搜索[WorkBuddy]结果-低调大师优秀个人博客

精选列表

搜索[WorkBuddy]，共4351篇文章

#WorkBuddy# 我用AI搭了条闲鱼无货源半自动流水线：从1688选品到发货填单

# #WorkBuddy# 我用AI搭了条闲鱼无货源半自动流水线：从1688选品到发货填单 ## 先交代背景前面聊过我用 WorkBuddy 把门店日报和订单系统都搭起来了，那都是"守成"——把已有的生意管得更顺

2026-10-23

#WorkBuddy# 一句话批量处理照片：压缩、加水印、按日期重命名，12 张只用 1.5 秒

## 这次换个做法：一句话交给 WorkBuddy 我把这件事丢给 WorkBuddy，它自己扫描目录、写处理脚本、执行、回报变更清单。全程我只说了两句话：一句需求，一句“确认执行”。

2026-10-22

用 WorkBuddy 智能体把成果清单与真实目录树做成双向校验

用 WorkBuddy 智能体把成果清单与真实目录树做成双向校验成果体系的全貌——14 类成果、齐套四件、双轨两稿——是另一件事，这里不展开。这一篇只切其中一个角度：**对账**。

2026-10-21

【征文】#WorkBuddy# 我把 9 个重复工作流封装成了可复用技能，从此不再重复提需求

## 一、先说我遇到的麻烦用 AI 干活，最累的不是活儿本身，是**重复描述同一件事**。比如我每周要出一版数据复盘，每次都得从头说一遍：数据在哪、口径怎么定、表格怎么分列、结论要几段。第一次说清楚了，第二周还得再说一遍——因为对话历史不认人，换个新会话它就全忘了。我统计了一下自己重复做过的事：视频脚本→分镜→配音的流程、表格批量清洗、文档结构整理、定时生成日报……一共 **9 件**，每件平均每次要花 3–5 分钟写需求。一个礼拜光"提需求"就要耗掉小半天。后来我把这 9 件事全部封装成了 Skill（技能包）。现在的效果是：**一句话触发，剩下的它自己跑**。这篇文章把封装方法、判断"该不该封装"的标准、以及我踩的坑，一次说清。 ## 二、结论先行不是所有重复的事都值得封装。我自己的判断标准只有一条： > **同一件事，一个月内会做 3 次以上，且输入输出的格式固定 —— 才封装。** 低于这个频率，封装成本高于收益；格式不固定，封装出来的技能会反复跑偏，比不封装更烦。 ## 三、第一步：判断该不该封装（我踩的第一个坑）我最早的做法是"觉得会重复就封装"，结果 36 个技能里，真正高频用的不到 10 个，剩下的是**伪需求**——做的时候很爽，做完一次没再用过。后来我给自己列了三道判断： |检查项|不通过怎么办| | --- | --- | |一个月内做 ≥3 次？|不做，手动提需求即可| |输入材料格式固定（固定字段的表格 / 固定结构的文档）？|先做标准化，再封装| |产出物可验收（能一眼看出对错）？|不做，无法验收 = 无法迭代| ## 四、第二步：一个 Skill 的标准结构我现在的封装模板就四块，缺一块就会出问题： ``` skills/技能名/ ├── SKILL.md # 核心：做什么、什么时候用、什么时候别用 ├── references/ # 该领域的规范、术语表、示例 ├── scripts/ # 需要确定性执行的脚本（Python/Shell） └── assets/ # 模板文件（输出骨架、样式） ``` `SKILL.md` 是唯一必须有的文件，开头写元信息： ``` --- name: 技能名 description: 一句话说清这个技能干什么，以及什么时候该用它 --- ``` **`description**`** 是整个封装里最值钱的一行。** 它被模型用来判断"该不该加载这个技能"。我最初的写法是"用于处理数据"，结果它什么任务都想插一脚；改成"当用户需要清洗带合并单元格的 Excel 报表并输出为标准一维表时使用"，误触发立刻少了。 ## 五、第三步：写"什么时候不用"（第二个坑）这一步是我后加的，加完质量提升最明显。在 `SKILL.md` 里明确写一段「不适用场景」，例如： ``` ## 什么时候不要用 - 数据行数 < 50 行时，直接让 AI 处理即可，不必走清洗流程 - 源文件为图片扫描件时，本技能不适用（需先做 OCR） - 涉及金额、合同、人员信息的最终确认，本技能只出初稿，必须人工复核 ``` 作用有两个：减少误触发；更重要的是**把人工复核的位置固定下来**——哪些环节不能交给它，写清楚比事后记住靠谱。 ## 六、第四步：区分"提示词型"和"工程型" 我那 9 个技能里，8 个是提示词型，1 个是工程型。这两类的封装思路完全不同： |类型|本质|封装重点|风险| | --- | --- | --- | --- | |提示词型|一段结构化提示词|触发词、输入输出格式、边界|低（不执行代码）| |工程型|含可执行脚本|参数校验、错误处理、权限边界|高（会真跑代码）| 工程型技能安装前必须过一遍安全审查：看它读写哪些路径、有没有网络请求、有没有删除操作。**提示词型可以放心装，工程型不行。** ## 七、实测数据【待本人实测补充，发布前填，不要编造】 |项目|封装前|封装后| | --- | --- | --- | |单次需求描述耗时|待实测补充|待补| |单次任务积分消耗|待实测补充|待补| |输出一致性（10 次抽样偏差）|待实测补充|待补| ## 八、踩坑与边界 1. **技能不是越多越好。** 技能多了，模型选择成本上升，反而容易选错。我现在的原则是控制在 15 个以内，重复的合并。 1. **`description**`** 写得太宽会误触发。** 宁可窄一点，窄了可以手动召唤，宽了会到处乱插。 1. **别把"需要你判断"的活封装进去。** 需要临场判断的环节，封装后会变成固定动作，遇到新情况就翻车。 1. **工程型技能要留日志。** 没有执行日志，出错时无法回溯，等于盲跑。 1. **定期清库存。** 我每季度清一次，三个月没触发过的直接归档，不做情感留念。 ## 九、小结封装 Skill 的本质，是把"每次都要重新说的需求"变成"一次说清、以后一句话调用"。判断标准很简单：一个月 3 次以上、格式固定、产出可验收。满足就封装，不满足就别折腾。省下来的不是时间，是注意力——不用再每周重复解释同一件事，这个收益比省几分钟大得多。

