Décryptage du système de mémoire de Tencent WorkBuddy : synchronisation multi-appareils, fichiers de règles cachés, et pourquoi Ask/Craft/Plan commence à faire de l'agent un partenaire de long terme

Dans les autres articles WorkBuddy orientés métier, la vraie question était surtout :

• peut-il entrer dans une usine ?
• peut-il entrer dans une supply chain ?
• peut-il relier des flux documentaires et des flux système ?

Ici, le sujet devient encore plus important :

Pourquoi deux personnes qui utilisent le même WorkBuddy finissent-elles avec des expériences aussi différentes ? Pourquoi l'une finit-elle par "élever" un partenaire de travail de long terme qui comprend ses habitudes, alors que l'autre reste bloquée sur un outil qui n'aide qu'occasionnellement ?

J'ai reconstitué plusieurs articles publics récents de la communauté Tencent Cloud Developer autour de trois lignes :

1. la configuration initiale
2. le système de mémoire
3. la synchronisation multi-appareils

Après lecture, mon avis est direct :

Ce qui rend WorkBuddy le plus proche d'un environnement de production, ce n'est pas seulement sa capacité à exécuter une tâche. C'est l'apparition d'une structure complète : répertoire de travail + fichiers mémoire + règles de comportement + synchronisation sur plusieurs machines.

La conclusion d'abord

• Au 29 juin 2026, dans les sources publiques, la ligne WorkBuddy la plus intéressante côté workflow avancé se concentre sur cinq points :

  1. le répertoire de travail par défaut et les réglages de base
  2. une mémoire IA mise à jour en continu
  3. les trois modes de tâche Ask / Craft / Plan
  4. les fichiers de règles cachés IDENTITY.md / SOUL.md / USER.md
  5. la synchronisation de la mémoire entre appareils via cloud drive et scripts d'automatisation

• La vraie différence avec un outil IA bureautique classique n'est pas seulement "mieux écrire", mais plutôt :

  • l'agent commence à se souvenir de qui vous êtes
  • l'agent commence à comprendre votre façon de travailler
  • l'agent commence à prolonger le contexte d'une machine à l'autre

• Si vous travaillez déjà sur :

  • des workflows desktop fréquents
  • des tâches longues pilotées par agent
  • de la collaboration multi-appareils
  • des scénarios hybrides entre fichiers locaux et automatisation

  alors cette série de cas sera souvent plus utile qu'un simple classement de modèles.

Pourquoi "se souvenir de vous" compte plus que "vous répondre"

Quand on installe WorkBuddy pour la première fois, l'erreur la plus classique est simple :

• l'installer puis lui donner tout de suite une tâche
• ouvrir directement Craft
• supposer que l'IA "comprendra toute seule"

En pratique, l'expérience de long terme dépend rarement du succès de la première tâche. Elle dépend plutôt de ceci :

• connaît-il votre répertoire de travail par défaut ?
• retient-il vos préférences ?
• comprend-il votre style habituel ?
• perd-il la mémoire sur une autre machine ?

Autrement dit, le vrai écart ne vient pas d'une seule conversation, mais de votre capacité à faire évoluer l'outil vers :

un partenaire de travail avec de la continuité, et pas juste un utilitaire ponctuel.

Cas 1 : la première chose à faire n'est pas de lui donner du travail, mais de régler le répertoire, la mémoire et les modes

L'article public le plus direct sur cette ligne est :

"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）"

Il vaut le détour parce qu'il ne reste pas dans le vague. Il pointe très clairement les oublis que les débutants font le plus souvent.

1.1 Le répertoire de travail par défaut : ne mettez pas tout sur le disque C dès le départ

L'un des rappels les plus pratiques de l'article est simple :

• régler tôt l'emplacement du workspace par défaut
• éviter autant que possible de tout empiler sur le disque C

C'est un détail qui ressemble beaucoup à un vrai environnement de production. Quand les tâches s'accumulent, les artefacts locaux, les caches et les fichiers projet s'empilent vite. Si le répertoire de travail n'est pas pensé dès le départ, l'environnement devient rapidement chaotique.

