AI练习册 | 高校心理健康教师 AI 工作台搭建指南 (WorkBuddy VS 豆包工作)

说明：本文内容由ChatGPT、WorkBuddy和豆包工作完成，各部分均有删改并进行编选，1w字；后用WorkBuddy进行统稿排版，最后人工初步审校，7.6k字；封面图由微信公众号文生图生成。

今年 3 月，本公众号发布过两篇关于“龙虾”的文章，当时多所高校明确要求：禁止在校园网、办公电脑和教学实验设备上安装、运行这类具备自主执行能力的开源智能体。

五个月后，局面变了。AI 办公产品正在快速进入组织场景：WorkBuddy、豆包工作等工作台不再只是聊天窗口，而是开始承接文档处理、信息检索、数据整理、PPT 生成，甚至跨应用执行任务。

对高校心理健康教师而言，这很有吸引力——活动方案、课程材料、科普内容、调研报告、培训课件，确实有大量重复且耗时的工作。但也要清醒地看到：心理健康工作里的数据，不能按照「普通办公资料」来处理。

本文不讨论「哪个工具更强」，而是提供一套更重要的判断与部署方法：在当前办公平台纷纷「拉客」的环境里，高校心理健康教师怎样把 AI 用起来，又不把风险一并带进来。

一、从「龙虾被禁」到 AI 工作台：技术到底进化了什么？

今年 3 月高校对「龙虾」类工具保持高度谨慎，并不难理解。这类开源 Agent 的特点，是能在用户设备上执行命令、读写文件、调用外部服务。默认配置不当、插件来源不明、权限被放大、密钥或端口暴露，都可能让一个「帮我做事」的工具，变成进入办公终端和校园网络的风险入口。

工信领域当时也曾针对相关风险发布安全建议；多所高校的处理重点都落在「不得接入校园网」「不得处理敏感数据」「研究用途须隔离」上。

这里的关键词是：行动能力。

表：两类 AI 的风险差异

今天的 WorkBuddy、豆包工作等产品，和早期「龙虾式」的自行搭建相比，发生了明显变化：

表：从自建 Agent 到产品化工作台的四点变化

具体来说：WorkBuddy 强调任务工作空间与权限控制，日常可在指定目录内完成任务，涉及高风险动作时请求确认，企业版还提供 SSO、角色权限和审计等能力。豆包工作则深度连接飞书工作场景，可在授权范围内继承企业知识与协作上下文，并强调设备接入、权限、数据加密与操作审计等安全环节。

但请注意：

产品有了安全能力，不等于教师可以跳过学校的安全规则；平台能继承权限，也不等于所有已有权限都应该交给 AI。「技术更成熟」不等于「可以默认全开」。

二、高校心理健康场景：先划清数据边界

在开始任何部署前，先不要急着选工具，先把手里的工作分成三类。

第一类· 公开型：可优先交给 AI

共同特点是：即使原文被公开，也不会对学生、学校或个体造成实质性伤害。

包括：面向全校的心理健康月活动创意；已公开政策、论文、科普材料的梳理；课程教案框架、PPT 结构、海报文案；面向普通学生的情绪管理、睡眠、压力调适科普初稿；已完成匿名化处理的问卷趋势描述；工作周报、会议议程、项目复盘模板。这是最适合启动 AI 试点的区域。

第二类· 脱敏型：可使用，但必须脱敏、最小化

包括：去除姓名、学号、联系方式后的课程反馈整理；不含个体线索的活动满意度分析；已获授权、已经过处理的研究材料；不包含学生身份信息的团体辅导主题归纳。

特别提醒：删掉姓名，不一定就叫匿名化。「学院＋年级＋小众经历＋时间地点」拼在一起，有时仍能定位到具体学生。尤其在心理健康工作中，个案叙述、危机经历、家庭关系、诊断线索等，即便没有姓名，也可能具有很强的可识别性。因此，脱敏不是「把名字替换成小 A」，而是要问：这份材料还能不能让熟悉学校情境的人推回到某个学生？

第三类· 禁止型：原则上不进入通用 AI 工作台

包括但不限于：个体咨询记录、来访者叙事、录音、逐字稿；心理测评原始数据、个体报告、预警名单；危机干预信息、自伤自杀风险信息；学生档案、转介记录、病史及诊断相关资料；含有真实身份线索的聊天截图、邮件、表单；尚未公开的科研数据、校内事件材料；账号、密钥、内部系统导出文件。

