Tencent WorkBuddy Memory-System im Praxistest: Warum geraeteuebergreifende Synchronisierung, versteckte Regeldateien und Ask/Craft/Plan ploetzlich wie der Aufbau eines langfristigen Arbeitspartners wirken

Die frueheren WorkBuddy-Fallstudien drehten sich meist um eine andere Frage:

• Kommt das Tool in Fabriken an?
• Passt es in Lieferketten?
• Kann es Dateien und Systeme verbinden?

Dieser Beitrag beantwortet eine inzwischen fast wichtigere Frage:

Warum fuehlt sich WorkBuddy bei manchen Menschen mit der Zeit wie ein echter, langfristiger Arbeitspartner an, waehrend es bei anderen ein gelegentlicher Helfer fuer Einmalaufgaben bleibt?

Ich habe dafuer mehrere oeffentliche Artikel aus der Tencent Cloud Developer Community neu zusammengesetzt und drei Linien besonders genau betrachtet:

1. Erstkonfiguration
2. Memory-System
3. Synchronisierung ueber mehrere Geraete

Mein Urteil faellt ziemlich klar aus:

Was WorkBuddy nach echter Produktionsumgebung aussehen laesst, ist nicht nur, ob es Aufgaben ausfuehren kann, sondern dass hier eine dauerhafte Struktur aus Arbeitsverzeichnis, Memory-Dateien, Verhaltensregeln und geraeteuebergreifender Synchronisierung entsteht.

Das Fazit vorweg

• Mit Stand 29. Juni 2026 liegen die spannendsten oeffentlich sichtbaren WorkBuddy-Faehigkeiten auf dieser fortgeschrittenen Workflow-Linie in fuenf Bausteinen:
  1. Standard-Arbeitsverzeichnis und Basiseinstellungen
  2. Laufend aktualisiertes Langzeitgedaechtnis
  3. Die drei Modi Ask / Craft / Plan
  4. Versteckte Regeldateien IDENTITY.md / SOUL.md / USER.md
  5. Geraeteuebergreifende Memory-Synchronisierung per Cloud-Laufwerk und Automatisierungsskript
• Der Unterschied zu normaler Office-AI ist nicht einfach, dass WorkBuddy "besser schreibt", sondern dass es anfaengt:
  • sich zu merken, wer du bist
  • zu verstehen, wie du arbeitest
  • den Kontext auf mehreren Rechnern weiterzufuehren
• Wenn du heute an langen Desktop-Workflows, Agent-Automatisierung, Multi-Device-Zusammenarbeit oder Hybrid-Szenarien aus lokalen Dateien und Skripten arbeitest, sind diese Fallstudien oft nuetzlicher als reine Modell-Rankings.

Warum Erinnern wichtiger werden kann als Antworten

Viele machen beim ersten Einsatz von WorkBuddy denselben Fehler:

• installieren und sofort Aufgaben feuern
• direkt Craft starten
• erwarten, dass die KI den Arbeitsstil schon irgendwie versteht

In der Praxis haengt die Langzeiterfahrung aber meist nicht daran, ob die erste Aufgabe klappt, sondern daran:

• ob das Standard-Arbeitsverzeichnis sauber gesetzt ist
• ob Praeferenzen wirklich gespeichert werden
• ob der uebliche Stil verstanden wird
• ob auf einem zweiten Geraet ploetzlich alles vergessen ist

Der entscheidende Unterschied entsteht also selten in einem einzelnen Chat, sondern darin,

ob du aus einem Tool einen Arbeitsbegleiter mit Kontinuitaet machst.

Fall 1: Die erste Aufgabe ist nicht Arbeit, sondern Setup von Verzeichnis, Memory und Modi

Der direkteste oeffentliche Text dazu ist:

WorkBuddy - 设置篇，第一件事不是让它干活（手把手教你基本设置 新手必看）

Gerade fuer Einsteiger ist dieser Beitrag wertvoll, weil er ein paar Punkte anspricht, die in echten Desktop-Umgebungen spaeter den Unterschied machen.