2026-10-20

#WorkBuddy# 一个具身智能产品经理的 AI 办公实战：PPT、标书、日报的提效流水线

用上 WorkBuddy 之后，我把其中重复劳动的部分拆成了一条"半自动流水线"，这篇文章把具体做法和踩过的坑完整分享出来。

2026-10-19

WorkBuddy 部署复盘：一次发布把线上 11 条数据打回 6 条，根因是整目录上传

项目为本机自建的 WorkBuddy 工作台云端服务（Python 标准库，无第三方依赖）。

2026-10-19

用 WorkBuddy 把本地知识库管理自动化：从零散笔记到三层架构（Obsidian 实战）

这篇文章分享我是怎么用 **WorkBuddy（腾讯的 AI 工作台）** 把这套本地知识库管理"半自动化"起来的——不靠插件魔法，核心是一套**三层目录架构 + 几个 Python 自检脚本**，而

2026-10-16

WorkBuddy 个人版模型怎么配？三档选档、思考强度与上下文窗口，看这一篇

**摘要：** WorkBuddy 个人版在模型选择器提供快速、均衡、极致三档模式，也可单独指定 16 个内置大模型，二者二选一。三档按任务复杂度分工，思考强度与上下文窗口保持默认即可覆盖日常所需。

2026-10-16

#WorkBuddy# 942.5 MB 到底被谁吃掉了？我用“三层归因”把清理召回率从 34.82% 拉到 100%

2026-10-16

我给 WorkBuddy 装了个"闹钟"：每天 0 点自动领 100 积分，一个月 3000 分雷打不动

# 我给 WorkBuddy 装了个"闹钟"：每天 0 点自动领 100 积分，一个月 3000 分雷打不动 !

2026-10-15

#WorkBuddy# 前端一改版，自动化全线失效：我是怎么重新摸出一条上传链路的

# #WorkBuddy# 前端一改版，自动化全线失效：我是怎么重新摸出一条上传链路的 !

2026-10-14

#WorkBuddy# 多个 AI 会话抢一台电脑：浏览器实例端口的"查名+探测"防冲突实践

# #WorkBuddy# 多个 AI 会话抢一台电脑：浏览器实例端口的"查名+探测"防冲突实践 !

2026-10-14

WorkBuddy 限免模型怎么选：Hy3 写轻活、Hy4 preview 跑夜间、Step-5 攻复杂任务

## **摘要**： WorkBuddy 眼下同时跑着三款限免模型——Hy3 全天免费、Hy4 preview 夜间免费、Step-5-Preview 独家免费到 10 月 25 日。

2026-10-13

#WorkBuddy# 数据分析师实战：把数据清洗到模型部署的脏活累活全交给 AI 工作台

WorkBuddy 这类 AI 工作台出现后，这部分完全可以让 AI 代劳。下面是我实际验证过的 4 个提效场景。

2026-10-12

阶跃星辰 Step 5 Preview 上线 WorkBuddy：10月12日—25日独家限免，6000亿参数模型免费用

## **摘要**：阶跃星辰 Step 5 Preview 已上线 WorkBuddy，10 月 12 日至 10 月 25 日独家限免，为期两周。

2026-10-12

#WorkBuddy# 让 AI 电脑开机自带 Alt+A 截图热键：AutoHotkey v2 全过程实录（含 #Persistent 剧毒坑）

#WorkBuddy# 让 AI 电脑开机自带 Alt+A 截图热键：AutoHotkey v2 全过程实录（含 #Persistent 剧毒坑） ## 目标微信截图的 Alt+A 好用，但每次要先开微信

2026-10-12

#WorkBuddy# 语音口述店铺别名 ≠ 店铺真名：我如何用 AI 建了一套口述词库，指挥错了 0 次

#WorkBuddy# 语音口述店铺别名 ≠ 店铺真名：我如何用 AI 建了一套口述词库，指挥错了 0 次 ## 问题我管理 17 家京东小店，日常用语音指挥 AI 干活。

2026-10-12

WorkBuddy和麦当劳，欢迎你来程序员创意开发大赛，赢50次巨无霸免费兑换券和10240积分！

> 腾讯 WorkBuddy 和麦当劳邀请你参加「麦当劳程序员创意开发大赛」。 > 从梳理需求、编写代码到调试完善，使用 WorkBuddy 开发，让你的脑洞变成实用又好玩的作品！