Ce n'est pas une "astuce avancée". C'est plutôt :

le geste d'exploitation le plus basique pour faire tourner un agent desktop dans la durée.

1.2 La mémoire n'est pas un gadget : elle est censée vous comprendre de mieux en mieux

Le même article insiste aussi sur un point souvent sous-estimé : il faut activer la mémoire.

La description publique est très directe :

• la mémoire se met à jour au fil des conversations et des tâches
• l'agent vous comprend de mieux en mieux
• vous pouvez relire, corriger, supprimer ou ajouter des éléments de mémoire

Cela montre que, chez WorkBuddy, la mémoire n'est pas un simple interrupteur décoratif. Elle est pensée comme un mécanisme :

cumulatif, révisable et corrigeable dans la durée.

1.3 Ask / Craft / Plan : ce n'est pas un petit détail d'interface, c'est une frontière de risque

L'explication des trois modes mérite aussi d'être conservée telle quelle :

• Ask : lecture seule, pas d'écriture
• Craft : action directe sur les fichiers
• Plan : d'abord un plan, puis exécution après confirmation

Ce point est important, parce que beaucoup d'utilisateurs ouvrent Craft trop vite. Or, dans les retours publics, le conseil est assez net :

• les débutants devraient commencer par Ask
• pour les tâches complexes, Plan passe avant
• Craft devient pertinent une fois que les limites sont bien comprises

En clair, WorkBuddy découpe le risque d'usage de l'IA en un workflow desktop beaucoup plus facile à gouverner.

Cas 2 : ce qui ressemble vraiment à la "formation d'un partenaire", c'est d'écrire son identité, son âme et votre profil dans des fichiers

Dans le même guide de configuration, le point qui mérite presque un article à lui seul est le répertoire caché .workbuddy.

Le chemin donné publiquement est :

• ~/.workbuddy/ (Mac / Linux)
• C:\\Users\\votre-nom-utilisateur\\.workbuddy\\ (Windows)

Et les trois fichiers les plus importants de ce répertoire sont :

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md : qui est-il ?

L'article explique très clairement ce que ce fichier couvre :

• le nom
• le rôle
• le domaine de concentration
• le périmètre de compétences

Autrement dit, la "personnalité IA" de WorkBuddy ne dépend pas seulement d'un prompt temporaire. Elle peut être définie et persistée dans le temps.

2.2 SOUL.md : comment parle-t-il et comment travaille-t-il ?

Ici, on est clairement sur une couche de règles de comportement. Les exemples publics cités dans l'article incluent :

• privilégier la concision
• donner la conclusion d'abord
• demander confirmation avant toute opération risquée
• signaler directement l'erreur au lieu d'empiler des excuses

On n'est plus dans un simple réglage de chat. On est en train de définir :

le type de collègue que votre agent est censé devenir au quotidien.

2.3 USER.md : qui êtes-vous ?

Ce fichier sert essentiellement à expliquer à l'IA :

• votre contexte
• votre façon de travailler
• vos préférences

C'est probablement l'endroit où la ligne WorkBuddy se rapproche le plus d'une configuration de production : le point central n'est pas seulement le choix d'un modèle, mais le fait que :

la relation entre l'utilisateur et l'agent soit écrite dans des fichiers.

C'est bien plus stable que de dire dans une conversation : "à partir de maintenant, fais toujours comme ça".

Cas 3 : après 40 jours, l'IA ne devient pas un partenaire grâce au modèle seul, mais parce que mémoire et règles commencent vraiment à agir

Un autre article public qui mérite d'être rattaché à ce sujet est :

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

Sa valeur est justement de ne pas être un tutoriel, mais un retour d'usage dans la durée.

