6月29日晚，一批使用DeepSeek API的开发者收到了一封调价邮件，DeepSeek开放平台首页也同步挂出了通知。 DeepSeek V4正式版计划于7月中旬上线。伴随新模型而来的，还有一套新的峰谷定价机制：每天上午9点到12点、下午2点到6点，API调用价格是其他时段的两倍。 有人说，AI也开始学电费分峰谷了；也有人认为，这就是换一种方式涨价。 但把价格表真正摊开来看，这次变化不只是“贵了一倍”那么简单。它把AI推理服务一直藏在后台的一条负载曲线，直接印在了价目表上。 一、先看价格：不是全天涨价，而是7个小时翻倍 DeepSeek API一天 24 小时的峰谷价格变化 按照DeepSeek公布的峰谷定价方案，高峰时段每天： 9:00—12:00； 14:00—18:00。 一共7个小时，其他17个小时维持平时价格。 这里顺带澄清一个流传较广的说法：有媒体解读称“周末不执行高峰价”。但从官方口径看，DeepSeek的调价邮件和开放平台通知，措辞都是“每日”；7月3日腾讯云上线DeepSeek-V4原厂直供模型、同步官网峰谷定价机制时，公告同样把高峰时段定义为“每日9:00至12:00和14:00至18:00（北京时间）”——两个官方渠道都没有出现周末豁免的表述。 在DeepSeek计费页面给出进一步细则之前，把“周末照常执行高峰价”作为预算假设，是更稳妥的做法。具体价格如下： 模型 计费项目 平时价格 高峰价格 V4 Pro 输入，缓存命中 0.025元/百万Token 0.05元/百万Token V4 Pro 输入，缓存未命中 3元/百万Token 6元/百万Token V4 Pro 输出 6元/百万Token 12元/百万Token V4 Flash 输入，缓存命中 0.02元/百万Token 0.04元/百万Token V4 Flash 输入，缓存未命中 1元/百万Token 2元/百万Token V4 Flash 输出 2元/百万Token 4元/百万Token DeepSeek给出的解释是，通过峰谷定价“更合理地配置资源、提升服务稳定性”。从价格表看，平时时段没有涨价，高峰时段整体翻倍。因此，它更接近一次“削峰填谷”，而不是全天统一提价。 还有一个背景值得放在一起看。现在的平时价格，是今年4月底V4 Pro那轮永久降价之后的结果——降到了首发定价的四分之一。也就是说，即便高峰时段翻倍，价格也只回到了首发价的一半。这张表里，有三个数字值得停下来看看。 第一，高峰只有7个小时 价格翻倍的时间，几乎覆盖了国内企业最主要的办公时段。 上午开工后到午休前，下午上班到下班前，正是客服、办公软件、代码助手和企业工作流调用最密集的时候。 所以，虽然它不是全天涨价，但对主要在工作时间调用API的国内企业来说，体感很可能接近涨价。 第二，缓存命中和未命中的差距达到120倍 以V4 Pro高峰时段为例： 缓存命中输入：0.05元/百万Token； 缓存未命中输入：6元/百万Token。 同样是100万Token输入，价格相差120倍。这比“高峰翻倍”更值得关注，它说明未来使用大模型，成本不只取决于用了多少Token，还取决于这些Token是不是每次都要重新计算。 第三，Flash和Pro之间也有明显价差 V4 Pro平时的未缓存输入价格是每百万Token 3元，V4 Flash是1元；输出分别是6元和2元——同样相差3倍，这意味着，真正有效的省钱方法不只是凌晨跑任务，还包括： ...