1.1 Das Standard-Arbeitsverzeichnis sollte frueh feststehen und nicht blind auf dem C-Laufwerk landen

Einer der praktischsten Hinweise im Artikel ist simpel:

• das Standard-Arbeitsverzeichnis frueh festlegen
• unter Windows nicht alles auf das C-Laufwerk kippen

Das klingt banal, ist aber sehr nah an realer Produktion. Sobald mehr Aufgaben laufen, stapeln sich lokale Artefakte, Cache-Dateien und Projektordner schnell. Ohne saubere Verzeichnisplanung wird der Desktop-Agent spaeter unordentlich und schwer wartbar.

Das ist kein "Power-User-Hack", sondern eher:

die Grundwartung eines Agent-Workspaces, der langfristig laufen soll.

1.2 Das Memory-System ist kein Deko-Schalter, sondern ein wachsendes Langzeitgedaechtnis

Im selben Beitrag wird klar empfohlen, das Memory-Feature bewusst zu aktivieren.

Die oeffentliche Beschreibung ist deutlich:

• das Gedaechtnis wird durch Gesprache und Aufgaben laufend aktualisiert
• der Agent versteht dich mit der Zeit besser
• Eintraege lassen sich pruefen, bearbeiten, loeschen oder ergaenzen

Das zeigt: Das Memory-System in WorkBuddy ist nicht bloess ein Symbol im UI, sondern als etwas gedacht, das

dauerhaft aufbaut, rueckblickbar bleibt und korrigierbar ist.

1.3 Ask / Craft / Plan sind keine kleinen UI-Toggles, sondern Risiko-Grenzen

Die Erklaerung der drei Modi sollte man unbedingt behalten:

• Ask: nur lesen, nichts schreiben
• Craft: Dateien direkt bearbeiten
• Plan: erst planen, dann nach Bestaetigung ausfuehren

Das ist wichtig, weil viele beim ersten Test reflexartig Craft anklicken. Die oeffentlichen Erfahrungen sagen aber ziemlich klar:

• Einsteiger sollten mit Ask anfangen
• komplexe Aufgaben gehoeren zuerst in Plan
• Craft ist fuer Momente geeignet, in denen die Grenzen bereits klar sind

Damit wird AI-Nutzung nicht nur leistungsfaehiger, sondern besser kontrollierbar.

Fall 2: Echte Partnerlogik beginnt dort, wo Identitaet, Stil und Nutzerprofil in Dateien landen

Aus derselben Setup-Linie sticht fuer mich vor allem das versteckte Verzeichnis .workbuddy heraus.

Die oeffentlich genannte Ablage ist:

• ~/.workbuddy/ unter Mac / Linux
• C:\\Users\\dein-benutzername\\.workbuddy\\ unter Windows

Die drei zentralen Dateien darin sind:

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md: Wer der Agent sein soll

Der oeffentliche Beitrag erklaert diese Datei erfreulich konkret:

• Name
• Rollenbild
• Fokusgebiet
• Faehigkeitsrahmen

Damit wird die "Persoenlichkeit" von WorkBuddy nicht nur durch temporaere Prompts bestimmt, sondern dauerhaft konfigurierbar gemacht.

2.2 SOUL.md: Wie der Agent spricht und arbeitet

Diese Datei ist eher die Verhaltensschicht. Die veroeffentlichten Beispiele nennen unter anderem:

• lieber knapp als ausgeschmueckt
• erst das Fazit, dann Details
• bei riskanten Aktionen zuerst bestaetigen
• Fehler direkt benennen statt lange Entschuldigungsroutinen abspulen

Das ist kein normales Chat-Feintuning mehr, sondern die Definition davon,

was fuer eine Art Kollege dein Agent im Alltag sein soll.

2.3 USER.md: Wer du bist

Im Kern teilt diese Datei der KI mit:

• deinen Hintergrund
• deine Arbeitsweise
• deine Vorlieben

Das Produktionsnahe an WorkBuddy liegt also nicht nur in der Modellwahl, sondern darin,

dass die Beziehung zwischen Mensch und Agent in Dateien festgeschrieben wird.

Das ist erheblich stabiler, als dieselben Regeln immer wieder in Chats nachzureichen.

Fall 3: Nach 40 Tagen wird aus Tool-Nutzung Partnerpflege und nicht bloss Modellbewunderung

Ein zweiter oeffentlicher Beitrag, der sich gut einfuegt, heisst:

当 AI 开始记住你是谁——我与 WorkBuddy 共处 40 天的真实体感

Der Wert dieses Textes liegt gerade darin, dass er kein Tutorial ist, sondern Langzeitfeedback.

