用WorkBuddy搭建个人AI工作台：Skill、MCP与本地化部署实战

先说个背景我手里其实攒了一堆AI工具聊天用A、写代码用B、处理文档用C、跑自动化再用D平时还好一但遇到一个需要串联多步骤的活儿就得反复切换窗口、复制上下文、改SOP非常消耗耐心。后面我把它们全部收编进WorkBuddy花了大概一个周末搭出了一个真正适合自己的个人AI工作台。现在日常写稿、整理资料、做小工具、写代码初稿全都在这一个台子里完成。这篇就来聊聊我的搭建思路、Skill的使用方法、和CodeBuddy的对比以及我踩过的一些坑。我没有按官方手册一路照抄因为WorkBuddy这东西灵活度太高不同人搭出来的工作台完全是两个东西。我更愿意把它理解成一个“能自己长积木的AI任务调度中心”你给它配置规则、给它写Skill、给它接外部工具它就慢慢从一个聊天机器人变成你的专属助理。下面按我实际操作时的顺序来写。1. 为什么要把AI工具统一成工作台而不是继续开一堆网页1.1 分散工具的麻烦远不只是切换成本先说一个具体场景。以前我承接一个小型站点需求大概要经历这些步骤先在聊天工具里让模型生成页面结构把结果复制到编辑器里微调接着又开另一个工具让AI写交互脚本再然后我手动把零散文件整理到一个目录里自己写一个简单的启动脚本最后还要重新打开AI确认部署路径和资源引用有没有写错。整个过程下来真正花在“让AI干活”上的时间不到一半另一半全耗在搬运上下文和维持一致性上。WorkBuddy解决的第一件事就是把“模型交互”和“任务管理”放到同一个界面上。它不止是一个聊天框它同时管理你的多个模型入口让你可以在对话里来回切换同时把每个对话挂载到具体项目上下文。换句话说它不再只回答你“这句话怎么理解”而是能站在“当前项目、当前目录、当前规则”的角度去响应你。1.2 WorkBuddy准确说是个什么我习惯这样描述它它像一个跑在本地的工作流操作系统。底层可以接入不同的模型服务中层提供对话、Skill、记忆、插件、任务流转这些能力上层则由你自己通过规则和Skill来定义。它不像传统工具那样把功能固定死而是给了一堆“半成品模块”让你自己去拼。跟一个普通聊天助手最直观的区别是普通助手只有“你问我答”而WorkBuddy有“项目上下文”。你可以给每个任务建一个工作区把相关文件、说明、规则、历史决策都放进去。后续我在工作区里问任何问题它都会默认结合这些资料回答而不是每次都从零开始。1.3 搭建前我先想清楚了这几个问题在动手之前我给自己列了几个很明确的问题也建议你先想清楚再动手我主要用AI做什么类型的事写文章、写代码、处理数据、还是自动化任务我更需要云端的强模型还是本地隐私优先的模型或者二者都要我有没有高频重复、值得固化成Skill的操作我希不希望AI能记住我的长期偏好和项目背景这四个问题直接决定后续怎么配置。我的答案是多模型都要、写文章和写代码为主、有大量重复素材处理操作、希望AI记住我的输出风格。基于这个结论我选了WorkBuddy而不是单纯一个聊天工具也就顺理成章了。2. 安装和基础配置先把台子搭起来2.1 版本选择Windows、Linux、还是网页版WorkBuddy常见的有桌面客户端和网页版桌面端又分Windows、Linux/Ubuntu、macOS等不同安装包。如果你的主要设备是Windows直接下Windows版没什么好纠结的如果像我一样有跑Ubuntu服务器或者开发机最好确认一下你要的是Linux版本而不是强行用网页版绕。这里有一个很关键的取舍网页版胜在零安装、随处可用但它受网络环境影响比较大而且不方便做本地目录级别的文件读取。本地化部署则刚好反过来它能直接访问你电脑里的文件系统配合本地模型还可以离线完成不少任务隐私性和可控性都更强。我的选择是主力电脑用桌面端服务器上跑Linux版本作为长期任务执行节点。2.2 安装完成后我建议你做的第一件事改缓存目录很多人装完直接开始聊天然后用着用着发现C盘空间莫名其妙少了几个G。WorkBuddy会缓存模型响应、知识索引、临时文件默认缓存目录一般落在系统盘。如果你电脑的C盘是固态硬盘而且空间紧张我强烈建议尽早把缓存目录换到D盘或者别的数据盘。我当时遇到的就是“workbuddy 系统缓存目录能改到d盘吗”这个热门问题。