2026-10-10

【征文】#WorkBuddy# 五层验证解决痛点：交易员用 AI 判断期货趋势能否延续的完整框架

期货或者股票交易时大多数人亏在用一个信号做决策。本文应用AI回测给出一套可复用的五层验证框架，以及为什么每一层都不能省略——包括看起来最"没用"的那一层。 --- ## 一、先说结论 **任何单一技术指标都不能判断趋势是否延续。** 指标是描述性的，不是预测性的。均线告诉你价格在哪里，不告诉你价格会不会继续往那儿走。我用的框架是五层：**结构 → 位置 → 动量 → 资金 → 宏观**。结论成立的规则只有一条：**五层里至少四层同向，才算有效趋势；其中"结构层"是否决项，坏了就一票否决。** 这条规则的严格程度看着过头，但它是我 16 轮迭代压出来的。少一层，判断质量就掉一档。 --- ## 二、为什么必须是五层，而不是三层先说清楚一个常见的错误：把框架做成"结构 + 动量"两层就够用了。 **错在哪？** 动量指标（MACD、RSI）本质是价格的二阶导，它们描述的是**已经发生的事**。价格已经涨了，动量指标才会转强——你看到的永远是滞后确认。而交易要的是"接下来"。所以必须有独立于价格之外的信息层： - **资金层**（持仓量、席位）反映的是**分歧**，不是价格。增仓上涨 vs 减仓上涨，含义完全相反，但价格图上长得一模一样。 - **宏观层**决定的是**空间**，也就是这波能走多远，而不是能不能启动。这两层信息你在任何价格图上都看不到。缺了它们，你就是在用望远镜看月亮旁边有没有星星。 --- ## 三、五层逐层拆解 ### 第 1 层 · 结构：趋势的地基（否决项） **核心问题：长期均线还在不在它该在的位置？价格和它的关系变了吗？** 我用两条长期均线做多空分水岭。判据不是"金叉死叉"这种事件，而是**相对位置关系**： - 价格在中长期均线之上，且均线自身走平向上 → 多头结构 - 价格跌破，且均线转平向下 → 空头结构 **这一层是唯一的一票否决项。** 原因很直接：结构是所有其他信号的前提。价格已经跌破长期分水岭的时候，MACD 再漂亮、持仓量再配合，那都只是在下跌途中的反弹，不是趋势延续。 > 关键细节：**结构看相对位置，不看穿越。** 反复穿越均线的行情是最难赚钱的形态，因为它会让每个信号都在打脸。 --- ### 第 2 层 · 位置：现在贵不贵 **核心问题：价格距离长期均线有多远？** 这一层被严重低估，但它决定盈亏比，不是决定方向。单边趋势中，价格远离长期均线时，**小周期的反向信号质量最高**——因为均值回归的力量最大。反过来，价格紧贴均线时，任何反向信号都可能被轻易吃掉。举例：均线在 100，价格 130。此时出现一个小周期顶背离，做空的成功率远高于价格 102 时出现同样的背离。位置决定了信号的有效性。 **操作含义：同样的信号，不同位置，仓位该完全不同。** --- ### 第 3 层 · 动量：确认，不是预测 **核心问题：动量是在增强还是在衰减？** 这一层最容易用错。用MACD 金叉去买入场，本质是追一个已经发生的事实。正确用法是**二阶观察**：动量本身的斜率。价格创新高的同时动量走平，说明推动力在衰减——这是趋势可能转向的早期信号，比价格破位早得多。 **明确一点：动量层不产生入场信号，只产生减仓信号。** --- ### 第 4 层 · 资金：分歧的真实形状 **核心问题：这波行情是资金推动的，还是散户情绪堆出来的？** 这是五层里信息量最大、也是最难获取的一层。期货的好处是**持仓数据是公开的**。交易所每日公布前20 会员持仓排名，你能直接看到： - **增仓 + 上涨**：新资金进场推动，趋势健康 - **减仓 + 上涨**：空头离场推动，缺乏持续性 - **增仓 + 下跌**：同上，反向 - **减仓 + 下跌**：多头认输，可能接近底部 **日K线看不出这四种的区别，但它们的顶部和底部特征完全不同。