《个人信息保护法》将医疗健康等信息列为敏感个人信息；心理健康相关材料通常具有更高的隐私与伦理风险。对这一类数据，正确的问题不是「哪家 AI 更安全」，而是「为什么要让 AI 接触它」。多数情况下，答案应当是：不接触。

数据分级速查表

表：心理健康工作数据分级

一个实用的判断标准：如果这条信息泄露出去，能定位到具体某个学生，那它就不能进 AI。不管平台声称自己多安全，这条红线不要破。

三、WorkBuddy VS 豆包工作：两种部署逻辑

先说结论：对高校心理健康教师而言，选择的关键不是模型名称，而是 AI 的工作边界与学校已有的协同环境是否匹配。

表：两种部署逻辑对比

一句话总结安全差异：WorkBuddy 把安全建立在「数据不出本地」上，豆包工作把安全建立在「权限不越界」上。

安全架构对比

表：安全架构对比（认证资质以厂商官方最新公开材料为准）

这张表需要记住三点：

· 两者都比 3 月的 OpenClaw 安全得多。沙箱隔离、权限控制、审计留痕——这些在 OpenClaw 时代需要你自己搭建的东西，现在都是产品内置功能。

· 数据「不出本地」和「不落云」不是一回事。 WorkBuddy 的本地执行意味着你的文件从一开始就没离开过电脑；豆包工作的「屏幕内容不落云」指的是操作过程不留存，但 AI 在处理飞书文档时，数据本身已经在飞书的云端了。如果学校对「数据物理位置」有严格要求，这个差异很关键。

· 权限继承是一把双刃剑。豆包工作的好处是「你看不到的文档，AI 也看不到」，安全边界清晰；但反过来，如果你在飞书里本来就有权限访问大量学生相关文档，AI 也同样能访问。

场景适配度

表：高校心理健康场景适配度

一个务实的建议：不要二选一，而是按场景分工。用 WorkBuddy 处理本地敏感文件的整理和分析，用豆包工作处理飞书生态内的协作和文档生产。两者各司其职，比把所有工作压在一个平台上更安全。

四、部署六步法：从「能用」到「敢用」

工具变安全了，不代表使用就安全了。部署的核心不是安装软件，而是建立边界。

从 3 月的「龙虾部署指南」到现在，部署的底层逻辑没有变——零信任、零敏感数据、最小权限。但具体操作已经简化了很多。下面六步，不管你选 WorkBuddy 还是豆包工作，都可以直接对照执行。

第一步：合规检查——先看学校的「红绿灯」

在安装任何 AI 工具之前，先查学校的规定：查阅学校信息办／网络中心发布的《AI 工具使用规范》《网络安全管理办法》；确认是否有关于 AI Agent／智能体的专门通知或禁用清单；确认心理健康工作是否被列入「高风险数据场景」。

· 红灯（明文禁用或要求「非必要不使用」）→ 不要自行部署，转向申请使用学校采购的正规平台，或以科研测试名义走审批流程。

· 黄灯（无明确禁令，但强调「谁使用谁负责」）→ 向信息中心／分管领导提交《AI 工具试用申请》，明确承诺「不接触敏感数据、仅在授权范围使用」。

· 绿灯（鼓励信息化探索）→ 按以下步骤执行高等级安全配置。

注意：很多校规已从「禁用 OpenClaw」演化成「禁用一切高权限 AI 智能体／严禁处理学生敏感信息」。

第二步：环境选择——本地、云端还是私有化

3 月部署 OpenClaw 时，我们强烈建议「不要在办公电脑上直接安装，必须用独立云服务器或虚拟机」。现在这个要求放松了，但不是消失了。

· 用 WorkBuddy：个人桌面版可以直接安装在办公电脑上，因为它本身就是本地执行＋沙箱隔离架构；但不要开放全盘访问权限，只用一个独立文件夹作为工作区；如果处理的文件敏感度较高，建议在虚拟机中运行，增加一层隔离。

· 用豆包工作：它是 SaaS 模式（或私有化部署），不需要本地安装复杂环境；核心安全前提是飞书的权限配置——确保你在飞书中的文档权限已经按最小权限原则设置好；如果学校有「数据不出校」要求，需要评估私有化部署方案的成本和 IT 承接能力。

唯一没有变过的一条红线：不管用哪个平台，绝对不要在存有学生心理档案原始数据的设备／账号上，让 AI 获得无限制的文件访问权限。

第三步：权限配置——最小权限原则

这一步最容易被忽略，但恰恰是安全的核心。

WorkBuddy 要点：工作空间只授权一个专用文件夹（比如「AI 工作区」），不要授权整个桌面或文档目录；定期检查并清理工作空间内的文件，避免敏感数据长期驻留；企业版可配置黑白名单，限制 Agent 可执行的操作类型；关注「高危操作拦截」功能是否开启，不要为了「方便」而关闭。

