搜索[WorkBuddy]结果-低调大师优秀个人博客

精选列表

搜索[WorkBuddy]，共4325篇文章

WorkBuddy 开发微信小程序实操教程：不用自己买服务器和数据库，一句话生成到上线

生成、预览、发布全流程在 WorkBuddy 内闭环，无需安装微信开发者工具。

2026-11-03

我用 WorkBuddy 一晚做出 3 份自驾亲子游手册：从一句话需求到能直接出发的行程书

这次我换了做法——把需求直接丢给 WorkBuddy，让它交付一份**能直接当出发手册用**的东西，而不是一份"看起来很全的攻略列表"。

2026-11-03

我用 WorkBuddy 给一人公司搭了支 AI 员工团队：军师＋操盘手＋设计师，附完整流程和踩坑清单

现在我用 WorkBuddy 搭了一支 AI 员工团队，这些活大部分不用我动手了。这篇把我怎么搭的、踩了什么坑，一次说清。 !

2026-11-03

#WorkBuddy# 广告公司老板接入企业微信机器人：不做服务器，从零到第一条自动通知

# #WorkBuddy# 广告公司老板接入企业微信机器人：不做服务器，从零到第一条自动通知我在苏州开一家广告制作公司，前店后厂，二十来年。

2026-11-03

#WorkBuddy# 12 万行网关日志对账：42,083 个配对里 23,050 个是错的，我怎么把它做到 98.91

--- ## 七、给 WorkBuddy 的提示词模板这类活我一般不自己从头写，直接把约束讲清楚让 WorkBuddy 起框架，然后自己盯要点。

2026-11-02

#WorkBuddy# #AI办公# C 盘连跌一周后首次回升 0.15GB：目录级对账扫完，没有谁在偷偷清理

## 二、WorkBuddy 配置：一条自动化 + 一个可复用的只读脚本这轮追踪跑在我的 WorkBuddy 每日发文自动化里（DAILY，每天 10:00 触发），选题环节按昨日文末预告自动路由到"

2026-11-02

跨项目交付物同步别再信脚本的「完成」二字：给 WorkBuddy 智能体流水线加一道四落点回读闸门

# 跨项目交付物同步别再信脚本的「完成」二字：给 WorkBuddy 智能体流水线加一道四落点回读闸门退出码 0 和「同步完成」这行打印，在跨项目交付物同步里是两个不同的东西——前者是进程级事实，后者只是脚本自己打的一行字

2026-11-01

#WorkBuddy# 网页上没有按钮的操作怎么补：Agent Browser 浏览器操控 + 本地巡检脚本的分工（macOS 实操，附零依赖脚本）

--- # #WorkBuddy# 网页上没有按钮的操作怎么补：Agent Browser 浏览器操控 + 本地巡检脚本的分工（macOS 实操，附零依赖脚本） ## 一、你会遇到的场景干过网页自动化的人都懂这种憋屈

2026-10-31

#WorkBuddy# #AI办公# 目标机掉线，5.86GB 疑云改在本机破案：对账分毫不差，/XJ 只有一种拦不住的情形

## 二、WorkBuddy 配置这套远程扫描是 WorkBuddy 每日发文自动化（每日 10:00 触发）在本地执行环境里现做的，三层配置： - **调度层**：每日发文自动化任务，到点触发选题→

2026-10-29

我用 WorkBuddy 在两周内从零做出一个本地邻里社区网站（附完整过程与踩坑记录）

但这两个礼拜我用 WorkBuddy 真的把它做出来了，而且全程没写一行代码。这篇文章记录完整的实操过程，包括我踩过的坑，给同样想动手的朋友一个参考。

2026-10-28

一个人用 AI 和十个人用 AI，差的不是账号数：WorkBuddy「项目」功能落地实操

WorkBuddy 的**项目**就是为这件事设计的。官方的定位很直接：通过**项目**和**任务**两层结构，让团队成员**共享上下文、标准与知识**。

2026-10-27

AI 说我在能领 20 万补贴，翻完官方文件只剩 6 万：我用 WorkBuddy + TextIn xParse 搭了个不漏坑的补贴雷达

（红头 PDF / 图文政策解读 / Word 申报表 / Excel 名单） ↓ TextIn xParse 干净数据（Markdown：表头归位、表格还原、截图 OCR、页码标记） ↓ WorkBuddy

