企业官网建设流程全解析

1. 从一场征集活动说起：WorkBuddy 到底在解决什么问题

第一次看到这个征集标题的时候，我脑子里冒出来的第一个念头不是"又有活动了"，而是"终于有人把 AI 办公工具的真实使用场景拿出来聊了"。市面上讲 AI 办公的内容太多了，但绝大多数停留在"这个工具能做什么"的层面，很少有人认真讲"我用它做完了什么、中间卡在哪、最后怎么绕过去的"。而这次征集的核心恰恰是后者——分享你用 WorkBuddy 完成的一项具体工作任务。

WorkBuddy 这类工具的本质，是把大模型的能力封装成一个个可调用的"技能单元"，再通过一套调度机制把它们串起来，去完成一件完整的、有交付物的工作。它和单纯的对话式 AI 最大的区别在于：对话式 AI 给你的是"建议"，WorkBuddy 给你的是"结果"。你告诉它"帮我把这份季度销售数据整理成一份带图表的汇报文档"，它不会只回你一段"你可以这样做"的文字，而是真的去读文件、处理数据、生成图表、输出文档。

这里面涉及几个关键词需要先理清楚。Skill是 WorkBuddy 的能力单元，你可以把它理解成一个"插件"或者"工具函数"，每个 Skill 负责一类具体任务，比如读 PDF、写 Excel、调接口、做格式转换。MCP是模型与外部工具之间的通信协议，它规定了 AI 怎么去调用这些 Skill、怎么把参数传进去、怎么把结果拿回来。Prompt则是你给 AI 的指令，它决定了 AI 理解你意图的准确度。这三者构成了 WorkBuddy 干活的基本链路：Prompt 表达意图，MCP 负责调度，Skill 执行具体操作。

适合看这篇内容的人其实很广。如果你是完全没用过的新手，可以从后面的安装配置和第一个任务跑通开始看；如果你已经用过一段时间但总觉得"差点意思"，那中间关于 Skill 选型和 Prompt 写法的部分应该对你有用；如果你是团队里负责推广 AI 工具的人，最后关于工作台搭建和场景沉淀的思路可以直接拿去用。

我自己的使用经历比较典型：最开始把它当成一个"高级搜索框"用，问什么答什么，效率提升有限。后来才慢慢意识到，它的价值不在于"回答"，而在于"执行"。这个认知转变花了我大概两周时间，走了不少弯路，下面把这些经验拆开讲。

2. 装完之后的第一步：别急着问问题，先搭工作台

2.1 安装环节最容易忽略的两件事

WorkBuddy 的安装本身不复杂，官方文档写得很清楚，但有两个细节是文档里一笔带过、实际用起来却很要命的。

第一个是工作目录的规划。很多人装完之后默认把文件丢在下载目录或者桌面，结果用了一周发现 AI 每次读文件都要重新定位路径，而且不同任务的产出物混在一起，找都找不到。我的做法是在装完之后第一件事就是建一个专门的工作目录，按"输入/处理中/产出"三个子目录分开。输入目录放原始素材，处理中放中间文件，产出目录放最终交付物。这样每次给 AI 下指令的时候，路径是固定的，不用反复确认。

第二个是权限配置的粒度。WorkBuddy 在调用 Skill 去读写文件、访问网络的时候，是需要授权的。默认配置下权限给得比较宽，方便你快速跑通，但如果你要处理的是公司内部数据，建议在跑通第一个任务之后立刻收窄权限范围，只开放当前任务真正需要的目录和接口。这个动作花不了五分钟，但能避免很多后续的麻烦。

提示：安装完成后先不要急着导入任何真实业务数据，用一个无关紧要的测试文件把完整链路跑一遍，确认读写、转换、输出都正常之后再上真实数据。

2.2 工作台不是"界面"，是"任务模板的集合"

"搭建工作台"这个词听起来很虚，我一开始也以为是换个皮肤或者调整布局。用久了才明白，WorkBuddy 里的工作台本质上是你常用任务的模板集合。你把一类反复要做的事情固化下来——固定的输入格式、固定的处理步骤、固定的输出样式——下次遇到同类任务，直接调用这个模板，改几个参数就能跑。