豆包工作要点： AI 能看到的 = 你能看到的，所以先把你自己的飞书权限管好；对含学生信息的飞书文档／表格，确认是否设置了正确的访问范围，避免 AI 在跨文档汇总时「顺带」读取到敏感信息；企业管理员可配置敏感字段自动脱敏规则（身份证号、手机号、学号等），建议开启；关注「额度管控」设置，避免单用户过度调用导致数据暴露面扩大。

任何平台都建议关闭或限制：自动访问无关目录；自动登录和代填账号；未经确认的浏览器操作；未审核的第三方插件、MCP 工具或扩展；对外自动发送邮件、消息、表单；直接修改源数据或正式文件。

权限不是给得越多越好，而是给得刚好够用最好。AI 工具的能力越强，权限收得越紧。AI 可以先当「实习生」，而不是「拥有万能权限的同事」。

第四步：数据分级与脱敏

先列任务，不先列工具。建议建立一张「任务—数据—权限」清单：

表：任务—数据—权限清单示例

这张表的价值在于：让「能不能用 AI」成为一个可执行的团队规则，而不是每位教师临时凭感觉判断。

脱敏操作 SOP：姓名→「学生 A」，学号 →「001」，学院专业模糊化，电话／身份证／住址绝对删除，同时删除「学院＋年级＋小众经历＋时间地点」这类可拼装识别的组合信息。

记住一句经验：心理健康工作90%的 AI 需求（写教案、做科普、整大纲）根本不需要真实学生数据。

另外，豆包工作等支持企业自定义敏感字段规则，AI 处理时会自动脱敏。但请注意——自动脱敏是辅助手段，不是免责理由。在输入之前，你自己先做一遍人工脱敏，永远是最可靠的。

第五步：场景落地——从低风险开始，逐步扩展

不要一上来就把最复杂的工作交给 AI。建议按风险等级，从低到高逐步试用：

· 第一阶段（低风险，立即可以做）：撰写心理健康教育推文、科普文章、讲座大纲；整理会议纪要、工作周报、活动总结；汇总公开的心理学资料、生成培训课件框架；润色行政公文、通知、申请材料。

· 第二阶段（中风险，脱敏后尝试）：对完全脱敏的个案进行理论视角的头脑风暴（仅作为参考，不能替代专业判断）；辅助设计团体辅导活动方案（不涉及具体学生信息）；整理去标识化的工作数据汇总。

· 第三阶段（高风险，不建议）：直接处理危机个案、做心理评估或诊断；让 AI 自动分析学生心理测评数据并生成预警；将 AI 输出直接用于学生干预决策。

每个阶段开始前，先问自己三个问题：这个任务真的需要 AI 吗？如果 AI 出错了，后果是什么？我有没有能力审核 AI 的输出？三个问题都有明确答案，再开始用。

同时把「人审」写进工作流。心理健康工作中，AI 最适合做的是资料整理、表达优化、结构化起草；最不适合被赋予的，是专业判断和危机处置责任。建议所有对外材料都经过「三看」：

· 看事实：政策、数据、参考文献是否真实。

· 看表达：是否造成标签化、污名化或不当心理暗示。

· 看边界：是否把心理教育写成诊断、治疗或危机研判。

尤其涉及自伤、自杀、创伤、精神障碍、未成年人等主题时，AI 可以辅助起草科普内容，但不能替代专业评估，更不能根据一段文字给学生贴风险标签。

第六步：运维与应急——遇到问题怎么办

安全不是一次性配置，而是持续维护。

日常运维：每周清理 AI 工具的工作空间／对话记录，避免数据累积；定期检查权限配置是否被意外更改（比如软件更新后重置了设置）；关注平台的安全公告和版本更新，及时升级；保留重要任务的操作记录，便于追溯。

应急响应（发现异常时立即执行）：断网／停服→ 留证（截图异常界面、导出日志文件，不要急着删除）→ 评估影响（判断是否涉及学生敏感信息泄露）→ 上报（按学校网络安全事件流程报信息中心和分管领导）→ 复盘（事件处理完后，复盘哪个环节出了问题，调整使用规范）。

这一步和 3 月的「龙虾应急预案」几乎一样。原因很简单：应急响应的逻辑不随工具变化而变化。不管用什么，出现问题的第一步永远是「断、停、留、报」。

此外建议每月复盘一次：本月 AI 完成了哪些任务？哪些材料曾被上传或接入？是否发生过误传、误授权、错误输出？哪些任务应调整到更低权限环境？哪些模板值得固化为团队标准？是否需要关闭某个工具、插件或知识库权限？