** 具体用法：把会员持仓的净多空变化与价格对照。如果价格创新高而主力净持仓下降，说明推动力在从内部瓦解。还有一个关键动作：**区分主力合约切换**。持仓量在不同合约间迁移会制造出假的增仓减仓信号。必须锁定"持仓量最大"的那个合约，而不是成交量最大的——临近交割的合约成交枯竭却仍被标为主力，这个坑我踩过。 --- ### 第 5 层 · 宏观：决定空间 **核心问题：当前宏观象限是什么？这个象限允许涨多久？** 商品趋势的天花板由宏观定，而不是由图形定。至少需要区分四种象限：衰退前期、经济放缓、滞胀、复苏。**每个象限对应完全不同的商品表现**——比如衰退前期和滞胀下，同一个做多信号，成功率差异巨大。方法论上的硬要求：**宏观判断必须交叉验证**。单一研报的观点不构成判断依据。我的标准是至少 3–5 家机构研报，且**必须包含外媒来源**——只在国内研报里交叉，等于在同一个信息茧房里数人头。 --- ## 四、决策规则：否决优先于支持把五层组合起来，规则是这样的： **1. 结构层坏了 → 直接否决，无论其他四层多好** **2. 五层中同向 ≥ 4 层 → 趋势有效，按计划持有** **3. 同向仅 3 层 → 降级为观察，不开新仓** **4. 同向 ≤ 2 层 → 判定为震荡，反向信号才有效** 第4 条经常被忽略。在震荡象限里，**趋势跟随信号是噪声**，此时应该反过来用。但人很难做到——刚被套过一次之后，看见金叉就想追。 --- ## 五、AI 能不能替代这套判断？能，但只替代执行坦白讲，AI 在这套框架里的作用不是"判断"，而是**执行验证**。这些活手工做极其痛苦，但恰好是 AI 擅长的： - 批量拉取多品种历史数据，算出每层的量化指标 - 逐日交叉验证五层结论是否自洽，自动抓出矛盾项 - 监控切换条件——你定的每个判断成立/失效的阈值，让机器替你盯着 - 一次性跑完 16 轮回测，把结果和判决记进迭代日志 **AI 替代的是"算"和"记"，不是"判"。** 我自己的做法是把每一轮判断连同它的结论、否决理由、错误复盘一起存档。跑完十几轮之后回看，会发现**当初判错的那些次，错法是重复的**。这个模式只有机器帮你攒够样本才看得出来，人靠记忆是攒不出来的。 --- ## 六、三条最容易被违反的纪律框架设计得再好，执行时破坏它。以下三条是我见过最普遍的： **1. 不要因为一层对了就忽略另一层错了** 最常见的心理错误是"资金流入 + 价格新高，其他不重要了"。不是不重要，是不能替代。**五层是乘法不是加法**，任何一层为零，乘积就是零。 **2. 不要在震荡区间用趋势信号** 上面说过了。震荡区间的信号不是弱信号，是**反向**信号。 **3. 不要用单一指标做止损** 止损位应该基于**结构**（长期均线、关键支撑），而不是基于某个指标的超买超卖。指标超买可以继续超买，但价格跌破结构位就是真的破了。 --- ## 七、写在最后这套框架不新鲜——均线、资金、宏观，老手都在用。但它值钱的不是结论，是那三个字：**验证**。单层判断你已经会了。难的是在信息不全的时候，诚实地承认"现在只有两层支持，不该动手"。而这恰恰是 AI 最容易替你犯错的地方——它总能给出一个听起来完整的答案，哪怕证据只够三分。所以我的规矩是：**让 AI 跑验证和执行，但否决权留给结构层。** 那一层是最诚实的，它不会因为你想做多就假装均线还往上。 --- *框架是死的，判断是活的。如果你有不同的分层方式，或者在某一层上有更好的判据，欢迎在评论区讨论——尤其是第4 层资金数据的取用方法，我敢说市面上很多解读是错的。*