D'après le sommaire public et les résultats de recherche, sa structure centrale comprend :

• poser les règles d'abord
• construire un système de mémoire
• configurer des tâches automatisées
• mettre en place une collaboration multi-appareils
• faire le bilan des vrais pièges rencontrés

Je partage largement son idée centrale :

La distance que peut parcourir un agent IA ne dépend pas seulement de la puissance du modèle, mais du temps que vous êtes prêt à investir pour l'éduquer.

Sur WorkBuddy, cette idée est particulièrement pertinente. Beaucoup d'utilisateurs traitent encore un agent comme un outil jetable. Cet article raconte plutôt une autre méthode :

• ne pas repartir de zéro à chaque session
• recalibrer en continu

Cela ressemble bien plus à l'entraînement d'un partenaire de long terme qu'à l'appel répété d'une interface temporaire.

Cas 4 : la synchronisation de la mémoire entre appareils est l'étape qui transforme vraiment le contexte en actif réutilisable

Si les deux premiers articles expliquent surtout comment utiliser WorkBuddy sur une seule machine, un troisième texte pousse le sujet vers un vrai workflow multi-appareils :

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

Les points les plus utiles cités publiquement sont très nets :

• l'objectif est de résoudre le non-alignement de la mémoire entre appareils
• l'approche repose sur un cloud drive + des scripts d'automatisation
• l'article cite explicitement OneDrive parmi les solutions prises en charge
• la configuration est présentée comme réalisable en 15 minutes
• le contenu synchronisé couvre notamment :
  • les journaux de travail
  • les préférences utilisateur
  • le contexte projet

Autrement dit, il ne s'agit déjà plus seulement de mieux vous comprendre sur une machine locale. La vraie question devient :

si vous changez d'ordinateur, l'agent peut-il reprendre le travail presque comme s'il n'était jamais parti ?

4.1 Ce qui fait le plus "production" ici, ce n'est pas le script lui-même, mais l'objet synchronisé

Quand on entend "script de synchronisation", on pense souvent d'abord à l'implémentation technique. Pour le métier, la question la plus importante est plutôt : qu'est-ce qu'on synchronise exactement ?

D'après les mots-clés des publications publiques, ce ne sont pas de simples paramètres techniques, mais bien :

• les journaux de travail
• les préférences utilisateur
• le contexte projet

Une fois ces trois couches transportables, plusieurs choses changent :

• la deuxième machine n'a plus besoin d'être reconfigurée depuis zéro
• le contexte de travail ne se casse plus à chaque bascule
• le coût de changement de projet baisse nettement

C'est pour cela que la synchronisation de la mémoire multi-appareils compte plus qu'elle n'en a l'air.

Elle transforme en pratique :

l'expérience accumulée dans les conversations

en :

un actif de travail portable et réutilisable.

Et dans la pratique, l'idée la plus concrète de ce workflow reste simple : utiliser un cloud drive comme OneDrive comme couche de transport, puis laisser les scripts d'automatisation remettre la mémoire au bon endroit sur chaque poste.

Cas 5 : le plus dangereux n'est pas que l'IA se trompe, mais qu'elle échoue en silence et que la mémoire enfle sans hygiène

Le retour d'expérience sur 40 jours contient aussi plusieurs observations qui ressemblent beaucoup à de vrais bilans d'exploitation :

• les échecs silencieux de push sont les plus dangereux
• les fichiers mémoire ne doivent pas seulement grossir, ils doivent aussi être taillés et nettoyés
• les tâches automatisées doivent tenir compte du temps et de l'état de la machine

Tout cela sent le vrai environnement de production, non pas parce que "le modèle n'est pas assez intelligent", mais parce que :

• l'automatisation n'est pas allée jusqu'au bout
• la mémoire s'accumule et se salit
• l'état de la machine et les conditions de planification sont ignorés

Autrement dit, dès que WorkBuddy commence à porter des tâches de long terme, les problèmes d'exploitation ressemblent de plus en plus à ceux d'un vrai système :

• il y a de l'état
• il y a de l'ordonnancement
• il y a de la reprise sur échec
• il y a de la pollution de contexte

C'est aussi pour cela que cette série d'articles mérite une vraie synthèse.