Aus Suchergebnissen und oeffentlicher Struktur lassen sich dort mehrere Kernteile bestaetigen:

• zuerst Regeln setzen
• ein Memory-System aufbauen
• Automatisierungen konfigurieren
• ueber mehrere Geraete hinweg arbeiten
• Stolperfallen festhalten

Ich halte die zentrale Einschaetzung daraus fuer sehr treffend:

Wie weit eine AI kommt, haengt nicht nur vom Modell ab, sondern davon, wie viel Zeit du in ihre Fuehrung und Kalibrierung investierst.

Gerade bei WorkBuddy passt das gut. Viele behandeln Agenten wie Wegwerf-Tools. Dieser Erfahrungsbericht beschreibt aber eine andere Nutzungslogik:

• nicht jedes Mal bei null anfangen
• stattdessen laufend nachkalibrieren

Genau dort beginnt langfristige Zusammenarbeit.

Fall 4: Geraeteuebergreifende Memory-Synchronisierung macht Kontext von einer Sitzung zu einem Asset

Wenn die ersten beiden Beitraege eher die Nutzung auf einem einzelnen Rechner erklaeren, schiebt der dritte WorkBuddy in Richtung echter Multi-Device-Workflows:

把 WorkBuddy 的记忆带上每一台设备——跨设备记忆同步完整教程 #WorkBuddy

Die wichtigsten Punkte aus der oeffentlichen Beschreibung sind:

• Ziel ist die Loesung fuer nicht synchronisierte Memory-Daten zwischen Geraeten
• der Ansatz kombiniert Cloud-Laufwerk und Automatisierungsskript
• explizit genannt werden gaengige Dienste wie OneDrive
• das Setup soll in rund 15 Minuten moeglich sein
• synchronisiert werden vor allem:
  • Arbeitsprotokolle
  • Nutzerpraeferenzen
  • Projekthintergruende

Damit geht es nicht mehr nur um "die KI versteht dich lokal besser", sondern um eine andere Frage:

Kann sie nach dem Geraetewechsel so weiterarbeiten, als waere der Kontext nie abgerissen?

4.1 Nicht das Skript ist das eigentliche Asset, sondern das, was synchronisiert wird

Wer "Synchronisierungsskript" hoert, denkt schnell zuerst an die technische Umsetzung. Aus Business-Sicht ist aber wichtiger, was ueberhaupt transportiert wird.

In den oeffentlichen Stichworten geht es nicht um triviale Settings, sondern um:

• Arbeitsprotokolle
• Nutzerpraeferenzen
• Projekthintergruende

Wenn genau diese Informationen mitwandern, dann bedeutet das:

• der zweite Rechner muss nicht komplett neu angelernt werden
• Aufgabenkontext reisst nicht bei jedem Geraetewechsel ab
• Projektwechsel werden deutlich billiger

Darum ist diese OneDrive-basierte Cross-Device-Route wichtiger, als sie auf den ersten Blick wirkt. Sie verwandelt

Erfahrung aus laufenden Dialogen

in

portierbare Arbeitswerte.

Fall 5: Das groesste Risiko ist nicht der falsche Output, sondern stilles Scheitern und ungepflegtes Memory

Im 40-Tage-Erfahrungsbericht tauchen ausserdem ein paar Stolperfallen auf, die sehr nach echter Produktion klingen:

• stille Fehlschlaege bei Push- oder Synchronisationsschritten sind besonders gefaehrlich
• Memory-Dateien duerfen nicht nur wachsen, sie muessen auch regelmaessig entschlackt werden
• Automatisierungen haengen immer auch an Zeitfenstern und Geraetezustand

Das sind keine Probleme der Sorte "das Modell war nicht schlau genug", sondern eher:

• die Automatisierung lief nicht sauber
• das Memory wurde ueber Zeit verrauscht
• Scheduling und Maschinenzustand wurden nicht mitgedacht

Sobald WorkBuddy langfristige Aufgaben uebernimmt, verhaelt es sich immer staerker wie ein echtes System:

• zustandsbehaftet
• termingesteuert
• fehleranfaellig
• empfindlich fuer Kontextverschmutzung

Genau deshalb lohnt sich diese Fallstudienlinie.