本文是「术语解构」系列之一。 DeepSeek-R1 满血版有 6710 亿参数，而你在 LM Studio 里下载的 R1-Distill-Qwen-14B 只有 140 亿——体积差了大约 48 倍，但它确实“学到了”大模型的推理能力。 这中间发生的事，就叫蒸馏（Distillation）。 打开任何一个本地模型下载页，名字里带 “Distill” 的模型比比皆是。但“蒸馏”到底蒸的是什么？它和我们熟悉的量化（比如 IQ4_XS）有什么区别？为什么有人说蒸馏是“教学生”，有人说蒸馏是“抄作业”？ 这篇先把概念讲透，下篇上实测数据。 一、为什么叫“蒸馏”：从一锅混合物里提取精华 AI蒸馏不是复制大模型，而是从大模型中提取知识精华 化学里的蒸馏，是把一锅混合液加热，让沸点低的成分先变成蒸汽，再冷凝收集——留下的是你想要的精华，扔掉的是杂质。 2015 年 3 月，Geoffrey Hinton（就是后来拿了诺贝尔物理学奖的那位）和 Oriol Vinyals、Jeff Dean 发表了论文《Distilling the Knowledge in a Neural Network》，把这个词借到了神经网络领域： 把一个大模型（老师）学到的“知识”，提取出来，灌进一个小模型（学生）的身体里。 注意这个说法的微妙之处：提取的是“知识”，不是“参数”。学生模型的参数是从头训练的，只是训练的目标从“学习标准答案”变成了“模仿老师的判断”。 这和量化有本质区别——量化是给同一个模型降精度，人还是那个人，只是“说话没那么精确了”；蒸馏是重新培养一个新人。这一点我们后面展开。 二、暗知识：老师教的不是答案，是“感觉” 暗知识：老师教给学生的不只是答案，而是答案之间的相似性 这是整个蒸馏概念里最精彩的部分，也是 Hinton 那篇论文的核心洞察。 假设我们训练一个识别图片的模型，给它看一张猫的照片。 普通训练用的是硬标签（hard label）： 正确答案：猫。就一个字，没了。 蒸馏训练用的是老师模型输出的软标签（soft label），也就是一整个概率分布： 猫：90% 狗：8% 老虎：1.5% 汽车：0.0001% 看出区别了吗？“狗 8%，而汽车几乎是零”——这个差异本身就是知识。它告诉学生：猫和狗长得像，猫和汽车完全不像。这种类别之间的相似性结构，硬标签里根本不存在，只藏在老师的概率分布里。 Hinton 给这东西起了个很浪漫的名字：暗知识（dark knowledge）——像暗物质一样，平时看不见（推理时只取概率最高的那个答案），但它确实存在，而且信息量巨大。 学生模型对着软标签学，相当于老师不仅告诉你答案是 A，还告诉你“B 有点像但差在哪、C 为什么完全不沾边”。一道题传递的信息量，是硬标签的很多倍——这就是为什么蒸馏出来的小模型，往往比同样大小、从零硬训的模型强。 顺便解决一个老疑问：温度参数是从这来的 你在 API 调参时天天见的 temperature，最早的出处之一就是这篇蒸馏论文。 ...

WorkBuddy 实战手册 · 第8篇 有一种办公崩溃，很多人都遇到过：人已经离开公司，文件还在公司电脑里。更烦的是，别人不是明天要，也不是下周要，而是现在就要。 上个月有天下班路上，我在地铁里收到同事消息： 明天一早开会要用的方案，最终版是不是还在你电脑桌面上？能不能现在发我一下？ 如果是以前，我大概率只有两个选择： 第一，掉头回公司。 第二，找还在办公室的同事帮我开电脑、找文件、传文件。 两个选择都不舒服。 那天我试了第三种方式：打开微信里的 WorkBuddy 小程序，切到本机模式，让它在我办公室电脑上找到那份文件，再用绑定好的邮箱发给同事。 几分钟后，同事回了两个字： 收到。 这件事给我的感觉很直接——WorkBuddy 不只是坐在电脑前用的 AI 助手，它还可以变成一个「手机遥控电脑」的工具。你人不在电脑前，但电脑上的文件、邮件、表格和任务，依然可以继续处理。 这篇就讲一个很具体的场景： 怎么用 WorkBuddy 微信小程序和 ClawBot，在手机上远程操控电脑，完成取文件、发邮件、处理本地资料这类办公任务。 一、手机端有三种入口 入口 适合场景 我的建议 微信客服号 简单问答、轻量任务 能用，但能力比较基础 ClawBot 插件 微信聊天里快速发指令 适合语音和临时操作 微信小程序 查看任务、下载文件、切换模式 最推荐，体验最完整 在微信里搜索「腾讯 WorkBuddy」，进入小程序后，就可以看到任务入口、模式切换、结果展示和文件下载。 ClawBot 更像一个微信聊天里的快捷入口，小程序更像一个完整的手机工作台。 临时一句话，用 ClawBot； 要看结果、下载文件、确认任务进度，用小程序。 两个配合起来，体验会顺很多。 二、云端模式和本机模式不是一回事 WorkBuddy云端模式和本机模式的区别 WorkBuddy 手机端通常会涉及两类任务： 云端模式：任务在云端跑。 本机模式：任务在你的电脑上跑。 这两个差别很大。 1. 云端模式：电脑关着也能用 云端模式适合不依赖你电脑本地文件的任务。 比如： 写一篇文章大纲； 整理一段文案； 生成一个活动方案； 分析你手动上传的资料； 做一个通用选题规划。 这些任务不需要访问你电脑桌面，也不需要打开你本地硬盘，所以电脑关着也没关系。你可以在地铁、高铁、咖啡馆里直接用手机发指令。 2. 本机模式：电脑必须开着 本机模式的重点是： WorkBuddy 可以远程操作你的电脑。 它适合这些任务： ...