操作路径大概是打开设置里的存储相关页面找到缓存目录或数据目录手动改成D盘下专门建的一个文件夹比如D:\WorkBuddyCache然后重启应用。改完之后模型索引不需要重新下载的它会继续沿用已有数据只是新数据写到了新位置。注意如果改之前你正在跑长任务最好等任务结束再动否则容易中断。2.3 接入模型多入口共存才有工作台的感觉WorkBuddy本身不带模型能力它需要你配置模型服务。这也是它“工作台”属性的来源之一你可以同时配多家模型而不是被捆在某一家里。配置入口一般在“模型设置”里需要填服务地址、API Key、模型名称这些信息。如果你用的是云端模型那就填官方接口地址如果你在本地跑了一个推理服务地址就填本地服务的地址。实测下来建议至少配两个模型一个能力全面、适合处理复杂任务的“主力模型”一个轻快便宜、适合日常整理分类的“快速模型”。接入完成后我建议你先跑一个最普通的测试问题确认能不能正常返回。然后再试着在同一对话里切换到另一个模型看看是否有明显的卡顿或历史丢失。WorkBuddy的对话应该是跟随上下文切换模型的如果发现切模型后语境断掉大概率是模型配置里上下文长度相关参数没设置好。3. 理解Skill机制把重复劳动变成可复用能力3.1 Skill到底是什么别把它想得太玄Skill是WorkBuddy里比较核心也最容易让新手懵的概念。我一开始以为它是一种“插件”后来发现比插件更轻。你可以把它理解成“一个带输入输出定义的提示词模板加处理流程”。举个例子。我经常需要把一篇长文章改写成结构化要点没有Skill的时候我每次都要写一遍“请把下面文章拆成几个板块提炼核心观点每个观点配一句说明用列表返回”。写了十几次之后我把这个要求存成一个Skill起名叫“文章转结构化笔记”以后再遇到同样需求我只需要输入文章内容并指明套用这个Skill它就会按我之前定义好的规则处理。3.2 从零写一个最简单的Skill创建Skill的入口不复杂一般是在Skill管理页面点新建然后填名称、描述、以及核心提示词。我用的是类似下面这种格式名称: 文章转结构化笔记 描述: 将输入的长文章或网页正文转换为结构化要点笔记 适合场景: 阅读笔记、素材整理、内容拆解 规则: 1. 先识别文章主题一句话概括不超过30字 2. 拆解出3到6个核心观点 3. 每个观点下补充1到2条支撑细节 4. 输出格式: 主题/观点/细节 三级列表 5. 保留原文中的关键数据但不直接粘贴长段落写完之后试着调用一次你会发现效果并不是每次都完美需要不断调整规则措辞。Skill是一种“越调越好用”的东西关键是你愿不愿意花时间沉淀。3.3 给WorkBuddy定几条规则对后续所有任务都生效热搜词里有句话很有意思“给workbuddy定几条规则后续对所有任务都生效”。这就是全局指令属于最提升幸福感的配置之一。我建议每个人都设置不用多三五条就行。我把自己的全局规则写成了这样1. 所有回复默认使用中文 2. 当问题存在不确定性时明确标注“此处不确定” 3. 涉及代码时优先给出可直接运行的完整示例 4. 回答内容超过1000字时自动生成小节标题 5. 禁止在回答中堆砌空话直奔结论设置之后我所有对话和Skill任务都会自动带上这些规则。这样省掉了每次反复交代的麻烦。如果你发现某条规则在某些场景下反而碍事可以把它做成分场景规则只绑定特定工作区或特定Skill而不是全局限定。3.4 跨对话记忆Skill让工作台拥有“长期记忆”WorkBuddy的普通对话记忆通常是有窗口限制的关掉对话再开新对话它可能就忘了之前的背景。但如果只是记忆丢失很多东西要重新解释一遍很烦。我采用的方法是建立了一个“长期项目记忆”Skill核心逻辑是把当前项目的重要背景、偏好、已定决策写到一个固定文件里并在新对话开始时主动加载。你完全可以把这个文件理解成AI的“外置大脑”。以我为例我给自己建了一个memory.md文件里面分段记录了我的写作风格、颜色偏好、常用技术栈、读者定位等信息。# 项目长期记忆 - 技术栈: Python, FastAPI, Vue - 写作风格: 口语化、少用被动语态、多用实际例子 - 常用数据库: SQLite - 用户偏好: 优先使用本地模型处理隐私数据 - 当前进行中: 博客系统的AI辅助写作模块然后在WorkBuddy里设置一个“跨对话记忆Skill”每次新建对话时先调用它读这个文件再开始正式任务。