如果说，过去的 AI 聊天机器人更像一个坐在聊天框里的顾问，主要负责回答问题、总结资料、改改文案，那么 Agent 做的事则更进一步：它在回答问题之外，还会根据用户的目标拆任务、调工具、自己往前推进。

而以 Codex 为首的本地 Agent，则是把这套能力扩展到用户的电脑上—— AI 不只看你发给它的文字，还能在你授权的范围里读文件、改文件、跑脚本、生成网页，甚至调用本地应用和外部服务。

不过，在中国用户的日常使用场景里，Codex 多少还是有点水土不服。网络环境、账号、权限、本地路径，这些细节只要卡住一次，普通用户的耐心基本就被消耗掉了。

这也是为什么，当深度体验完腾讯的 WorkBuddy 后，我认为它绝对担得起「更适合中国宝宝体质的 Codex」这个名号。

WorkBuddy 是什么

WorkBuddy 脱胎于同为腾讯旗下、面向程序员的 CodeBuddy，底层保留了 Agent 拆解任务、调用工具的硬核能力，却替普通人卸下了所有需要折腾环境的技术包袱。

它的下载很简单，打开官网 codebuddy.cn/work 下载安装好就能直接用。打开后的界面与普通的 AI 聊天机器人类似，功能区域主要分成三块：

左侧栏：新建任务、查看历史对话和任务记录、管理工作空间。

中间对话区：描述需求，查看 Agent 的拆解过程和执行结果。

底部输入与操作区：输入任务、切换模型、调用技能、连接应用、附文件或选择工作文件夹。

刚好最近腾讯发布了新的混元 Hy3 模型，WorkBuddy 内也可以限时免费使用。腾讯公关总监张军也在微博上打趣说，已经刷到不少人趁着免费期，把 WorkBuddy 的「专家团」可劲儿试了一遍。

根据我们的实测，Hy3 在 Agent 和 Coding 能力上确实进步明显，尤其是复杂网页生成、任务规划、长文本处理和多工具调用这些场景，交付结果更稳定。

但比起单纯讨论模型参数，我想大多数人关心的是：当底层能力更强之后，它能不能真的替普通人少点几下鼠标？

于是我拿几个真实打工场景试了一圈。除了划定工作空间、上传必要文件、在关键权限处点确认之外，模型选择、任务拆解、工具调用，都尽量交给 WorkBuddy 自动判断。

真正本土化的地方，是它接进了微信

WorkBuddy 最有本土化特色的地方之一，是它能和微信联动。登录、下达指令都可以直接在微信中完成，不需要再去折腾注册、绑定之类的繁琐流程。

你或许也遇到过这样的突发状况：人在地铁上，却被急催着要一份躺在电脑硬盘里的资料。

接入微信 ClawBot 后，随手发条消息，WorkBuddy 就能自动在电脑中精准找出需要的材料。

由于微信 ClawBot 无法直接回传大体积文件，你还可以让它接入腾讯专为智能体打造的「Agent Mail」服务，将资料打包成 zip 直接发到手机邮箱里。

电脑里存了一堆照片，只记得拍摄对象，却忘了具体放在哪个文件夹，也可以直接在微信里告诉它：

以前需要远程桌面、网盘同步，或者拜托同事帮你开电脑找文件。现在只要电脑在线，微信里一句话就能搞定。

基础执行：当 AI 变成「本地管家」与「闪送员」

很多内容创作者或摄影爱好者的电脑里，大概都有一片不愿轻易打开的「素材废墟」。我的电脑里就有这样一堆文件夹：横跨一年半，命名规则前后不一致，有些夹着日期，有些夹着产品名，有些还带着奇怪的分隔符。平时找一张图，基本靠记忆力和运气。

我先在 WorkBuddy 里划出一个隔离隐私的工作空间，然后让它根据一系列复杂的条件（提取特定人物、合并同一产品、去掉分隔符、统一日期格式）直接帮我大扫除。

帮我把 with Liz 的专门拎出来放一个文件夹里，产品的放另一个文件夹，同一产品多个文件夹的，合并为一个文件夹；归档的 RAW 只保留与成片同名那些，其他删除，分隔符「_」全部去掉，文件夹命名统一为 yyyymmdd。

面对包含「删除」的危险要求，它并没有像个莽夫一样直接 rm -rf，而是主动触发了二次确认机制，并在对话框顶部透明地展示了预估账单（预计消耗 5.37 ~ 53.6 积分）。确认无误后，喝口水的功夫，一团乱麻的目录已经被整整齐齐地收纳进了几个清晰的分类中。

整套流程下来实际消耗在 95 积分左右。对比日常签到每天能领到的 100-150 积分免费额度，应付这类轻度本地文件整理基本够用。

从一堆材料到一张提纲

对于内容工作者来说，把海量资讯理出头绪往往是一天中最耗时的环节。为了把这活儿外包，我让它在指定的本地文件夹里，从零搭建一个完全自动化的「科技早报初筛工作流」。

结果它没有甩几个标题敷衍了事，而是真在本地跑通了读取信源、基础去重、剔除旧闻的脚本，并在腾讯文档里生成了一份分类清晰的初筛清单。

顺着这份清单让它继续写初稿，它不仅分出了各大栏目，甚至还在文末严谨地附上了一份「事实核查清单」，把特斯拉专访、苹果 AI 调查等信息列为待核项，将零散素材变成了一份高可用度的提纲。