WorkBuddy 实战手册 · 第6篇 一个文件夹里有 137 个文件。 Word、PDF、TXT、图片、Excel 混在一起。 文件名也很熟悉： 会议纪要最终版 会议纪要最终版2 会议纪要最终版绝对不改了 会议纪要真最终版 需求听起来不复杂： 把这些资料整理成一份 PDF 合集，按时间排序，统一格式，方便归档。 但真正做起来，问题就来了。 分类要逐个打开看；Word 要另存为 PDF；扫描件要识别；重复版本不能误删；最后还要按顺序合并。 这类活有一个特点：不难，但非常消耗人。 它不需要多少创造力，却要求你一直点开、判断、拖拽、另存为、合并，中间还不能走神。漏一个文件，后面可能就要重来。 后来我用 WorkBuddy 跑了一遍。 这篇就讲一个很具体的办公场景：怎么用 WorkBuddy 批量处理文件，把「整理、转换、合并」这条最无聊的流水线自动化。 先说结论： 文件处理不是最适合炫技的 AI 场景，但可能是最容易省时间的 AI 场景。 前提是，指令要写清楚，边界要画明白。 一、为什么批量文件处理特别适合交给 AI 文件整理这件事，本质上不是一个动作，而是一条流程。 通常包括五步： 扫描文件 判断内容 分类归档 格式转换 合并输出 每一步都很规则化，每一步又高度重复。 这正好是 AI Agent 适合发挥的地方。 整理 5 个文件，手动可能更快。 整理 50 个文件，AI 开始省时间。 整理 100 个以上文件，差距会非常明显。 因为人最怕的不是「判断一次」，而是「重复判断一百次」。 WorkBuddy 的价值也不只是「帮你改文件名」。更准确地说，它处理的是一个文件夹里的工作流：扫描、理解、分类、移动、转换、输出结果。 这和在聊天框里上传一个文件让 AI 修改，不是同一件事。 上传文件，是「你把东西递给它」。 授权工作空间，是「你给它限定一个工作台，让它在这个范围内干活」。 但也正因为它能动本地文件，所以第一条原则必须先讲清楚： ...

本文是「术语解构」系列之一。上一篇《Token 到底是什么》我们搞清楚了大模型的计量单位，这一篇来拆它最常被吹的参数：上下文窗口。 厂商发布会说：支持 100 万 token 上下文。 学术测试说：32K 的时候，12 个主流模型里有 11 个能力已经腰斩。 窗口只用了 3%，模型就开始变笨——这中间发生了什么？ 这篇把近两年最关键的几组公开测试数据摆在一起，讲清楚标称窗口和有效窗口之间隔着什么。 一、1M token 到底有多大 1M token 能装下很多，但不等于都能用好 先建立体感。按 Qwen 系列 tokenizer 处理中文的大致压缩率（1 个 token 约对应 1～1.5 个汉字）估算：1M token 大约能装下 100 万～150 万字中文。《三体》三部曲全文约 88 万字——也就是说，一整套《三体》塞进去，窗口还有富余。 听起来很美好。但有三笔账，发布会不会告诉你。 第一笔：输入和输出是不对称的。 窗口 1M 指的是模型一次能“读”多少。它一次能“写”多少？主流模型的输出上限普遍只有 8K～65K token。你可以把三本书塞进去，但它没法给你写出一本书来。上下文窗口是个漏斗，进去的多，出来的少。 第二笔：厂商用定价告诉你，长上下文有多贵。 看两个 2026 年的真实定价规则： Gemini 3 Pro：上下文超过 200K，按阶梯涨价 GPT-5.5：输入超过 272K token，价格直接翻倍 如果长上下文是白捡的能力，厂商为什么要在这个位置设收费闸门？因为注意力机制的计算成本随序列长度平方增长——窗口翻倍，注意力层的计算量大约翻四倍。这笔账最终会转嫁到你的账单上。 第三笔：显存账。 这个系列的老读者应该有条件反射了：任何“能力”最终都要落到显存上。一个 32B 模型，在 1M 上下文满载时，仅 KV Cache（模型推理时的“草稿纸”，后面会单独写一篇）就需要 64GB 以上显存（FP16）。什么概念？一台 24GB 的 MacBook Pro，连这张“草稿纸”的一半都装不下，模型本体还没算。这也是为什么你在本地部署时，把上下文长度往大了调，内存占用会肉眼可见地飙升。 ...