五、三个高价值起步场景

如果还不知道从哪里开始，可以先从这三个低风险、高回报的场景进入。

场景 1　心理健康活动方案助手

输入公开的活动主题、目标人群、预算区间和时间安排，让 AI 先输出活动流程、宣传节奏、物料清单与风险提示。

提示词示例：请以「新生适应与同伴支持」为主题，设计一份面向本科新生的心理健康月活动方案。包含活动目标、3 个互动环节、宣传文案方向、场地与人员清单、风险提示。避免医疗化和标签化表达，不虚构数据或政策依据。

场景 2　课程材料与科普内容编辑

把已经审核过的提纲交给 AI，生成不同长度和不同渠道的版本：公众号长文、海报短句、班级群通知、课程 PPT 大纲。要坚持一个原则：AI 负责变形与提速，教师负责观点与审核。

场景 3　匿名反馈的主题归纳

将经过严格处理的、不能反向识别个体的活动反馈交给 AI，辅助归纳高频主题和改进建议。不要把原始问卷、开放性个案叙述或含身份线索的截图直接上传。先由人工完成数据分级和必要处理，再让 AI 做辅助归类。

六、三个最容易踩的坑

误区一：「大厂产品绝对安全，随便用就行」

这是最常见的误解。WorkBuddy 和豆包工作确实比 OpenClaw 安全得多，但「平台安全」不等于「使用安全」。平台的安全架构解决的是「技术层面的数据不泄露」，但它解决不了「用户主动把敏感数据喂给 AI」这个问题。

如果你把一份含学生姓名和测评结果的 Excel 拖进 WorkBuddy 的工作区，哪怕它是本地执行、沙箱隔离，这份数据也已经进入了 AI 的处理范围。

安全是一个系统，不是一个产品。平台的安全机制是底座，你的使用习惯才是决定因素。

误区二：「AI 能帮我处理所有工作」

AI 工作台的能力确实很强——写文档、做表格、画 PPT、生成图片、操作浏览器，看起来无所不能。但心理健康工作有它的专业性和伦理边界。AI 可以帮你写科普文案、整理会议纪要、生成讲座大纲，但它不能：替代你做心理评估和诊断；直接处理危机个案；对学生的心理健康状况做出结论性判断；替代咨询关系中的人际互动。

3 月我们说「AI 只能作为辅助工具，不能替代专业判断」，这句话到今天依然成立。工具变了，专业边界没有变。

误区三：「飞书权限已经很严了，不用额外管」

豆包工作的权限继承机制确实是一个安全优势——「你看不到的，AI 也看不到」。但反过来想：如果你在飞书里本来就有权限访问心理中心的所有文档，那 AI 也同样能访问。

更需要警惕的是「跨文档汇总」场景。比如你让 AI「帮我汇总一下本学期的工作情况」，它可能会自动读取你有权限的所有相关文档，其中可能包含你原本没打算让它处理的敏感信息。

每次给指令前先想一下：这个任务会让 AI 读取哪些文档？其中有没有我不希望它碰的？如果有，先把那些文档的权限调整好，或者明确限定 AI 的读取范围。

七、小结

从 3 月到 8 月，五个月时间，AI 工具的安全环境发生了很大变化。OpenClaw 从「被高校集体禁用的高危工具」变成了「持续安全硬化的开源项目」；大厂的 AI 工作台从无到有，把企业级安全能力变成了普通用户也能用上的产品。

对高校心理健康教师来说，这是好事——我们终于不用在「用 AI」和「保安全」之间做非此即彼的选择了。

但有些东西没有变。学生隐私和专业伦理，依然是不可逾越的底线。不管工具多安全、多智能，只要涉及学生的敏感信息，就必须慎之又慎。AI 可以提高你的工作效率，但不能降低你的职业标准。

如果你正在考虑部署 AI 工作台，建议是：从一个低风险场景开始，用一个独立的工作区，严格遵守数据分级，逐步建立使用习惯。不要追求一步到位，也不要因为害怕风险而完全拒绝——在这个 AI 快速渗透各行各业的时代，心理健康工作者需要的不是「不用 AI」，而是「安全、明智地用 AI」。

五个月前，我们问的是「龙虾能不能用」。五个月后，更值得问的问题是：「在 AI 已经成为基础设施的时代，心理健康工作者如何守住自己的专业边界？」