2026-10-27

#WorkBuddy# 用券省的钱为什么会让门店亏钱：我把这个成本模型做成了可运行的 Skill（附 GitHub 源码）

## 一、先给你看一个反直觉的算例有人点了 47 元的餐，用券实付 21.9 元，省了 25.1 元。直觉上：**这一单平台/门店少收了 25.1 元**。那门店这单还剩多少？按一个餐饮门店的典型成本结构粗算（食材 32%、人工 18%、房租物业 12%、特许权费 5%、其他 6%），算出来是： - 门店实收：**21.9 元** - 固定类成本（食材+人工+房租+其他）按原价 47 元摊：**32.02 元** - 特许权费按实付摊：**1.10 元** - 估算毛利：**-11.16 元，毛利率 -50.9%** **顾客省下的钱，门店一分没多省——薯条不会因为打折变便宜，店员也不会。** 这就是我做这个项目的全部动机：把"我省了多少"翻译成"门店这单赚多少"，让优惠的代价变得具体。 ## 二、结论先行：成本必须分两层同一个"成本率"，乘在原价上还是乘在实付上，结果完全相反。 |成本类型|例子|按什么计|为什么| | --- | --- | --- | --- | |固定类|食材/包装、人工、房租物业、其他|原价营收|门店该花的钱不会因为顾客用券而少花| |变动类|特许权费（按营业额抽成）|券后实付|抽成基数跟着实际到账走| 写成代码就是一个分层： ``` # 固定类成本按「原价营收」计：顾客用券不会让门店少花一分钱 food_cost = list_total * params.food_cost_ratio labor_cost = list_total * params.labor_ratio occupancy_cost= list_total * params.occupancy_ratio other_cost = list_total * params.other_ratio # 变动类成本按「券后实付」计：特许权费跟着实付走 royalty_cost = revenue * params.royalty_ratio gross_profit = revenue - (food_cost + labor_cost + occupancy_cost + royalty_cost + other_cost) ``` **盈亏平衡让利率**（毛利率归零时的折扣力度）推导也不复杂。设 L=原价合计，r=让利率，F=固定成本率合计，R=特许权费率： ``` 实付 = L(1-r) 成本 = L·F + L(1-r)·R 毛利 = 0 => (1-r)(1-R) = F => r = 1 - F/(1-R) ``` 例：F=0.68、R=0.05 时，让利率超过 **28.4%** 这一单门店就不赚钱了。 ## 三、我做成了什么 **麦麦毛利镜（mcd-margin-mirror）**：一个只做确定性算术、不让大模型口算的门店毛利估算器。 - **取数**交给麦当劳 MCP（菜单、四路券池、券后核价） - **算术**交给 Python（`src/estimator.py`，纯标准库零依赖） - **表达**交给 Agent（把结果讲成人话）关键设计：**所有成本率必须使用者自己填**，缺字段直接报错，项目不内置任何"行业经验值"——填不出真实口径就别用，这是刻意的。输入一份订单 + 一份成本参数，输出：单品/单笔的成本拆解、估算毛利、毛利率、盈亏平衡让利率。 ``` git clone https://github.com/Kormendierijon681-oss/mcd-margin-mirror.git cd mcd-margin-mirror python3 scripts/demo.py # 离线演示，无需 Token open docs/demo.html # 出 HTML 报告 python3 scripts/selftest.py # 16 项断言自测 ``` 接真实数据需要麦当劳 MCP 的 Token（免费申请），配置用环境变量占位符，仓库里不存任何真实凭证。 ## 四、一个容易被算错的地方（我踩过）人工和房租属于**期间固定成本**，模型按"这一单原价占门店期间原价合计的份额"分摊到单笔——门店单期汇总时总额守恒，但**单品层面会失真**：一份高价订单会被多摊人工房租，看起来"更亏"。所以要看单品的真实边际贡献，把人工率与房租率置 0，只留食材、包装和特许权费。这个口径我写进 README 了，不想让后来人重复踩。 ## 五、开源仓库 + 评论区求 Star **先玩再读：**在线试玩（零配置，打开即用）——拖动滑块改让利力度，实时看优惠怎么把门店毛利吃掉，成本率也能改成你自己的口径： [https://kormendierijon681-oss.github.io/mcd-margin-mirror/](https://kormendierijon681-oss.github.io/mcd-margin-mirror/) 源码、模型推导过程、踩坑记录都在 GitHub： [**https://github.com/Kormendierijon681-oss/mcd-margin-mirror](https://github.com/Kormendierijon681-oss/mcd-margin-mirror)** 这是我参加麦当劳程序员创意开发大赛的参赛作品（已报名成功）。**如果你觉得这个模型对你有用，欢迎在 GitHub 上给它点个 Star**——Star 数是这个赛事的排名依据，也是对我最实在的支持。评论区说一声你的用法，我也会回。 ## 六、口径与免责 1. 本项目**不含任何品牌的真实成本数据**，示例参数全部为虚构占位符，只用于演示计算流程。 1. 输出是**结构化估算**，不是官方数据，不构成经营建议。真实结论请用你自己的成本口径重算。 1. 项目灵感来自餐饮经营中的「成本率摊分」常识，与麦当劳官方无关；所有餐品信息以官方渠道实时结果为准。 *本文同步发布于我的 GitHub 仓库 README（含完整模型推导与自测断言）。*