WorkBuddy实战手册 · 第5篇 同一个任务：一份5000字的行业调研报告，6个维度，20多个关键数据点，每个数据都要标来源。 手动做，10到15小时。交给 WorkBuddy，1到1.5小时。其中大部分时间，你只是在旁边看着，偶尔插一句嘴。 写一篇行业分析报告要多久？简单的两三天，深的一两周。时间主要花在哪——写作只占20%，剩下80%全在找资料、交叉验证、整理来源。 打开十几个浏览器标签页，这个网站抄一段那个网站抄一段，数据对不上还得找第三个源确认。最痛苦的是写到后面忘了某个数据从哪来的，翻半天历史记录，找不到只能删掉重查。 这篇讲怎么用 WorkBuddy 做一份带信息来源的调研报告：从定选题到导出成品，全程在一个对话框里完成。第一次跑的时候我也踩了坑，下面一起讲。 一、先说清楚：WorkBuddy做调研和“百度一下”差在哪 很多人觉得调研就是搜索，打开 WorkBuddy 直接说“帮我调研一下AI算力行业”。能跑，但出来的东西大概率是一篇正确的废话。 简单搜索是“找一个答案”，深度调研是“拼出一个完整的认知”。前者搜一次就完，后者需要多轮搜索、交叉验证、甄别矛盾信息、结构化整合，完全是另一个量级的活。 WorkBuddy 做调研，最打动我的是两点。 一是真联网。不是拿训练数据糊弄你，是实打实去网上搜当前最新的信息。行业调研最怕过时数据——拿去年的数字写今年的报告，内行人一眼看穿。 二是多轮搜。不是搜一次就完事，而是根据上一轮结果判断还缺什么，自动发起第二轮、第三轮搜索。你给它一个问题，它自己拆成若干子问题，逐个搜、逐个验，最后拼到一起。 而且这个过程全程可见：每一轮搜了什么、找到了什么、下一步打算搜什么，都在对话区展示。不是黑箱，你随时可以插嘴“这个方向不用查了”或者“这块再深挖一下”，它听人话。 二、实战：从一句话到一份带引用的调研报告 场景：写一份“2025年中国AI算力行业现状”的调研报告，给领导或客户看，要求有数据、有来源、有判断。 第一步：Plan模式定框架，框架不确认不动手 别上来就说“帮我写一份AI算力行业调研报告”。我第一次就这么干，它直接开写，出来的东西结构散乱，该有的维度没有，不需要的塞了一堆。 正确做法是先用 Plan 模式让它出框架： 「我需要写一份关于2025年中国AI算力行业现状的调研报告。请先用Plan模式，帮我规划报告的框架，包括要覆盖的核心维度、每个维度需要搜索的关键问题、预期数据来源类型。框架发给我确认后再开始调研。」 WorkBuddy 会先拆解报告应该覆盖的维度——市场规模、主要玩家、技术路线、政策环境、供需格局、价格趋势、未来展望——每个维度下列出要搜的具体问题。 你检查框架，要加、要砍、要调优先级，直接说。框架阶段调整成本几乎为零，等报告写完再调结构等于重做。 我有一次没确认框架就让它跑，搜了20分钟出来，发现缺了“价格趋势”这个维度——恰恰是领导最关心的，补搜又花了不少时间。后来学乖了。 第二步：切Craft模式，逐维度搜索 框架确认后，切到 Craft 模式： 「框架确认。请按以下顺序进行调研，每个维度搜索完成后先汇总该维度的发现和来源，再进入下一个维度。所有关键数据必须标注来源（网站名称+链接+检索日期）。」 这条指令有三个关键点。 逐维度搜，不要一把梭。每个维度搜完给你看结果，确认信息够了再进下一个。你能控制节奏，发现某个维度不足时及时补搜。 来源标注必须写进指令。不写的话，WorkBuddy 可能只给数据不给来源。明确要求“网站名称+链接+检索日期”三要素，报告里每个数据都能追溯。你想想，一份数据查不到来源的调研报告，跟编的有什么区别？ 要阶段性汇总。这比一口气搜完所有维度再给你一个长报告好得多，因为你能在过程中纠偏。 第三步：盯着它搜，跑偏随时插嘴 WorkBuddy 搜索时，对话区会实时展示它搜了哪些关键词、打开了哪些网页、提取了什么信息。发现方向不对，随时说： 「政策环境这块搜得太浅了，目前只有国家级政策，请补充地方政策，特别是北京、上海、深圳的算力补贴政策。」 它会基于你的反馈调整搜索策略，不会从头开始，而是在已有结果上补充——多轮对话的好处就在这，它记得之前搜了什么、还缺什么。 我有一次看它搜“主要玩家”，只搜了阿里、腾讯、华为这些互联网大厂，漏了浪潮、曙光这类专业算力服务商。我插了一句“补充专业算力服务商的信息”，它立刻发起新一轮搜索补上了。我要是不管，报告里就缺一大块。 