请在当前文件夹从零搭建一个「科技早报候选初筛 workflow」。重要限制：必须只使用当前文件夹作为工作区。不要读取、搜索、引用或复用我电脑其他目录里的任何早报 workflow、prompt、脚本、历史稿、自动化配置或文档。即使你发现本机其他地方存在类似项目，也不要使用。目标：读取今日科技新闻素材，生成一份早报候选清单，并输出到腾讯文档。不要生成最终早报稿，只做选题初筛。任务步骤：1. 先检查当前文件夹结构，只允许在当前文件夹内读取和创建文件。2. 检查 Folo CLI 是否可用，并尝试完成必要配置。3. 如果 Folo CLI 可用，优先使用它获取今日科技新闻素材。4. 如果 Folo CLI 不可用，说明缺少什么配置，并先读取当前文件夹里的本地素材文件。5. 将抓取或读取到的新闻整理成候选池 JSON，保存在当前文件夹。6. 做基础去重，避免同一事件重复出现。7. 判断旧闻：如果只是今天被转载，但事件本身发生在前一天或更早，需要标记。8. 将新闻按「必看」「可选」「不建议写」三类整理。9. 每条新闻用 50 字以内说明为什么值得写或不建议写。10. 标出是否适合 APPSO、是否适合爱范儿早报。11. 标出来源、链接、发布时间、可能风险。12. 输出一份腾讯文档候选清单。13. 在当前文件夹保留 workflow 文件、运行记录和候选池 JSON，方便明天复用。14. 不要直接生成最终早报正文。Use FoloRead https://api.folo.is/skill.md and follow the instructions to use Folo.

接着刚才的候选清单，请继续写一版爱范儿早报初稿。要求：1. 优先使用「必看」新闻，必要时从「可选」中补充；2. 按「大公司」「观点」「新产品」「新消费」「好看的」等栏目组织；3. 每条新闻控制在 2-4 段，信息要具体，不要写空泛分析；4. 重要新闻要追原始报道或强来源，不要只依赖摘要；5. 删除「不建议写」里的选题，除非你能说明它有新的角度；6. 每条保留来源链接；7. 写完后附一份事实核查清单；

同样的逻辑，面对满是口语重复、来回插话的会议转写文本，它能精准剥离无用信息，提炼出包含「信息缺口」和「下一步执行建议」的选题卡，把零散的口语转化为清晰的待办事项。

请阅读这份会议转写，不要做流水账摘要，而是帮我整理成一张选题卡。需要包含：核心概念、原始讨论摘要、当前最有价值的切入点、还缺哪些信息、下一步执行建议。表达要简洁，保留真实讨论里的有效观点，不要把所有内容都写进去。

在处理长篇的产品评测资料时，它会先识别产品定位，再把官方卖点和真实体验问题分开，标出需要后续实测验证的点，最后给出适合展开的叙事方向，把人从面对空白文档发呆的焦虑中解救了出来。

请阅读这些产品资料，不要直接写评测稿。先帮我整理一份评测前预研卡，包含：产品核心定位、主要服务人群、官方最想强调的卖点、哪些卖点需要实测验证、可能存在的缺点，以及这篇评测适合采用什么叙事角度。重点是帮我建立判断框架，不要堆参数。

除了案头工作，WorkBuddy 还有一个微信生态里的小彩蛋。接入微信支付刚发布的「AI 专属卡」后，我试着把团队下午茶交给它处理：3 点送达，10 人份，人均 30 元。

它按预算、距离和评分找出蛋挞、披萨等一串可供对比的选项。确认后，它会将订单推进到支付前，最后付款依然要人来决定。

帮我在附近找适合 10 个人的下午茶，预算人均 30 元，3 点前送到，优先评分高、配送稳定的店。

不过，这个功能的使用场景目前还比较单一，因此我更愿意把它看作附加能力。对大多数打工人来说，它最稳定的价值，还是本地执行和信息整理。

不用写代码，也能把自己的经验做成小工具

前面这些任务，本质上还是让 WorkBuddy 替你执行一串操作。更有意思的地方，是它能把一套重复出现的判断规则，做成一个可复用的小工具。

我第一个试的，是「高考作文批改助手」。

作为英专生，我身边有不少同学后来做了英语老师。批改作文是他们日常工作里绕不开的一环：要看内容、结构、语言、语法，还要给学生写能看懂的提分建议。

于是我把新高考 I 卷的作文评分标准图片喂给 WorkBuddy，用大白话告诉它：你要先理解评分逻辑，再做一个带 HTML 界面的批改助手，可以批量读取作文，输出分数、优缺点和提分策略。