举个我自己的例子。我每周要处理一次周报汇总，流程是：收集团队成员提交的零散文档、提取关键进展、按项目归类、生成统一格式的汇总文档。这个流程我跑了三次之后，就把它固化成了一个工作台模板。现在每周只需要把新收到的文档丢进输入目录，点一下运行，五分钟出结果。之前手动做这件事大概要花四十分钟。

搭建工作台的关键在于识别哪些任务是"可模板化"的。判断标准很简单：如果一件事你每周或每月都要做，而且步骤基本固定、只是输入数据在变，那它就值得做成模板。反过来，一次性的、每次逻辑都不一样的任务，就没必要固化，直接用对话方式让 AI 处理就行。

2.3 第一个任务选什么最合适

新手最容易犯的错是上来就挑一个复杂任务，结果中间某个环节卡住，整个流程跑不通，挫败感很强。我的建议是第一个任务选"输入格式规整、输出要求明确、中间不需要太多判断"的类型。

比较理想的入门任务是文档格式转换，比如把一批 PDF 转成结构化数据，或者把散落的表格合并成一张总表。这类任务的特点是：AI 不需要理解内容的深层含义，只需要按规则搬运和整理，成功率很高，能让你快速建立信心，同时熟悉 Skill 的调用方式和 MCP 的调度逻辑。

等这类任务跑顺了，再逐步过渡到需要"理解"的任务，比如从会议记录里提取待办事项、从用户反馈里归纳问题分类。这类任务对 Prompt 的要求高很多，放在后面做更合适。

3. Skill 选型：不是越多越好，而是越准越好

3.1 Skill 的三种类型和各自的适用边界

WorkBuddy 生态里的 Skill 大致可以分成三类，理解这个分类能帮你少装很多没用的东西。

第一类是基础能力型，比如文件读写、格式转换、文本处理。这类 Skill 是地基，几乎每个任务都会用到，建议全部装上，不用犹豫。

第二类是领域专用型，比如专门处理表格数据的、专门做图像识别的、专门对接某个业务系统的。这类 Skill 按需安装，用不到就别装。装多了不仅占资源，还会让 AI 在调度时产生困惑——它可能选了一个不合适的 Skill 去处理任务，结果自然不对。

第三类是流程编排型，这类 Skill 本身不执行具体操作，而是负责把多个 Skill 串起来，控制执行顺序和条件分支。当你发现一个任务需要"先做 A，根据 A 的结果决定做 B 还是 C"的时候，就需要这类 Skill 了。

我踩过的一个坑是：早期看到什么 Skill 都想装，装了三四十个，结果每次下指令 AI 都要在一堆选项里挑，反而容易挑错。后来精简到十几个常用的，准确率明显上来了。Skill 的数量和任务成功率之间不是正相关，超过某个点之后甚至是负相关。

3.2 怎么判断一个 Skill 值不值得装

我的判断标准有三条，按优先级排列。

第一条：它解决的问题是不是我高频遇到的。如果一个 Skill 对应的任务我一个月才做一次，那手动做也就做了，没必要装。高频才是装 Skill 的核心理由。

第二条：它和已有 Skill 的功能是否重叠。很多 Skill 功能相近，比如有好几个都能做 PDF 解析。这种情况下保留一个最稳定的就行，不要都留着。判断哪个更稳定，看它的更新频率和实际跑下来的成功率。

第三条：它的输入输出格式是否清晰。好的 Skill 会明确定义"我需要什么格式的输入、我产出什么格式的输出"。如果一个 Skill 的接口描述含糊不清，用起来大概率会出问题，因为 AI 也不知道该怎么给它传参数。

下面这张表是我自己整理的部分常用 Skill 的适用场景，供参考：

3.3 Skill 组合使用的调度逻辑

单个 Skill 能做的事有限，真正的威力在于组合。但组合不是简单叠加，中间涉及调度顺序和参数传递的问题。

举个实际例子。我要做的是"从一批扫描件里提取表格数据，汇总后生成分析报告"。这个任务需要三个 Skill 协作：图像识别 Skill 先把扫描件转成文字，表格处理 Skill 再把文字里的表格结构化，最后文本生成 Skill 产出报告。