这样哪怕对话断了重新开一个窗口AI也还能记住我是谁、我要什么、我用什么工具。这个做法不只适用于WorkBuddy任何支持文件管理和自定义指令的AI工具都能迁过去。4. 把工作台串起来MCP、插件和一条完整的任务流4.1 为什么任务流要比单次对话更接近“工作台”如果你只是把WorkBuddy当成一个加强版聊天框那其实没发挥它的最大价值。工作台的意思是一个任务从一个想法开始经过分析、生成、校验、发布几个环节你希望AI能在不同环节承担不同角色并且尽可能自动化地流转。我实际操作中的标准工作流大致是这样接收一个模糊需求比如“写一个带搜索功能的静态博客”先让AI根据项目记忆里的技术栈给出技术方案确定方案以后让它生成项目目录结构和关键代码用一个本地命令类的插件自动创建目录、写入文件启动本地服务在浏览器里预览结果确认没问题后把文件统一打包到指定发布目录4.2 用MCP的思路扩展现有工具链WorkBuddy支持MCP模型上下文协议扩展。MCP做的事情本质上就是让AI能调用外部工具比如读取本地文件、执行命令行、查数据库、操作浏览器。这是一个行业通用的技术思路并不是WorkBuddy独有但它让“AI工作台”真正长出了手脚。我接入的第一个MCP服务是“文件操作”这让AI可以直接读写我指定目录下的文件不再只是给我一段需要手动粘贴的代码。第二个比较常用的是“命令执行”但它有点危险我给它做了严格的白名单限制只允许执行列入白名单的命令行程序。第三个是浏览器操作主要用于自动访问内部文档页面并提取内容。接MCP时的几个心得先小范围试不要一上来就开放全部权限注意保护自己的API凭据不要把密钥写在Skill描述里每次接完服务重启一下WorkBuddy让它重新加载工具列表4.3 生成网站并发布从对话到文件的完整案例网上有人搜“workbuddy怎么生成网站发布”我也做过这个事。以我搭过的一个小型静态站点为例我先在WorkBuddy里建了一个工作区放入了站点标题、栏目规划、目标读者说明。然后告诉它“使用默认技术栈生成一个简单博客站点结构”它会输出一个包含首页、文章列表页、详情页、搜索框的目录结构。之后我通过文件操作MCP让它直接把生成的文件写到本地目录再调用命令MCP执行构建命令。整个过程里我没有手动复制过一段代码只做了两次检查确认。发布环节我建议用静态站点方式因为生成的就是纯HTML/CSS/JS文件后续发布很简单。把输出目录指向你已有的站点目录跑完流程就能看到结果。这种方式很推荐尝试但第一次建议选一个不重要的站点练手别直接拿生产项目来试。4.4 积分到底怎么理解配额成本的运营视角WorkBuddy有些功能会消耗积分不同操作费率不同。我个人的理解是积分就是你在使用云端能力时的“运营成本度量”。如果你发现积分消耗很快优先检查这几个地方是不是大部分对话都走了昂贵的主力模型是不是没有合理利用缓存机制是不是每天在重复跑同样的长文本处理任务。我用积分之前很随意后来才意识到应该把“便宜快速模型”作为默认入口只在真正需要高质量输出时才手动切换到主力模型。还有一个技巧简单任务尽量直接问不要给过多的上下文因为上下文越长消耗往往越大。如果你介意积分最有效的办法就是本地化部署。WorkBuddy本地化部署配合本地模型很多任务根本不会消耗积分运行速度和隐私性也都更好。5. WorkBuddy和CodeBuddy怎么选别再被名字搞晕5.1 两者定位差异在哪里因为名字风格太像很多人搞不清WorkBuddy和CodeBuddy的关系。我自己用过之后的感受是WorkBuddy偏“全能任务处理工作台”更强调管理整个工作任务流而CodeBuddy更聚焦“代码场景”更像一个深度的编程助手伴侣。打个不太严谨的比方WorkBuddy像一间多功能工作室你可以在里面写方案、做设计、整理文件、跑流程CodeBuddy更像工作室里那张专门焊电路的工作台工具更专精但适用范围也更聚焦。这不是谁替代谁的问题而是你到底需要“一个综合台子”还是“一把高级螺丝刀”。