第四步：数据打架时，让它标矛盾，别替你选 不同来源的数据对不上，是调研里最头疼的事之一。比如AI算力市场规模，有的报告说1500亿，有的说2000亿，差距不小。手动调研时你得自己判断哪个更靠谱，费时费力。 WorkBuddy 碰到这种情况会主动标注： 「关于2025年中国AI算力市场规模，不同来源数据存在差异。来源A（某某研究院）数据为1500亿元，来源B（某某咨询机构）数据为2000亿元。差异可能源于统计口径不同：来源A仅统计智能算力，来源B包含通用算力和智能算力。」 它不帮你随便挑一个数字，而是告诉你矛盾在哪、差异原因可能是什么，判断权留给你。后续指令里你可以告诉它用哪个口径，或者两个都保留并说明差异。 数据矛盾时，AI 负责标注，人负责判断 第五步：一条指令，输出带引用的完整报告 所有维度搜完后，让它整合： 「所有维度调研已完成。请将以上所有发现整合为一份完整的调研报告，要求： 报告结构按确认的框架组织，包含摘要、各维度分析、结论与展望 所有关键数据在正文中用括号标注来源编号，报告末尾附完整来源列表 每个维度末尾加一段“分析师判断”，基于数据给出趋势判断 总字数控制在5000字左右 保存为Word格式」 这条指令决定成品质量，四个点都不能省。 来源标注方式要明确。“正文用编号、末尾附完整列表”，报告既好看又可追溯；不指定，来源散落正文，读起来乱。 “分析师判断”让报告从资料堆砌升级为有观点的分析。光有数据没有判断的叫资料汇编，不叫调研报告。 字数必须说。不说的话，它可能给你3000字，也可能给你10000字。 ...

WorkBuddy 实战手册 · 第3篇 同一个任务：清洗一份500行的销售数据，分类汇总，出3张图表，整理成Word报告。 手动做，实测85到155分钟。交给 WorkBuddy，算上人工确认的时间，10分钟以内。全程不写一个公式，不建一张透视表。 Excel 是职场里最矛盾的工具：人人都打开过，真正能熟练处理数据的人不多。VLOOKUP、透视表、条件格式——名字都听过，真用的时候还得一边查教程一边试错。而数据分析最耗时间的，往往不是“分析”本身，是分析之前那堆体力活：日期格式不统一、产品名称多了空格、数字和文字混在一列、空值不知道怎么处理。 这篇讲怎么把这些体力活整个交出去，同时守住几条不能交出去的底线。 一、为什么是 WorkBuddy 而不是继续死磕 Excel Excel手动操作与 AI 执行助理的差异 你想知道的其实很简单：哪个产品卖得最好？哪个区域销售额最高？本月有没有异常？这些需求本身不复杂，但在 Excel 里要经过很多步：清洗、筛选、建透视表、插图表、调格式、复制到 Word。 WorkBuddy 的优势不是“替代 Excel”，而是把这些重复操作变成自然语言任务。你只需要把文件拖进去，说清楚三件事：按什么维度分析、算哪些指标、输出什么格式。 剩下的读取、清洗、统计、出图、成文，交给它执行。 Excel 是工具箱，WorkBuddy 是一个能听懂任务的执行助理。 二、实战：一份销售数据的完整分析流程 假设你手头有一份月度销售数据 Excel，包含日期、产品名称、区域、销售额、销量等字段，500行左右。目标：清洗数据，找出表现最好的产品和区域，出图，整理成 Word 报告。五步走完。 第一步：先让它看懂数据，别急着分析 打开 WorkBuddy，选 Craft 模式，把 Excel 拖进对话区。不要一上来就说“帮我分析一下”——太泛，AI 只能给你空泛总结。第一条指令这样写： 先读取这份Excel，做一份数据概况说明：1）多少行、多少列；2）每列字段名称和数据类型；3）哪些列存在空值、重复值或格式异常。暂时不要修改原始数据，只检查，只说明。 它会返回一份“数据体检报告”。这一步非常关键：后续所有分析都建立在字段识别和数据质量之上，第一步看错了字段，后面的结论跟着全错。 第二步：清洗数据——先诊断，再动手 AI做数据清洗必须先诊断，再确认处理 真实的 Excel 几乎没有干净的：日期一列三种写法、“产品A”和“产品 A”被当成两个产品、销售额里混着“未统计”、空值散落各处。 第二条指令，注意这里的关键约束： 帮我清洗这份数据：1）日期统一为 YYYY-MM-DD；2）去除产品名称和区域名称中的多余空格；3）检查销售额、销量字段里的非数字内容，列出异常值；4）对空值先不要直接替换，告诉我空值分布，并给出建议处理方式；5）完成后输出一份清洗记录，说明每一步处理了多少条数据。 