Si l'on recolle ces cas, à quoi ressemble le "workflow avancé" de WorkBuddy ?

En recollant le guide de configuration, le retour d'usage sur 40 jours et le tutoriel de synchronisation multi-appareils, la ligne WorkBuddy montre déjà plusieurs caractéristiques très proches d'un environnement de production :

• un répertoire de travail par défaut
• trois frontières de risque : lecture seule, modification directe, planification avant exécution
• un système de mémoire de long terme qui grandit dans le temps
• des fichiers de règles pour figer l'identité, le style et les préférences utilisateur
• une synchronisation multi-appareils qui transporte la mémoire d'une machine à l'autre
• des tâches automatisées, avec leurs modes d'échec

La différence avec un outil IA ordinaire est considérable.

On n'est plus seulement dans :

• vous posez une question, l'outil répond

Mais de plus en plus dans :

• vous avez un système de travail
• l'IA est l'un des composants configurables, transférables et maintenables de ce système

Qui devrait tester cela en premier

Profils pour lesquels cela vaut la peine tout de suite

• les personnes avec des workflows desktop de long terme
• les utilisateurs qui changent souvent de machine
• celles et ceux qui utilisent déjà un agent au quotidien, pas seulement pour une question occasionnelle
• les profils qui accumulent arborescences de fichiers, contexte projet et préférences personnelles
• les équipes ou utilisateurs prêts à maintenir fichiers de règles, répertoire de travail et scripts d'automatisation

Profils qui peuvent encore attendre

• les personnes qui veulent juste poser quelques questions de temps en temps
• celles qui ne changent presque jamais d'appareil et n'ont pas besoin de contexte multi-postes
• les utilisateurs qui ne veulent gérer ni fichier de configuration ni automatisation
• les profils qui n'ont pas encore de notion claire des frontières de permissions et des répertoires locaux

Si vous voulez brancher un workflow long terme de type WorkBuddy sur des modèles personnalisés, où se situe la vraie valeur d'achat ?

Vu du métier, la vraie question n'est généralement pas "est-ce que le modèle sait répondre ?", mais plutôt :

• faut-il faire passer la mémoire de long terme sur plusieurs modèles ?
• le coût de contexte reste-t-il stable après synchronisation multi-appareils ?
• les tâches automatisées et les flux de fichiers peuvent-ils passer par une passerelle unique ?
• l'état, les règles et la facturation de plusieurs agents peuvent-ils être gérés ensemble ?

Si vous construisez un agent desktop de long terme / un système de mémoire / un workflow d'automatisation, une passerelle de modèles unifiée est souvent plus pratique que de miser sur un seul modèle.

Vous pouvez continuer depuis ces points d'entrée :

• Tarification des modèles
• Acheter une clé API
• Tutoriels d'utilisation

Mon verdict final

S'il fallait résumer en une phrase la ligne WorkBuddy autour du système de mémoire, de la synchronisation multi-appareils et des fichiers de règles cachés, je dirais ceci :

Ce qui mérite vraiment l'attention, ce n'est pas seulement sa capacité à faire des tâches, mais le fait qu'il commence à fournir une structure capable de transformer une IA ponctuelle en partenaire de travail de long terme.

Cette structure comprend déjà au minimum :

1. le répertoire de travail
2. le système de mémoire
3. les fichiers de règles de comportement
4. les modes de gestion du risque
5. la synchronisation entre plusieurs appareils

Cela veut aussi dire que ce qui rend WorkBuddy vraiment proche d'un environnement de production n'est pas l'effet "wow" d'une tâche isolée, mais plutôt ceci :

il ressemble de plus en plus à un système de travail desktop qu'il faut configurer, maintenir, migrer et réutiliser.

Sources

• 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）