关键在于中间结果的格式要对齐。图像识别 Skill 输出的是一段文字，表格处理 Skill 期望的输入是结构化的表格数据，这中间需要一个转换步骤。如果直接让两个 Skill 对接，大概率会失败。我的做法是在中间加一个轻量的文本处理环节，把识别结果按行切分、按分隔符拆列，整理成表格处理 Skill 能接受的格式，再往下传。

这个"中间转换"的环节，可以用一个简单的脚本 Skill 来实现，也可以用 Prompt 让 AI 现场处理。前者更稳定，后者更灵活。任务固定的话用前者，任务多变的话用后者。

4. Prompt 写法：决定成败的往往不是工具，是指令

4.1 为什么你的 Prompt 总是"差一点"

很多人用 WorkBuddy 觉得效果不好，第一反应是"工具不行"，但十有八九问题出在 Prompt 上。我见过太多这样的指令："帮我整理一下这个文件"。这句话对人说，人还能猜个大概；对 AI 说，它只能瞎猜——整理成什么格式？按什么维度整理？输出到哪里？全都没说。

好的 Prompt 和差的 Prompt 之间的差距，不是"好一点"和"差一点"，而是"能用"和"不能用"。我做过一个对比测试，同一个任务，模糊指令的成功率大概三成，精确指令能到九成以上。

模糊指令的典型特征是：动词笼统、对象不明、标准缺失。"处理一下""优化一下""看看这个"都属于这类。精确指令则相反：动词具体、对象明确、标准可验证。"把 input 目录下的三个 Excel 文件按'日期'列合并成一个文件，按日期升序排列，输出到 output 目录，文件名用 merged_data.xlsx"——这才是一个能跑通的指令。

4.2 一个可复用的 Prompt 结构

我总结了一个四段式的 Prompt 结构，几乎适用于所有任务型指令。

第一段说背景：告诉 AI 这是什么任务、为什么要做。比如"这是一份月度销售数据，我需要向上级汇报，所以要整理成清晰的汇总表"。背景信息能帮 AI 理解任务的意图，在遇到模糊情况时做出更合理的判断。

第二段说输入：明确告诉 AI 数据在哪、是什么格式。路径要写全，格式要说明。如果输入有多个文件，说清楚它们之间的关系。

第三段说处理：这是核心，把处理步骤拆开写。如果步骤之间有依赖关系，明确说明先后顺序。涉及判断的地方，把判断标准写出来。

第四段说输出：输出格式、输出位置、文件命名规则，全部写清楚。如果对输出有格式要求（比如必须包含哪些列、必须用什么单位），也在这里说明。

用这个结构重写前面那个模糊指令，就变成了："我需要整理一份月度销售汇总表用于汇报。输入是 input 目录下的三个 Excel 文件，分别是华东、华南、华北三个区域的销售明细，每个文件都有'日期''产品''销量''金额'四列。请把三个文件合并，按'日期'列升序排列，相同日期的记录合并计算总销量和总金额。输出到 output 目录，文件名 sales_summary.xlsx，保留'日期''总销量''总金额'三列。"

这个指令跑起来基本不会出错。

4.3 遇到"指令被拦截"怎么办

用 WorkBuddy 的过程中，偶尔会遇到指令被系统拦截的情况，提示大意是"你的指令可能违反了使用规范"。这种情况通常不是你的指令真的有问题，而是触发了某些关键词的误判。

遇到这种情况，我的处理方式是换一种表达方式重写指令，而不是反复提交同一条。具体做法是：把可能引起歧义的词换成更中性的说法，把复杂的复合句拆成几个简单句，去掉不必要的修饰和情绪化表达。绝大多数情况下，重写一遍就能通过。

如果重写之后还是不行，那就把任务拆得更细，分步执行。比如一个指令里同时包含"读取""分析""生成"三个动作，拆成三步分别执行，每步的指令都很简单，触发拦截的概率会大幅降低。