为什么空值不能一句话让它全填0？因为不同字段的空值含义不一样：销售额为空可能是没统计，销量为空可能是漏填，区域为空是数据不完整。直接替换成0，均值和客单价会被拉低，数据含义也变了。 先让 AI 列出问题，你来决定怎么处理。 确认之后再追加一条： 确认：销售额和销量的空值按0处理；区域为空的记录标记为“未知区域”；生成清洗后的Excel，保留清洗记录。 清洗后的改动可以在结果区的“变更”标签里逐条核对，效果类似 Word 的修订模式——每处修改的前后对比都看得到。财务、合同这类不允许出错的数据，这个功能尤其重要。 第三步：分类统计，算出核心指标 基于清洗后的数据做分类统计：1）按产品类别汇总销售额和销量；2）按区域汇总销售额和销量；3）列出销售额Top5和最低5个产品；4）如果表中存在上月或同期数据，计算环比或同比；如果没有，明确说明“原表缺少对比周期数据，无法计算增长率”，不要编造；5）结果用表格呈现。 这在 Excel 里要建透视表，在这里一句话。它会返回类似这样的结构化表格（示例）： 产品类别 销售额（万元） 销量 环比增长 电子产品 156.3 1,240 +12.5% 家居用品 89.7 2,100 -3.2% 服装 67.4 890 +8.7% 表格后面通常跟一段判断：“电子产品环比增长12.5%，是增长最快的品类；家居用品下滑3.2%，建议关注原因。”这段判断基于前面算出的数据，有数据，有结论，不是空话。 ...

WorkBuddy 实战手册 · 第2篇 上一篇里，我提到一个心法：把你脑子里那套隐性标准，翻译成显性约束。 “帮我写个报告”——隐性标准是“我想要一份看起来靠谱的、领导能看的报告”，但 AI 读不懂“靠谱”和“能看”。它只认你写出来的东西：格式、语气、篇幅、结构、约束。说白了，一条好指令要回答四个问题：做什么、基于什么做、交付什么、不能怎么做。 这篇就把那个心法落地。20个指令模板，覆盖最常见的办公场景，每个都能直接复制到 WorkBuddy 的输入框里用。用完之后你会理解一个规律：好指令不是写得多，而是写得准。 写在前面的 AI 工具多到挑不过来，但有一个问题很少有人提：怎么才能让 AI 替你干活，而不是替自己发挥？ 答案很简单——你得把它当“自己人”。把你的素材、数据、文档喂给它，它才能用你的东西干你的活。否则它就只能凭自己的理解去猜，猜出来的东西看着像，但不是你的。 WorkBuddy 解决这个问题的方式很直接：连接器。 在对话框里，通过连接器打通你的工作生态——腾讯文档、钉钉、腾讯会议、IMA 知识库（这个后面会专门讲）、QQ 邮箱、飞书、企业微信、Notion、GitHub……你的素材在哪里，它就连接哪里。甚至可以自定义连接器，对接你自己的系统。 连接好了之后，AI 读的是你的数据，用的是你的素材，产出的结果自然也是你的——不再是一份“看起来还行但和我没关系”的通用内容，而是一份带着你的真实信息、你的业务语境的成品。 把数据喂进去，AI 才能真正替你干活。这步不做，后面的所有技巧都白搭。 一、指令公式：四要素拆解 好指令的四要素：目标、输入、输出格式、约束 先记住一个公式，后面所有模板都踩着它走： 目标 + 输入 + 输出格式 + 约束 要素 含义 示例 目标 你要它做什么 写一份周报 输入 它基于什么材料来做 上传的项目进展文档 输出格式 你想要什么格式的结果 Word / Excel / PPT 约束 风格、篇幅、语气、限制 语气正式，不超过1500字，不要编造数据 四要素不全，产出必打折。少了“输出格式”，它可能只给你一段纯文字，而不是你想要的 Word 或 Excel 文件。少了“执行约束”，语气、篇幅、结构就会变成 AI 自己猜。 下面的20个模板，每一个都踩准了这四个要素。你可以直接用，也可以根据自己的实际情况替换其中的关键词。 二、文档写作类（模板1-5） 1. 项目周报 1 根据我上传的本周工作记录，帮我写一份项目周报，包含三个部分：本周工作总结（列出3项已完成的关键任务及成果）、下周工作计划（列出2项重点工作及预期目标）、需要协调的事项（1项，附建议解决方案）。语气正式，适合发给领导看，突出结果和进展，不要写成流水账，Word格式输出。 产出：一份结构完整的 Word 周报，三个板块都有标题和内容。 ...