2026-10-23

【征文】用 WorkBuddy 给两家超市搭了一套「日清播报」：每天 9 点自动取数、自动算账、自动推到 6 个飞书群

现在这套流程是 WorkBuddy 自动跑的： - **每天 09:00**：自动取数，把「今日目标」发到 6 个飞书群（通汇食品组、通汇非食组、批发运营仓拣配组、文化店、采购部、主管群） - **每天

2026-10-22

WorkBuddy 实战：我用它搭了一条 AI 短剧流水线，从分镜到成片跑完 20 集（含全套配置与踩坑）

**最近用 WorkBuddy 做 AI 短剧，这套流程是踩了一堆坑之后才跑顺的。第一次上手我就让 AI 一次出 15 个镜头，结果街道左右颠倒、建筑前后穿插、人物和门的比例像巨人国——15 张全废。

2026-10-20

#WorkBuddy# 积分消耗倍率差 27 倍：我把模型选择、模式切换、定时任务三条省分路径实测了一遍

## 一、你会遇到的场景 WorkBuddy 用起来很顺手，但积分掉得比想象中快。我最初也是随手就用默认的 Auto 模式，一个"帮我整理下这份资料"的任务，跑完一看消耗了 61 积分。

2026-10-20

【征文】#WorkBuddy# 一条指令出一条短视频：我用 macOS 本地脚本把 5 个环节串成了流水线

- **交给 WorkBuddy 判断**：脚本怎么写、分镜怎么拆、画面怎么描述。 - **交给脚本固化**：文件命名、批量转码、配音合成、按时间轴合片、字幕烧录。