注意：不要试图用各种变体去"绕过"拦截，那样做没有意义。正确的思路是把指令写得更清晰、更规范，让系统能准确理解你的意图。

4.4 Prompt 的迭代和沉淀

Prompt 不是一次写好的，是改出来的。我的习惯是每次任务跑完之后，花两分钟回顾一下：这次哪里卡住了？是哪个环节的指令不够清楚？然后把改进点记下来，更新到我的 Prompt 模板库里。

时间长了，你会积累出一批针对自己常用任务的成熟 Prompt。这些 Prompt 就是你的核心资产，比任何工具本身都值钱。因为工具会换，但"怎么把一件事说清楚"的能力是通用的。

我现在的做法是给每个常用 Prompt 建一个文件，文件里记录三样东西：Prompt 正文、适用场景说明、历史修改记录。修改记录里写清楚每次改了什么、为什么改、改完之后效果如何。这样过几个月回头看，能清楚地看到自己的进步轨迹。

5. 一个完整任务的拆解：从需求到交付

5.1 任务背景和拆解思路

前面讲的都是零件，这一节把零件组装起来，完整走一遍。我选一个真实做过的任务：把一份 50 页的行业调研报告 PDF，提炼成一份 5 页的汇报材料，包含核心结论、关键数据和趋势判断。

这个任务的难点在于：PDF 内容多、结构复杂，直接让 AI 总结容易漏掉重点；汇报材料有格式要求，不是简单的文字摘要；需要从数据里提炼出趋势判断，这涉及一定的分析能力。

我的拆解思路是分四步走：先解析 PDF 提取全文，再分段摘要提炼要点，然后整合要点形成汇报框架，最后按框架生成完整材料。每一步都是一个独立的子任务，可以单独验证结果。

5.2 分步执行的具体操作

第一步，PDF 解析。用文件读取 Skill 把 PDF 转成文本。这里要注意，扫描版 PDF 和文字版 PDF 的处理方式不一样。文字版直接提取就行，扫描版需要先走图像识别。我这份是文字版，直接提取，得到一份约两万字的纯文本。

第二步，分段摘要。两万字一次性丢给 AI 总结，效果不好，容易丢细节。我的做法是按章节切成若干段，每段单独摘要。切分的时候按 PDF 原有的章节结构切，不要机械地按字数切，否则会把一个完整的论述切断。每段摘要控制在 200 字以内，只保留核心观点和关键数据。

第三步，整合框架。把各段摘要汇总，让 AI 从中提炼出三到五个核心主题，形成汇报材料的框架。这一步的关键是给 AI 明确的筛选标准：什么算核心结论、什么算关键数据。我的标准是"能影响决策的信息"——如果一条信息看完之后不会改变任何行动，那它就不进汇报材料。

第四步，生成材料。按框架逐节展开，每节控制在 300 到 500 字，配上从原文提取的关键数据。最后加一段趋势判断，这部分需要 AI 基于前面的内容做推理，Prompt 里要明确说明"基于以上数据，给出三个趋势判断，每个判断要有数据支撑"。

5.3 中间遇到的意外和解决过程

执行过程中遇到了两个意外。

第一个是数据提取的准确性问题。PDF 里的表格在转文本的时候，行列关系丢失了，变成了一堆数字堆在一起。我的解决办法是单独处理表格：先用表格识别 Skill 把表格结构还原，再和正文文本合并。这个步骤多花了十几分钟，但保证了数据的准确性。

第二个是趋势判断太空泛。第一次生成的趋势判断是"市场将持续增长""竞争将更加激烈"这种放之四海而皆准的话，没有价值。我调整了 Prompt，要求"每个趋势判断必须引用报告中的具体数据，并说明数据到结论的推理过程"。改完之后，判断变得具体多了，比如"某细分品类过去三年复合增长率达到 23%，高于行业平均的 11%，预计未来两年仍将保持领先"。

这两个意外让我意识到，AI 处理任务的能力上限，很大程度上取决于你能不能把要求说到位。它不会主动帮你想到"表格结构要保留""判断要有数据支撑"这些细节，这些都得你在 Prompt 里明确提出来。