5.2 核心差异对照对比维度WorkBuddyCodeBuddy核心场景综合任务、内容处理、跨领域工作流编码、调试、代码库理解上下文机制工作区、项目记忆、跨对话记忆仓库级上下文扩展方式Skill、MCP、插件、自定义指令聚焦代码工具链适合什么人内容创作者、效率控、多面手程序员、技术团队本地化程度支持本地部署和本地模型视具体方案而定5.3 我为什么留在WorkBuddy而没有切到CodeBuddy我平时也写代码但更多是“用代码解决实际小问题”并不是整天在大型工程里摸爬。CodeBuddy的很多深度代码能力对我来说过重了反而是WorkBuddy这种能在文章、数据、代码、发布之间自由切换的感觉更贴近我真实的工作方式。如果你本身就是写代码的且80%的工作都围绕一个代码仓库转那CodeBuddy方向可能更合适。如果你像我一样30%写文字、30%整理资料、20%写小脚本、20%做点自动化那WorkBuddy的搭法会让你舒服很多。当然这两者并不冲突也有人两个都装一个管“项目杂务”一个管“代码深挖”。6. 真实使用中的坑和调优记录6.1 缓存目录迁移的完整排查链路前面说过迁移缓存目录但实际的坑不止迁移本身。我一开始只是改了配置里的路径结果第二天发现有些历史任务记录不见了。排查后发现原因WorkBuddy的“缓存目录”和“数据目录”在我用的版本里是两个概念我只改了缓存数据索引还在原路径重启之后新任务看不到旧索引。正确的做法是在设置里把数据目录和缓存目录一起迁迁之前先查看数据目录占用大小建议用官方或手动方式整体移动而不是只改路径字段。我最后的做法是退出应用把整个数据文件夹移动到D盘对应目录再在配置里更新路径最后重启验证历史记录正常。如果你也遇到类似问题先别急着删除任何目录先定位设置里到底有几处路径。6.2 Linux和Ubuntu下安装最容易栽的跟头WorkBuddy的Linux版本在纯服务器环境下装起来比较考验耐心。我第一次装在Ubuntu上缺少几个运行时库界面起不来。后来查日志才发现是缺了必要的依赖安装补齐之后才正常启动。如果你要在Linux上跑我有几个经验不要用系统自带的旧版运行时环境按官方要求装指定版本启动时用命令行方式看日志报错比界面更加直观没有图形界面的服务器要确认是否需要安装无头模式而不是直接启动图形客户端跑长时间任务时用服务方式运行比开一个终端挂在那里更稳6.3 上下文太长、记忆文件膨胀性能突然变慢用跨对话记忆时间长了之后我的记忆文件越写越长导致每次新对话加载时都很慢而且AI容易被大量旧信息带偏回复质量反而下降。这个问题的根源是我什么琐碎事情都往里写缺乏整理。解决办法是定期给记忆文件“瘦身”只保留真正长期有效的偏好和项目核心上下文。我把记忆文件分成了“固定偏好”和“临时项目记录”两个区块固定偏好基本不改临时记录每完成一个阶段性任务就清空一次。这样既能保持记忆连续性又不会让上下文臃肿到影响效果。6.4 Skill不生效怎么办重启和调试思路有一段时间我新写的Skill总是不生效调用的时候AI完全像是没看到规则。排查下来发现是Skill没有重新加载。WorkBuddy里改完Skill通常要重新加载甚至重启应用才生效。以后遇到Skill不生效很省时间的检查顺序是先确认Skill是否已在当前工作区启用确认调用名字是否写错在对话里直接问“当前可用Skill有哪些”看它能不能识别出来重启WorkBuddy后再试一次另外Skill的描述写得太模糊也容易不生效。AI是根据描述来决定何时调用Skill的如果描述和实际需求关联不上它可能根本不会触发。我后来养成的习惯是把“什么时候用、怎么用、期望输出什么”三件事全都写进描述里调用成功率大幅提升。最后聊几点我的真实体会搭建个人AI工作台这件事最重要的不是安装配置本身而是沉淀自己的Skill和规则。我花在写规则上的时间可能比实际使用时间还多但这些沉淀让我后续每个任务都快了很多。如果你刚开始用WorkBuddy我的建议是先别追求功能大全只做三件事改好缓存目录、写三条自己的全局规则、固化一个你每天都在重复的操作。把这三件事做好工作台的感觉马上就出来了。想更进一步的话再去碰MCP插件和本地化部署。本地化部署确实能让你更踏实尤其是处理不想外传的资料时本地模型加本地文件系统带来的独立感是纯云端方案很难给的。用WorkBuddy搭建工作台本质上不是学会某个软件而是花时间整理清楚你做事情的流程只不过AI把这些流程从“脑子里想想”变成了“可复现、可执行、可积累”的日常操作。