | 追问，别重开——“第 X 部分的 Y 有问题，请改成 W，其他不动” |
要规范 | 装 Skill（岗位 SOP 手册） |
要专业 | 请专家（选→切→喂→说→验） |
要联网办公 | 接连接器（取数、交付、协同、流转） |
要一劳永逸 | 定时任务 + 连接器 = 全自动流水线 |
长任务 | 拆原子子任务 + 检查点 + 高风险动作人工验收 |
发布前 | 六问验收：数据、来源、编造、外露、格式、改动 |
换工具 | 会了这一类，就都会了；Skill 存本地，永远留 Plan B |