5.4 最终交付和效果复盘

最终产出的汇报材料 5 页，包含三个核心结论、六组关键数据、三个趋势判断。从开始到交付，总共花了大约一个半小时。如果纯手工做，这份材料大概需要半天时间。

效果复盘下来，有几个点值得记录。省时间的主要环节是信息提取和初稿生成，这两步 AI 做得又快又好。需要人工介入的主要是判断和取舍，哪些信息重要、哪些结论站得住脚，这些还是得人来把关。所以正确的定位是：AI 负责"做"，人负责"判断做什么"和"做得对不对"。

这个任务后来被我固化成了工作台模板。现在遇到类似的调研报告，直接套模板，半小时内出结果。

6. 把一次性任务变成可复用的能力

6.1 什么样的任务值得沉淀

不是所有任务都值得做成模板。我的判断标准是"三高"：高频、高耗时、高标准化。三个条件同时满足，才值得花时间沉淀。

高频意味着复用次数多，沉淀的成本能摊薄。高耗时意味着单次节省的时间可观。高标准化意味着流程稳定，不会每次都要重新设计。三个条件缺一个，沉淀的性价比就不高。

举个例子。"每周汇总团队周报"符合三高，值得沉淀。"帮某个客户做一次定制化方案"不符合高频，不值得沉淀。"整理会议纪要"符合高频和标准化，但单次耗时不算高，可以沉淀也可以不沉淀，看个人习惯。

6.2 沉淀的具体做法

沉淀一个任务，我一般做三件事。

第一件，把 Prompt 固化下来。把跑通的 Prompt 存成模板文件，把其中会变化的部分（比如文件路径、日期范围）用占位符标出来，下次用的时候替换占位符就行。

第二件，把 Skill 组合固化下来。记录这个任务用了哪些 Skill、调用顺序是什么、中间结果怎么传递。如果涉及条件分支，把判断逻辑也写清楚。

第三件，把检查点固化下来。记录这个任务在哪些环节容易出错、需要人工核对。比如数据提取环节要核对数字、格式转换环节要核对排版。这些检查点是保证质量的最后一道防线。

做完这三件事，一个任务就从"每次重新做"变成了"每次套模板"。省下来的不只是时间，还有每次重新思考流程的精力。

6.3 模板的维护和迭代

模板不是做完就一劳永逸的。业务在变、数据格式在变、工具也在更新，模板需要定期维护。

我的做法是每次用模板跑任务的时候，顺手记录一下"这次哪里不顺手"。攒够三五个问题，就集中改一次模板。改的时候注意保留旧版本，万一新版本有问题可以回退。

还有一个经验是：模板不要做得太"满"。留一些灵活空间，让每次执行的时候可以根据具体情况微调。做得太死的模板，遇到稍微不一样的情况就卡住了，反而不好用。

7. 关于这次征集，我的一些实际体会

回到这次征集本身。分享一个用 WorkBuddy 完成的工作任务，看起来是个简单的动作，但真正动手写的时候你会发现，能讲清楚"我做了什么、怎么做的、效果如何"本身就是一种能力。这种能力在 AI 时代会越来越重要——因为工具会越来越强，但"知道自己要什么、能把要求说清楚"这件事，永远得靠人。

我参与这类征集的心态很简单：不是为了拿奖，是为了逼自己把做过的事情梳理一遍。梳理的过程往往能发现一些平时忽略的细节，这些细节才是真正长在自己身上的经验。

如果你也在用 WorkBuddy，我的建议是别只把它当成一个"效率工具"，把它当成一个"能力放大器"。你本来会做的事，它能帮你做得更快；你本来不会做的事，它能帮你做到及格线。但及格线以上的部分，还是得靠你自己的判断和积累。

最后分享一个我最近才想明白的点：WorkBuddy 这类工具的价值，不在于它替你做了多少，而在于它把你从重复劳动里解放出来之后，你有没有把省下来的时间用在真正重要的事情上。如果省下来的时间又填进了新的重复劳动，那工具就白用了。这个问题值得每个用 AI 办公的人认真想一想。