WorkBuddy 实战手册 · 第1篇 我见过太多人下载了 WorkBuddy，打开，盯着空白界面看了 30 秒，关掉。 这不怪你。大部分 AI 工具的问题不在功能，而在入口：你知道它能干活，但不知道第一步该干什么。 这篇就是那个入口。从下载安装到让它交出第一份 Word 周报，实测 10 分钟。跟着做就行。 一、下载安装：电脑端认准官网 WorkBuddy 从下载安装到第一次可用的 5 步流程 WorkBuddy 有电脑端和手机端。电脑端是完整功能的载体——文件操作、多任务并行、代码开发这些核心能力全在桌面版。手机端定位是移动指挥所，不依赖电脑也能派任务（后面会专门讲）。 电脑端：必须去官网下载。 https://www.codebuddy.cn/work/ 页面会自动识别你的操作系统，提供 Windows 和 macOS 两个版本。下载后双击安装包，一路下一步。系统要求不高：Windows 10 及以上，macOS 12 及以上，建议 8GB 内存，安装包约 500MB。 为什么强调官网？因为桌面端涉及本地文件读写权限，非官方渠道的安装包有安全风险。codebuddy.cn/work 是唯一可信的下载入口。 手机端：应用市场搜“WorkBuddy”。 App Store 或各大安卓应用商店直接搜。微信里还有小程序“腾讯WorkBuddy”，不装 App 也能用——云端模式不依赖电脑，本机模式远程连接桌面端。 二、登录与授权：两分钟搞定 AI工具只读取被授权的文件夹 打开后第一步是登录。支持微信扫码和手机号两种方式，建议用微信——后续联动腾讯文档、小程序更方便。 登录后，系统会提示你授权文件夹。很多人在这一步犹豫：让 AI 读我的文件，安全吗？ 两句话说清：WorkBuddy 只能读取你明确授权的文件夹，不会碰任何未授权的内容。 只授权你实际需要它处理的目录——桌面和文档文件夹就够了。不需要全盘授权，也不建议全盘授权。 授权完成，进入主界面。 三、界面认识：三个区域，各管各的事 WorkBuddy 的界面只有三个区域： 区域 位置 干什么 左侧栏 左边 任务列表和历史记录，底部是头像和设置入口 对话区 中间 输入需求、和 AI 对话、上传文件 结果区 右边 查看生成的文件、代码、预览 第一次打开，对话区是空的。别慌，这就是你接下来要填的地方。 ...