我是一名英语老师，请为我开发一个「新高考作文智能批改 Skill」，深度阅读我上传的两张《英语试题评分参考》图片，将其中的五个档次评分标准（1-15 分）内化为你的打分逻辑。功能要求：1. 界面设计：生成一个简洁的 HTML 交互界面。2. 批处理能力：支持调用 macOS 自带的 OCR，读取指定文件夹内的所有作文。3. 输出规范：1. 自动评分：根据图片中的标准（字数、语法丰富性、连贯性）给出具体分值。2. Pros & Cons：用 bullet points 列出本文的 3 个优点和 3 个改进点。3. 提分策略：针对该学生的档次，给出一句最核心的提分建议。4. 交互逻辑：批改结果以卡片形式排列，并在每个卡片下方留一个「老师确认」按钮。5. 交付物：请直接生成这个 Skill 的代码文件，并告诉我如何放置到 WorkBuddy 的技能目录中。

Skill 做好了，是骡子是马，还得拉出来溜溜。我把 2026 新高考 I 卷的真题和几张答题卡扫描图片丢进文件夹。

WorkBuddy 这次把任务拆成了几块：

读取评分标准，提取 1-15 分的档次规则；

设计作文读取逻辑，支持批量读取 .txt；

为每篇作文生成分数、优点、问题和提分建议；

最后用 HTML 做出卡片式页面，方便老师复核、打印。

它输出的 HTML 页面排版规整，点开细看，不仅给出了精准的分数和优缺点，还有针对性地提供了「提分策略」。

老师要做的，就从「从头批到尾」变成「复核、调整、打印」。这对高频重复工作来说，已经很有意义。

既然 WorkBuddy 能处理相对明确的评分标准，我又想试试更主观的任务：它能不能理解「新闻价值」？

顺着这个思路，我又让它开发了一个「名人访谈亮点挖掘」工具，要求拒绝流水账摘要，提炼长文里的金句、新信息和值得展开的观点，并给出后续可以补充的信息。

请帮我开发一个「名人访谈亮点挖掘」Skill，并自动安装好。这个 Skill 的作用是：读取一篇名人访谈（支持 txt、md、srt、vtt），自动从长访谈里提炼真正值得看的内容，并以卡片形式展示。不要做普通摘要，只输出有价值的信息，包括：- 金句 - 新信息 - 值得展开的选题 - 有意思的观点每张卡片需要保留原文、说话人、为什么值得关注，以及如果继续写这篇内容还需要补充哪些信息。

先把 Mark Zuckerberg 约 60 分钟的播客录音转写输入进去。从最终生成的网页来看，它准确提取到了扎克伯格承认 Llama 4 开发未达预期、并重组超级智能实验室的具体信息。比较有实用价值的是卡片底部的「后续补充信息」，它根据上下文提供了一些可供交叉验证和延伸探讨的切入点。

在处理 Sam Altman 的万字访谈时，WorkBuddy 抓到了他谈 Codex「YOLO 模式」、合成数据、Agent 访问电脑权限这些细节，还顺手标出了后面值得补充的信息。

老师的经验，被它变成了作文批改卡片；编辑的经验，被它变成了访谈亮点卡片。

最后的判断当然还是人来做，但最耗耐心的第一遍筛选、归类和追问，它已经能替你做好大半。它不负责替你拍板，但很适合帮你把一堆乱糟糟的材料，先整理到一个可以开始判断的状态。

一个能帮你干活的「搭子」，终于装进了电脑里

这些天用下来，WorkBuddy 给我最大的感觉是：电脑里像是多了一位刚入职、勤快又不知疲倦的实习生，而我就是它的 Mentor。

很多时候，只要把工作空间划好，把目标讲清楚，它就能自己拆任务、找路径、跑流程，中间的过程也能看得一清二楚。

整理文件、远程找资料、筛早报、做选题卡、搭一个简单工具，这些日常工作里琐碎但绕不开的部分，它的表现已经相当不错。

但它也没有强到「赛博许愿机」的程度。

你不能把一句「帮我搞定」扔过去，然后等着它自动交出一个完美结果。文件在哪里、目标是什么、哪些目录不能碰、最后要长成什么样，依然需要你先讲清楚；任务推进到关键节点时，也需要你确认方向、修正偏差、检查结果。

但话说回来，这已经足够让人上头了。你明知道它还会犯错，明知道最后还得自己兜底，但看着它真的开始读文件、改代码、生成页面、整理材料，还是会忍不住冒出一种危险的念头——

这活儿我是不是也能接了？

这种关系，恰恰呼应了它的名字—— WorkBuddy。

它不是阿拉丁神灯，也不想替代你、接管你的全部工作，而是在你的电脑里，和你一起把问题拆开、确认、推进，做一个愿意打下手、能陪你一起干活的「搭子」。

当然，真要做复杂项目，无论是从模型能力还是用户体验上来看，Codex 和 Claude Code 依然是更好的选择。但如果只是执行一些日常的简单任务，WorkBuddy 已经能给大多数人一个可用且低成本的选择。