乐于分享
好东西不私藏

同样是AI助手,为什么Cursor透明可见,而WorkBuddy却在偷偷删文件?

同样是AI助手,为什么Cursor透明可见,而WorkBuddy却在偷偷删文件?
✨ AI 深度观察

昨天我打开废纸篓,里面躺着上百个文件。HTML、CSV、JSON、PNG——全是我没主动创建过的东西。而始作俑者,是我每天信任使用的工具之一——WorkBuddy

一、废纸篓里的秘密

事情的起因很简单。我用 WorkBuddy 让它帮我截几张网页图、分析一份数据、生成一份报告。任务完成得很漂亮,截图清晰,数据准确,报告排版也不错。

直到我为了找一份误删的文件打开废纸篓。

 里面整整齐齐地排列着几十个我从未见过的文件:temp_screenshot.html、output_data.csv、chart_preview.png……文件名一看就是机器生成的。 

那一刻我才意识到——每次 WorkBuddy 帮我做完一件事,都在我的硬盘上留下了一串"脚印",然后趁我不注意,悄悄把它们扫进废纸篓。而这只是我一周的用量。

二、它到底在干什么?

为了搞清楚这些文件从哪来,我特意观察了 WorkBuddy 的工作流程。比如我让它"截一下这个网页":

  • WorkBuddy 先把 HTML 代码写成一个临时文件 —— temp_page.html
  • 调用浏览器打开这个文件
  • 截图保存为 screenshot.png
  • 把截图展示给我
  • 最后,默默把 temp_page.html 移到废纸篓
    每一步都合理。但问题是——每一步都在你的硬盘上留下了痕迹,而你浑然不知。

    对比一下市面上其他 AI 编程工具是怎么做的:

    别的工具把中间步骤留在内存里,WorkBuddy 把每一步都写在你的硬盘上

对比维度
WorkBuddy
Cursor / CodeBuddy
画图表
写 HTML → 截图 → 删文件
编辑器面板直接渲染
数据处理
写 CSV,处理完再删
纯内存流式处理
预览网页
写临时文件 →
浏览器打开 → 删
内建 WebView,一步到位

三、硬盘的隐形消耗

假设你每天让它做 10 个任务,每个任务产生 3-5 个临时文件:

一周写入约 1GB
一年文件1万+ 个

这还不算中间步骤的读写——写 HTML、读 HTML、渲染截图、再写截图、最后删文件。一个简单的"截图"操作,在硬盘上产生了 4-5 次 I/O,而用其他工具,是 0 次。

这就像你点外卖,店家每做一个菜就换一个盘子,端到你面前再把用过的盘子扔掉。 外卖确实送到了,但后厨的盘子消耗是你没看见、却真实存在的成本。

四、过程黑盒:信任的边界

硬盘消耗还是小事。真正让我不安的是另一个问题——过程不可监督。

当 WorkBuddy 帮我执行任务时,我看到的只有:它在"工作中"的 loading 动画和最终产出的结果。
中间发生了什么?它写了哪些文件?读了哪些配置?有没有不小心扫到不该碰的目录?我完全不知道。

"如果中间步骤可以不被我知晓地访问任意文件,那信任的基础在哪里?"

Cursor、CodeBuddy 这类工具的中间操作是直接展示在面板里的。用户不仅可以看,还可以随时介入、打断、回滚。一个让你看得见过程,一个只让你看见结果。 这不是效率问题,是信任问题。

五、设计哲学与可见性

公允地说,WorkBuddy 这样做不是"出了 Bug",而是架构选择。

WorkBuddy 是一个独立的桌面 Agent,它不像 Cursor 那样嵌入在编辑器内部。当它需要调用浏览器截图、调用 Python 做数据分析、调用 ffmpeg 处理视频时——这些外部工具之间唯一的通用通信方式,就是文件系统。
WorkBuddy 把文件系统当作进程间通信的管道。写文件、读文件、删文件,本质上就是"传参数"和"取结果"。
这个设计的好处是灵活性极高——理论上 WorkBuddy 可以做任何你能用终端做的事情,不受编辑器边界的限制。但代价就是:
硬盘上多了很多"通信痕迹",用户无法直观地看到工作流的每一步。

就像一个厨师在你家厨房做饭,他每次处理完一道工序都要先写在便签上贴冰箱,做完再撕掉。 你吃到菜的时候已经看不到便签了,但冰箱门上全是胶印。

但真正可信赖的 AI 协作,应该是:

  1. 实时可见:
     我想知道你每一步在做什么。
  2. 随时介入:
     发现走偏了能立即纠正。
  3. 操作留痕:
     结构化的日志而非零散的临时文件。
当然,这可能是我最近深度拆解了Claude Code、Codex等Harness框架产品后使用Workbuddy的深度感受,如果仔细去拆,例如当前其memory等模块做的还很不成熟,本期不展开,以后有时间再介绍。

💡 写在最后

我写这篇文章,不是为了劝谁别用 WorkBuddy。恰恰相反,部分场景下我自己还在用,也继续会用。透明度不是锦上添花,它是 AI 工具真正走进工作流的前提。或许再过非常非常短的时间,又有其他的新框架出来,整体实现跨级式提升,就好像当前之于两年前的微调、提示词工程,去年的上下文工程,今年的Loop,如果还没开始也不晚,再晚点也不用学了,毕竟,它...过时了...

本文基于 WorkBuddy、Cursor、CodeBuddy、Claude Code 等主流工具体验撰写