前几天我试了一下 WorkBuddy，原本的想法很简单：看看它能不能替我写一篇公众号文章。 试完之后，结论先放这儿：能写，但如果只把它当“写稿工具”，挺浪费的。 真正让我觉得有用的，不是它替我写了几段正文，而是它把公众号写作前后那一串琐碎流程接了过去：查资料、搭结构、出初稿、写封面提示词、排版、存草稿。 这篇文章就讲清楚三件事：它到底能干到哪一步，它的短板在哪，以及我以后会怎么用它。 一、一个人做公众号，最累的不是写，是写之前 一个人做公众号，被一堆准备工作包围 一篇文章从想法到发布，中间有一长串不起眼的小动作：选题要想，资料要查，数据要核，结构要搭，正文要写，封面要配，后台要排版，最后还要预览手机效果。每一步单独看都不复杂，但全部压在一个人身上，就很容易拖延。 我以前写一篇工具类文章，流程基本固定：想到题目，打开浏览器查资料。查完之后资料是散的——官网页面、新闻稿、价格表、别人写过的介绍，还有一些不确定是否准确的二手信息。要把这些重新整理成自己的结构，判断哪些能用、哪些要删、哪些需要再核实，然后才轮到真正写正文。 写完也没完。还要想标题、配封面、调小标题、把文章贴进公众号后台一段一段检查格式。有时候文章明明写完了，就因为不想处理封面和排版，在草稿里一放好几天。 公众号写作最消耗人的，从来不是“写几段文字”，而是从一个想法到一篇可发布文章之间那条长流程。 特别是写 AI 工具、模型、算力、价格对比这类文章，前面的核对更烦。读者关心的是具体信息：价格多少，功能开没开放，国内能不能用，适合谁。只要有一个关键参数写错，整篇文章的可信度就塌了。 这也是我这次想试 WorkBuddy 的原因。我不指望它一次生成一篇完美文章，我想看的是：这条流程，它能帮我往前推多远。 二、它不是聊天工具，是能跑流程的桌面助理 WorkBuddy 和普通 AI 聊天工具不太一样。 普通 AI 工具是“你问我答”：让它写一段话，它给你一段话；让它列大纲，它列大纲。有用，但后面的动作还得你自己做——开网页、查资料、整理文件、贴到后台、排版、存草稿。 WorkBuddy 更像一个桌面助理。它的特点不是单次回答多漂亮，而是能把任务拆开，然后一步一步执行。 它能打开浏览器查资料，能读你指定的本地文件，还能把整理结果放进文档里。 对公众号写作来说，这比“写一段更好看的文字”实用得多，因为公众号不是单点任务，是一串任务。哪怕它生成的第一版不完美，只要能把空白页变成一个有结构、有素材、有配图思路的草稿，对个人创作者来说就已经省了不少时间。 先把丑话说在前面：它不是那种“输入一句话，直接给你一篇可以群发的文章”的工具。至少以我这次的体验看，还不能这么用。它适合干前期和中间环节的活，最后那一遍判断和修改，还是得自己个来。 三、实测：让它写一篇“AI 工具速递” 这次我选的测试任务，是一篇“AI 新工具速递”类公众号文章。 WorkBuddy 把公众号写作流程往前推进 这类文章看着不复杂，写起来挺麻烦。它不是纯观点文，不能只写“这个工具很强”“哪个很适合创作者”，你得知道每个工具最近更新了什么、发布时间、功能限制、价格变化、适合开发者还是内容创作者。 所以我给 WorkBuddy 的指令不是一句“帮我写一篇 AI 工具文章”，而是说得很具体： 帮我写一篇 7 月 AI 新工具速递类公众号文章，挑 5 款和开发者、内容创作者相关的新品。每个工具都要写清楚发布时间、主要功能、价格或使用限制、适合人群，再加上我的判断。写完后生成封面图提示词，并整理成适合微信公众号排版的格式。 后面我又补了一句： 保存到公众号草稿箱，不要发布。 这句话很关键。AI 可以帮你写、帮你排版、帮你存草稿，但发布按钮最好还是自己点。 文章一旦发出去，标题有没有夸张、数据有没有错、图片有没有版权问题，最后都算在作者头上。AI 可以替你干活，不能替你承担发布责任。 WorkBuddy 接到任务后，没有直接开写，而是先把任务拆开：先查资料，再把不同工具的信息整理出来，然后才生成文章结构。这比直接让聊天工具硬写一篇要稳，因为它至少先做了资料准备。 当然，资料准备不等于完全准确。价格、发布时间、功能开放范围这些细节，还是要自己再核一遍。 四、最省时间的三件事：资料、大纲、配图提示词 这次试下来，我觉得它最有用的地方有三个，都不在正文。 第一，资料整理。 工具类文章最怕信息散：功能说明在官网，价格在另一个页面，更新记录在博客或公告里，别人的介绍又夹着不少二手理解。手动整理的结果往往是浏览器标签页越开越多，写文章的精力先被消耗光了。 WorkBuddy 可以把这些信息按固定结构先整理出来：这个工具是什么、更新了什么、适合谁、限制在哪。整理出来的内容不一定能直接进文章，但至少让素材从“散乱网页”变成了“可处理材料”。 第二，搭大纲。 写文章经常在结构上花时间：先讲什么后讲什么，哪些放前面吸引读者，哪些放后面做判断。它给的第一版大纲不一定符合个人的表达习惯，但有了框架再删改，比从空白文档开始轻松太多。 第三，配图提示词。 写 AI、算力、本地模型这类文章，经常需要横版封面和正文插图。图不能太花，不能像广告，不能出现真实品牌 Logo。WorkBuddy 能根据文章内容生成图片提示词，比如：2.35:1 横版、极简写实科技风、不要人物、不要真实商标、右下角加 by OneCai。提示词一旦标准化，整个账号的配图风格就稳了。 ...