Wie der fortgeschrittene WorkBuddy-Workflow in Summe aussieht

Setzt man Setup-Artikel, 40-Tage-Bericht und Sync-Tutorial zusammen, zeigt sich bereits ein ziemlich klares Produktionsmuster:

• Es gibt ein Standard-Arbeitsverzeichnis
• Es gibt drei unterschiedliche Risikoebenen mit Ask, Craft und Plan
• Es gibt ein wachsendes Langzeitgedaechtnis
• Es gibt Regeldateien fuer Identitaet, Stil und Nutzerprofil
• Es gibt geraeteuebergreifende Synchronisierung statt rein lokaler Erinnerung
• Es gibt Automatisierungen und echte Fehlermodi

Das ist ein grosser Unterschied zu gewoehnlichen AI-Tools.

Es ist nicht mehr nur:

• du stellst eine Frage
• das System antwortet

Sondern zunehmend eher:

• du hast ein Arbeitssystem
• der Agent ist darin ein konfigurierbares, portierbares und wartbares Bauteil

Fuer wen sich das jetzt am ehesten lohnt

Sofort testen sollten es vor allem:

• Menschen mit langfristigen Desktop-Workflows
• Nutzer, die regelmaessig zwischen mehreren Geraeten wechseln
• Teams, die Agenten bereits taeglich statt nur gelegentlich verwenden
• Personen mit wachsendem Bedarf an Dateikontext, Projektwissen und persoenlichen Praeferenzen
• Anwender, die bereit sind, Regeldateien, Arbeitsverzeichnisse und Automatisierungsskripte zu pflegen

Eher abwarten koennen:

• Menschen, die nur ab und zu einzelne Fragen stellen
• Nutzer, die fast nie das Geraet wechseln
• Teams ohne Interesse an Konfigurationsdateien oder Automatisierung
• Anwender ohne klares Gefuehl fuer lokale Verzeichnisse und Agent-Berechtigungen

Wenn du aehnliche Langzeit-Workflows mit eigenen Modellen koppeln willst, liegt der eigentliche Beschaffungswert meist im Gateway

Aus Business-Sicht lautet die eigentliche Frage meist nicht "Kann es antworten?", sondern eher:

• sollte Langzeitgedaechtnis verschiedene Modelle nutzen koennen
• bleiben die Kontextkosten nach der Synchronisierung ueber mehrere Geraete stabil
• lassen sich Automatisierungen und Dateifluesse ueber ein gemeinsames Gateway fuehren
• koennen Status, Regeln und Abrechnung mehrerer Agenten zentral verwaltet werden

Wenn du an langfristigen Desktop-Agenten, Memory-Systemen oder automatisierten Workflows arbeitest, ist ein einheitliches Modell-Gateway haeufig praktischer als die Wette auf genau ein einzelnes Modell.

Wenn dich eher interessiert, wie man so eine Modellschicht aufsetzt, schau dir diese Einstiege an:

• Modellpreise
• API Key kaufen
• Tutorials

Mein Schlussurteil

Wenn ich meine Sicht auf die WorkBuddy-Linie rund um Memory-System, geraeteuebergreifende Synchronisierung und versteckte Regeldateien in einen Satz verdichten muesste, dann waere es dieser:

Das Bemerkenswerte ist nicht einfach, dass WorkBuddy Aufgaben erledigen kann, sondern dass hier eine Struktur sichtbar wird, mit der aus einem temporaeren AI-Tool ein langfristiger Arbeitspartner werden kann.

Zu dieser Struktur gehoeren mindestens:

1. Arbeitsverzeichnis
2. Memory-System
3. Verhaltens- und Identitaetsdateien
4. Risiko-Modi
5. Synchronisierung ueber mehrere Geraete

Damit liegt das Produktionsnahe von WorkBuddy nicht in einer spektakulaeren Einzelantwort, sondern darin,

dass es immer mehr wie ein Desktop-Arbeitssystem wirkt, das konfiguriert, gepflegt, migriert und wiederverwendet werden kann.

Quellen

• 当 AI 开始记住你是谁——我与 WorkBuddy 共处 40 天的真实体感
• 把 WorkBuddy 的记忆带上每一台设备——跨设备记忆同步完整教程 #WorkBuddy
• WorkBuddy - 设置篇，第一件事不是让它干活（手把手教你基本设置 新手必看）