2026-10-20

凌晨一点，我为了让 AI 别一口气读完 14 万字，跟自己的记忆库较劲 #WorkBuddy#

那天晚上我不该点开那本书的。起因很朴素：我在整理一批机器学习方法论的困惑，想找本系统的东西垫底。朋友说吴恩达有本书是**他自己免费公开**的，不卖 DRM，中文版连翻译都开源了。我心想这种好事不常有，手一抖就把它拉了下来。然后我发现，它有 58 章（英文原版；社区也常按「52 个工程要诀」归类），我手上的全文 144,407 字节。 ## 凌晨一点，我盯着一个数字发呆 14 万字是什么概念？我把它整个塞进上下文，然后眼睁睁看着 AI 开始一段一段读，读到某个位置，语气开始变得飘——它开始给我讲一些这本书里根本没写过的东西。那一刻我反应过来了：**这不是书的问题，是我的用法有问题。** 书的问题在于它太大。我一次喂 14 万字，AI 就得分心替我做取舍，取舍一做，事实就开始漂。我需要的是：让 AI 一次只看它当前要用的那一章。 ## 第一次翻车：我以为多开几个进程更快我的第一反应很朴素——既然一章一章读太慢，那就并行抓吧。于是我写了个脚本，一章一章顺序请求 GitHub。第一次跑，进程被系统直接掐了，退出码 `exit 137`。查了一下，是 SIGTERM，内存回收。我以为偶发，重跑。又 `exit 137`。两次。同一个地方。现在回头看这事我有点想笑：**我把"内存回收"当成了"偶发故障"，其实它一直在很明确地告诉我——你一次开太多东西了。** 我没听懂，还换了姿势再撞一次。 > 📷 配图 1：两次 `exit 137` 与并发一次成功的对照（`配图/02__fig1-exit137.png`） ## 第二次翻车：不是慢，是被杀了改法很简单，把串行换成线程池，`max_workers=8`。 58 章，一次跑完，零失败。这一下让我意识到一个挺反直觉的事：我原来那个"失败"，根本不是失败，是**我开的口子太大，系统在替我关门**。并发不是为了快，是为了**别把内存一次性撑爆**。抓取方式我也改了规矩：不下载 PDF 实体，不做 OCR，直接走 GitHub API 取 Markdown 原文。作者本人是免费公开的，我没有任何理由去绕这一圈把它变成一个 100 多MB 的 PDF 躺在硬盘上。 ## 第三次翻车：一行命令看着对，跑出来是空的原文抓下来了，每章开头有个`` 这样的标记，正好方便定位。于是我顺手写了个提取命令，大意是"从 ch21 标记匹配到 ch22 标记"。跑出来是空的。我第一反应是怀疑标记丢了。翻文件，58 个标记一个不少。那就只剩一种可能：**我那条命令的思路本身有问题。** 最后改成用 Python 把整个文件按标记切成段、装进字典，按章节名取。一下就对了。这件事我记了很久。**一个看起来完全合理的区间匹配，在真实文件上可以是彻底无效的**，而且它不报错——它只是安静地给你空结果。这比报错可怕多了。 ## 那一晚我到底造了什么到凌晨，我把整本书变成了 4 个技能包。不是 58 个，是 4 个。 | 技能包 | 回答什么问题 | 来源章节 | |---|---|---| | `data-split-strategy` | 数据该怎么切 | ch05–12 | | `bias-variance-diagnosis` | 这是欠拟合还是过拟合 | ch20–27 | | `human-level-baseline` | 我还剩多少提升空间 | ch33–35 | | `error-analysis-prioritization` | 下一步该先修哪个 | ch13–19 | 外加精华长文、术语表、技能地图、审计记录，和一份测试用例集。四个技能包每个约 10.5 KB。 **关键不是"我压缩了一本书"。关键是我发现这四件事有严格的先后顺序。** > 📌 **先把边界说清楚，免得你拿它跟网上的「完整蒸馏」去比**：网上能见到更细或更广的版本——有人把吴恩达的整套管教学（CS229 + 深度学习专项 5 门课 + AI for Everyone + 2026 的 Agent 内容）蒸馏成 40–50 个 skill；也有按书里「50 多个工程要诀」逐条拆的。我这四样是**个人的粗粒度整合**：只取「诊断链」最核心的那一条线，而且明确没覆盖全部章节（下文列了哪些没做）。它解决的是「我下一步该先干哪件」这个具体问题，不是一本完整的方法论词典。同样的源书、话题必然有重叠，但粒度不同、目标也不同。 ## 我一开始把顺序搞反了我最开始想的是：这是个诊断问题嘛，那肯定先判断是欠拟合还是过拟合，然后再决定怎么修。错了。真正正确的链条是： **先切数据 → 再判偏差方差 → 再看人类基准 → 最后才排修复优先级** 因为第一步就有个硬前提：**训练集、开发集、测试集必须来自同一个分布**。分布一旦不一致，后面所有的偏差方差诊断结论全部作废——你测出来的那个数字，压根不知道在说哪件事。我把这个顺序写进了技能地图本身。只要顺序错了，后面三步全部无效。 > 📷 配图 2：4 个技能包与诊断链顺序（`配图/02__fig2-四个技能包.png`） ## 一个把所有人都骗了的常识蒸馏的时候，我重点核实了全书里最容易被误读的一条。原文写得很清楚： > 添加更多的训练数据：这项技术可以帮助解决方差问题，但它对于偏差通常没有明显的影响。也就是说——**你以为的"多搞点数据总没错"，在欠拟合的场景下是白花钱。