夜雨聆风最近这半年，我陆陆续续接触了几个智能工具。最早是 GPT，后来是 DeepSeek，中间还玩过 QClaw，上半年认真学了一遍 OpenClaw，这一周又刚上完范珂老师的 WorkBuddy 的两天课。
工具一个接一个地冒出来，我自己倒没觉得多兴奋，反而是另外一个变化更让我坐不住——我发现自己的学习方式，不知不觉已经全变了。
从"背操作"到"想规划"
举两个最日常的活儿：做一张 PPT，或者搭一个工作用的表单模板。放在以前，我脑子里想的全是"操作技巧"——PPT 怎么排版才好看、配色怎么搭、动画怎么加；表单呢，就是死磕函数公式，VLOOKUP 怎么套、条件格式怎么设、数据验证怎么配。
那时候衡量自己"会不会"，基本就是看手熟不熟、快捷键记没记住。
现在我很少这么想了。同样是做 PPT、做表单，我更多是在想：这件事整体要怎么拆、逻辑怎么串、哪些活该让 AI 干、哪些我自己得把住关。
说白了，AI 时代要的不再是"手上的功夫"，而是脑子里的规划、整体逻辑和资源整合的能力。
这个转变不是谁教我的，是工具逼出来的——你一旦发现 AI 十分钟能顶你手动折腾一下午，就没动力再去背那些细枝末节的操作了。
这堂 WB 课，把我"撞"醒了
真正让我把这个道理"撞"明白的，是这次 WB 课上范老师讲的一个例子。他说，遇到复杂的事，别一个人硬扛，可以让AI智能体组队干。他举的是用智能体去分析薪酬数据、给年度调薪做参考。
讲到第二步的时候，AI 在理解了他的意图之后，主动给了一堆专业建议——先确认行业、再确认参考地域，别拿错基准。
我当时一听就想：换作我，下一步肯定是直接告诉 AI"我要的就是长三角创新药公司那套数，你给我拉出来"。
这是我以前习惯性的用法：把 AI 当成一个听话的执行层。
但老师的第三步把我点醒了——他没急着要结果，而是跟 AI 去确认"子智能体团队到底怎么组、各自负责什么"：谁去爬数据、谁做分析、谁出报告、谁最后核对。
那一刻我突然想起之前自己折腾月度考勤动态表单的事。那会儿我也是一头扎进去，跟 AI 说"帮我写个公式算缺勤"，来来回回拉扯了好几轮，它给的要么不对，要么我描述不清楚它又跑偏。
说到底，我根本没把智能体当"一个人"来用，只是把它当成一个会写公式的工具。
上完课我特意把那套考勤表单的事重新走了一遍，完全照老师讲的方式：先把背景和规则讲清楚，让它自己拆任务、组子智能体，再确认各自的职责边界，最后才让它动手。
结果挺出乎我意料——消耗的算力明显少了，中间反复拉扯的过程几乎没了，效率一下就上来了。不是工具变强了，是我终于用对了用法。
WB 与 OpenClaw，差在一个"省事"
再说说 WorkBuddy 和 OpenClaw 的区别，这个我感触特别深，核心就是一个字：省事。
之前我也用 QClaw 做过一套考勤核对的自动化套表，搞到现在都没截稿，中间一堆坑。根子就在 Skill 的配置上——WB 是开箱即用的，它自带就帮我们把很多好用的 Skill 配好了，你基本拿来就能使。
OpenClaw 得自己一样样去搭，门槛一下就上去了。我上半年就学了 OpenClaw 的课，老实讲，到现在也没真正用起来。
原因挺现实的：有些载体工具本身就很难配置成功，而且还得挂着某个东西才能上网用，每次想动手都被网络环境劝退。
要是把 AI 智能体比成相机，WB 更像一台傻瓜单反——你想拍什么，转到对应模式就行，光圈快门它替你想好了；
OpenClaw 则还处在"得自己调参数"的阶段，灵活是灵活，但对普通人来说，光把机器点亮就够喝一壶了。
从一个人，到一支队伍
回到日常办公这件事，我现在越来越觉得 WB 是个靠谱的帮手。简单的问题，直接丢给它，当场就能解决；稍微复杂点的，里面有现成的专家可以调用，比自己瞎琢磨强；再复杂的，还能拉起专家团队一起上，各管一摊。
这种"从一个人到一支队伍"的递进，恰好对上了老师说的那个人机协同的边界——人负责定方向、做决策、最后把关，AI 负责跑腿和执行。想通这一层之后，我对这些工具的态度也从"赶紧学操作"变成了"先想清楚要它干什么"。
总结一下，这半年的工具更迭带给我的，不是又多会了几个软件，而是终于能把智能体当"队友"而不是"工具"看了。
注：本文作者为一家大型能源企业HR
延伸阅读：