2026-10-10

我用WorkBuddy让它真正为我所用

——我用 WorkBuddy 让它真正"为我所用" 做项目管理的人手边几乎都有一本权威的项目管理专业指南。

2026-10-09

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

精选列表

#WorkBuddy# 我用AI搭了条闲鱼无货源半自动流水线：从1688选品到发货填单

#WorkBuddy# 一句话批量处理照片：压缩、加水印、按日期重命名，12 张只用 1.5 秒

用 WorkBuddy 智能体把成果清单与真实目录树做成双向校验

【征文】#WorkBuddy# 我把 9 个重复工作流封装成了可复用技能，从此不再重复提需求

#WorkBuddy# 一个具身智能产品经理的 AI 办公实战：PPT、标书、日报的提效流水线

WorkBuddy 部署复盘：一次发布把线上 11 条数据打回 6 条，根因是整目录上传

用 WorkBuddy 把本地知识库管理自动化：从零散笔记到三层架构（Obsidian 实战）

WorkBuddy 个人版模型怎么配？三档选档、思考强度与上下文窗口，看这一篇

#WorkBuddy# 942.5 MB 到底被谁吃掉了？我用“三层归因”把清理召回率从 34.82% 拉到 100%

我给 WorkBuddy 装了个"闹钟"：每天 0 点自动领 100 积分，一个月 3000 分雷打不动

#WorkBuddy# 前端一改版，自动化全线失效：我是怎么重新摸出一条上传链路的

#WorkBuddy# 多个 AI 会话抢一台电脑：浏览器实例端口的"查名+探测"防冲突实践

WorkBuddy 限免模型怎么选：Hy3 写轻活、Hy4 preview 跑夜间、Step-5 攻复杂任务

#WorkBuddy# 数据分析师实战：把数据清洗到模型部署的脏活累活全交给 AI 工作台

阶跃星辰 Step 5 Preview 上线 WorkBuddy：10月12日—25日独家限免，6000亿参数模型免费用

#WorkBuddy# 让 AI 电脑开机自带 Alt+A 截图热键：AutoHotkey v2 全过程实录（含 #Persistent 剧毒坑）

#WorkBuddy# 语音口述店铺别名 ≠ 店铺真名：我如何用 AI 建了一套口述词库，指挥错了 0 次

WorkBuddy和麦当劳，欢迎你来程序员创意开发大赛，赢50次巨无霸免费兑换券和10240积分！

【征文】#WorkBuddy# 五层验证解决痛点：交易员用 AI 判断期货趋势能否延续的完整框架

我用WorkBuddy让它真正为我所用

资源下载

Mario

腾讯云软件源

Nacos

Spring

欢迎您来访！