** 这条我逐字回原文比对了三遍，确认没记错。它对冲的是一个特别常见的直觉：模型不行 → 是不是数据不够？很多团队就这么一路加数据、加到预算烧完，问题还挂在原地。原文给的判据是看方差那一栏，不看感觉。顺手把另一组数字也核了：训练错误率 1%、开发错误率 11%，方差就是 10 个百分点；换成 15% 和 16%，方差就是 1 个百分点。两个数字都是原文明写的。还有一组我特别喜欢，来自 ch34 的医学案例：无背景 15%、新手医生 10%、资深医生 5%、多人小组 2%。作者用它说明一件事——**你该对标的不是"人能做到多好"，而该看这个任务对人到底难不难**。如果人都做不好，说明任务本身可能超出了当前方法的适用范围，这时候继续调模型是在做无用功。 ## 我做了一件现在回头看很庆幸的事蒸馏完，我做了一件当时嫌麻烦的事：**把每一条引用都回原文逐条比对。** 7 条。一条一条比。结果是没有一处编造。但真正让我庆幸的不是"没编造"，而是这个流程逼出来的东西—— **有三条是我自己推断的，不是原文陈述。** 比如"这本书成书于 2018 年前后，完全不涉及大语言模型、多模态、Agent"，这是我看完全书 58 章主题后的判断，**不是书里某句话说的**。我把这类内容单独列成一节，标注为"蒸馏方判断"，跟原文引用物理隔开。这事儿的意义在于：**当有人拿"这本书说……"来问我的时候，我能分清哪句是作者说的，哪句是我加的。** 混在一起就完了。 ## 一个插曲：我差点按不存在的命令装工具我参考了一个开源的技能规范库来做蒸馏框架。写之前我习惯性搜了一下它的安装方式，差点直接抄了。官方文档里根本没有我记忆里那个 `npx skills add` 命令。实际方式是去Release 页下压缩包，解压。顺便还纠正了三处： - 那个安装命令在官方文档里不存在 - 依赖没写在显眼处：**Python 3.10 以上，外加 PyYAML**。我本机装的隔离环境里是 6.0.3 - 我当时查的star 数和fork 数，跟我隔天再查已经不一样了最后这条我专门记一下：**开源项目的热度数字是会变的。** 我今天查是11,386 星、1,327 fork、MIT 协议，最近一次推送是 2026-10-02。你看这篇文章的时候，这个数字大概率已经变了。我宁愿标一句"这是我查询当天的实测值"，也不想让一个会过期的数字看起来像个稳定结论。 ## 一个必须说明白的边界我这次是**按那套规范人工蒸馏**的，**没有跑它官方的编译工具链**。这两件事的区别不是小不小的问题。人工蒸馏意味着每一句提炼都是我判断的结果，好处是灵活、能处理书里那些没有标准答案的部分；代价是没有那套自动化的一致性保证。我把它明确写进审计文件里，而不是含糊过去。因为如果我写"我用 X 工具完成了蒸馏"，而实际上我是手写的，那不叫偷懒，那叫编造。 ## 我也没敢覆盖全部 58 章我只做了 4 个技能包。这不代表剩下的章节没用。审计文件里我老老实实列了哪些没做、为什么： - ch28–32 学习曲线判读——需要配套多规模实验数据，这一轮没采 - ch36–43 训练/测试分布不一致——场景偏窄，已经作为第一条技能的判停条件覆盖了 - ch44–46 推理算法调试——跟主线关联弱 - ch47–52 端到端 / 迁移学习 / 多任务——领域专用 - ch53–57 分模块错误分析——可以做成第一条技能的 v2 **没覆盖不等于没用。** 原文就在那儿放着，随时能抽。 > 📷 配图 3：核实纪律——原文引用与蒸馏方判断物理隔开（`配图/02__fig3-核实纪律.png`） ## 结尾如果让我给那天的自己留一句话，就是： **别把"我一次喂了 14 万字所以效果不好"，误诊成"这本书不行"。** 那天晚上真正的问题，从头到尾只有一个字：**大**。一本书太大，我一次读不完，就该一次只读需要的那一章。同一件事上我撞了三次墙——两次撞在并发上，一次撞在提取命令上——三次都不是书的问题。要说为什么这次能成，我觉得就一条：**我最后没再"猜"，我回去查了原文。** 不是查资料。是查那个我以为早就知道的、以为记得住的、其实只是"我记得我读过"的那句话。那句"加更多训练数据对偏差通常没有明显影响"，我在书里逐字核了三遍。核对完我才发现——如果当初我少核这一遍，这篇文章发出去就是错的，而且永远不会有人告诉我。 --- *文中所有数字均来自本机实测：抓取 58/58 章成功（144,407 字节）、串行两次 `exit 137`、并发一次通过、7 条引用回原文比对零编造；开源仓库数据为查询当日实测值，会随时间变化。*![image.png](https://developer.qcloudimg.com/http-save/yehe-12824395/0548ea41c4450366fe2ad692fac42b2b.png)![image.png](https://developer.qcloudimg.com/http-save/yehe-12824395/22cac98590c462120897d7646b7d832c.png)![image.png](https://developer.qcloudimg.com/http-save/yehe-12824395/05912230de8e87e11ceaeedbb73464f0.png)

2026-10-18

#WorkBuddy #AI办公离线公文文件流转跟踪管理工作台｜机关文秘收文登记、催办归档一体化方案

基于以上实际办公场景，我使用 WorkBuddy 制作了**文件流转跟踪管理工作台**，为文秘岗位打造一套离线可用的文件盯办看板，实现收文登记、流转送审、临期逾期提醒、批量归档、收发统计全套能力。

2026-10-10

从"写到第三卷就崩"到"细纲全过才动笔"：一个网文作者用 WorkBuddy 搭的四层门禁写作流

## 一、任务概览：四要素一览 |**要素**|**内容**| | --- | --- | |输入材料|一个题材想法 + 主角人设 + 世界观规则（口述几百字即可，我口述、AI 落成文件）| |WorkBuddy

2026-10-06

资源下载

更多资源

优质分享App

近一个月的开发和优化，本站点的第一个app全新上线。该app采用极致压缩，本体才4.36MB。系统里面做了大量数据访问、缓存优化。方便用户在手机上查看文章。后续会推出HarmonyOS的适配版本。

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。

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 开发微信小程序实操教程：不用自己买服务器和数据库，一句话生成到上线

我用 WorkBuddy 一晚做出 3 份自驾亲子游手册：从一句话需求到能直接出发的行程书

我用 WorkBuddy 给一人公司搭了支 AI 员工团队：军师＋操盘手＋设计师，附完整流程和踩坑清单

#WorkBuddy# 广告公司老板接入企业微信机器人：不做服务器，从零到第一条自动通知

#WorkBuddy# 12 万行网关日志对账：42,083 个配对里 23,050 个是错的，我怎么把它做到 98.91

#WorkBuddy# #AI办公# C 盘连跌一周后首次回升 0.15GB：目录级对账扫完，没有谁在偷偷清理

跨项目交付物同步别再信脚本的「完成」二字：给 WorkBuddy 智能体流水线加一道四落点回读闸门

#WorkBuddy# 网页上没有按钮的操作怎么补：Agent Browser 浏览器操控 + 本地巡检脚本的分工（macOS 实操，附零依赖脚本）

#WorkBuddy# #AI办公# 目标机掉线，5.86GB 疑云改在本机破案：对账分毫不差，/XJ 只有一种拦不住的情形

我用 WorkBuddy 在两周内从零做出一个本地邻里社区网站（附完整过程与踩坑记录）

一个人用 AI 和十个人用 AI，差的不是账号数：WorkBuddy「项目」功能落地实操

AI 说我在能领 20 万补贴，翻完官方文件只剩 6 万：我用 WorkBuddy + TextIn xParse 搭了个不漏坑的补贴雷达

#WorkBuddy# 用券省的钱为什么会让门店亏钱：我把这个成本模型做成了可运行的 Skill（附 GitHub 源码）

【征文】用 WorkBuddy 给两家超市搭了一套「日清播报」：每天 9 点自动取数、自动算账、自动推到 6 个飞书群

WorkBuddy 实战：我用它搭了一条 AI 短剧流水线，从分镜到成片跑完 20 集（含全套配置与踩坑）

#WorkBuddy# 积分消耗倍率差 27 倍：我把模型选择、模式切换、定时任务三条省分路径实测了一遍

【征文】#WorkBuddy# 一条指令出一条短视频：我用 macOS 本地脚本把 5 个环节串成了流水线

凌晨一点，我为了让 AI 别一口气读完 14 万字，跟自己的记忆库较劲 #WorkBuddy#

#WorkBuddy #AI办公 离线公文文件流转跟踪管理工作台｜机关文秘收文登记、催办归档一体化方案

从"写到第三卷就崩"到"细纲全过才动笔"：一个网文作者用 WorkBuddy 搭的四层门禁写作流

资源下载

优质分享App

Mario

Nacos

Spring

欢迎您来访！

#WorkBuddy #AI办公离线公文文件流转跟踪管理工作台｜机关文秘收文登记、催办归档一体化方案