Analisis kes sistem memori Tencent WorkBuddy: penyegerakan rentas peranti, fail peraturan tersembunyi, dan mengapa Ask/Craft/Plan mula terasa seperti melatih rakan kerja jangka panjang?

Jika artikel WorkBuddy sebelum ini lebih menumpukan pada soalan seperti:

• bolehkah ia masuk ke kilang
• bolehkah ia masuk ke rantaian bekalan
• bolehkah ia menyambung aliran fail dan aliran sistem

Kali ini saya mahu jawab satu soalan lain yang semakin penting:

Mengapa sama-sama dipanggil WorkBuddy, ada pengguna yang semakin lama semakin serasi dengannya, seolah-olah sedang membina rakan kerja jangka panjang yang faham cara mereka bekerja; sedangkan ada yang sentiasa berhenti pada tahap "sekadar membantu sekali-sekala"?

Saya gabungkan semula beberapa artikel awam Tencent Cloud Developer Community yang sangat mewakili topik ini, dengan fokus pada tiga garis utama:

1. Persediaan awal
2. Sistem memori
3. Penyegerakan rentas peranti

Selepas membaca semuanya, penilaian saya sangat terus terang:

Perkara paling hampir dengan persekitaran produksi sebenar pada WorkBuddy bukan sekadar sama ada ia boleh menyelesaikan tugasan, tetapi hakikat bahawa ia mula membentuk satu struktur penggunaan jangka panjang yang lengkap: "direktori kerja + fail memori + peraturan tingkah laku + penyegerakan berbilang peranti".

Kesimpulan awal

• Setakat 29 Jun 2026, dalam bahan awam, laluan "aliran kerja lanjutan" WorkBuddy yang paling wajar diberi perhatian tertumpu pada lima perkara:

  1. Direktori kerja lalai dan tetapan asas
  2. Memori AI yang terus dikemas kini
  3. Tiga mod tugas Ask / Craft / Plan
  4. Fail peraturan tersembunyi IDENTITY.md / SOUL.md / USER.md
  5. Penyegerakan memori rentas peranti melalui cloud drive dan skrip automasi

• Perbezaan terbesar berbanding AI pejabat biasa bukanlah "lebih pandai menulis", tetapi:

  • ia mula mengingati siapa anda
  • ia mula memahami cara anda bekerja
  • ia mula menyambung konteks merentas mesin yang berbeza

• Jika kerja anda sekarang melibatkan:

  • aliran kerja desktop berkekerapan tinggi
  • Agent dengan tugas panjang
  • kerjasama berbilang peranti
  • senario campuran fail tempatan + automasi

  Maka nilai rujukan kajian kes seperti ini jauh lebih praktikal daripada sekadar melihat "ranking keupayaan model".

Mengapa "boleh mengingati anda" lebih penting daripada "boleh menjawab anda"

Ramai orang yang pertama kali menggunakan WorkBuddy mudah melakukan kesilapan yang sama:

• pasang dan terus suruh ia bekerja
• terus buka mod Craft
• menganggap AI akan faham sendiri

Tetapi dalam penggunaan sebenar, pengalaman jangka panjang selalunya tidak ditentukan oleh sama ada tugasan pertama itu berjaya atau tidak, sebaliknya oleh perkara berikut:

• adakah ia tahu direktori kerja lalai anda
• adakah ia mengingati keutamaan anda
• adakah ia memahami gaya kerja anda yang konsisten
• adakah ia akan "hilang ingatan" apabila anda berpindah ke mesin lain

Maksudnya, jurang sebenar bukan ditentukan oleh satu sesi perbualan, tetapi oleh:

Adakah anda membentuknya daripada sekadar alat menjadi rakan kerja yang mempunyai kesinambungan konteks.

Kes 1: perkara pertama bukan menyuruhnya bekerja, tetapi menetapkan direktori kerja, memori dan mod terlebih dahulu

Artikel awam yang paling terus membincangkan perkara ini ialah:

《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）》

Artikel ini sangat sesuai dijadikan rujukan kerana ia bukan sekadar cakap umum, tetapi benar-benar menunjukkan beberapa masalah sebenar yang paling mudah diabaikan oleh pengguna baharu.

1.1 Direktori kerja lalai: jangan himpunkan semuanya di pemacu C sejak awal

Salah satu peringatan paling berguna dalam artikel itu ialah:

• tetapkan lokasi ruang kerja lalai seawal mungkin
• sebaiknya jangan letakkan semuanya di pemacu C

Perkara ini sangat mirip operasi persekitaran produksi sebenar. Bila tugasan semakin banyak, hasil tempatan, cache dan fail projek akan mula bertimbun. Jika direktori kerja tidak dirancang dari awal, keadaan akan menjadi semakin berserabut.

Ini bukan "trik lanjutan", tetapi:

langkah operasi paling asas untuk memastikan desktop agent boleh berjalan lama dengan stabil.

1.2 Fungsi memori bukan hiasan, ia memang akan semakin memahami anda

Artikel yang sama juga menyebut dengan jelas bahawa fungsi memori patut dihidupkan.

Penerangan dalam bahan awam itu juga sangat terus:

• memori akan terus dikemas kini bersama perbualan dan tugasan
• Agent akan semakin memahami anda
• anda juga boleh menyemak semula, mengedit, memadam atau menambah memori berkaitan secara berkala

Ini menunjukkan sistem memori WorkBuddy bukan satu suis hiasan, tetapi memang direka sebagai sesuatu yang:

terus terkumpul, boleh disemak semula, dan boleh dibetulkan.

1.3 Ask / Craft / Plan bukan ciri UI kecil, tetapi sempadan risiko

Penjelasan artikel itu tentang tiga mod ini juga sangat wajar dikekalkan:

• Ask: baca sahaja, tidak menulis
• Craft: terus mengendalikan fail
• Plan: senaraikan pelan dahulu, kemudian laksanakan selepas pengesahan

Bahagian ini penting kerana ramai orang terus menggunakan Craft tanpa berfikir, sedangkan pengalaman awam itu dengan jelas mencadangkan:

• pengguna baharu patut mulakan dengan Ask
• tugasan kompleks lebih sesuai melalui Plan
• Craft lebih sesuai digunakan selepas anda benar-benar faham sempadannya

Sebenarnya ini ialah cara untuk memecahkan risiko penggunaan AI menjadi aliran kerja desktop yang lebih mudah diurus.

Kes 2: perkara yang benar-benar terasa seperti "melatih rakan kerja" ialah menulis fail identiti, jiwa dan pengguna untuknya

Dalam artikel persediaan yang sama, bahagian yang pada saya paling wajar dipisahkan untuk dibincangkan ialah direktori tersembunyi .workbuddy.

Laluan yang didedahkan secara awam ialah:

• ~/.workbuddy/ (Mac / Linux)
• C:\\Users\\nama-pengguna-anda\\.workbuddy\\ (Windows)

Tiga fail paling penting di dalamnya ialah:

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md: siapa dia

Bahan awam itu menerangkan fail ini dengan cukup jelas:

• nama
• kedudukan peranan
• bidang tumpuan
• julat kebolehan

Maknanya, "personaliti AI" WorkBuddy bukan bergantung sepenuhnya pada prompt sementara, tetapi boleh ditakrif secara berterusan dan disimpan untuk jangka panjang.

2.2 SOUL.md: bagaimana ia bercakap dan bagaimana ia bekerja

Bahagian ini lebih menyerupai lapisan peraturan tingkah laku. Contoh yang diberi dalam artikel termasuk:

• utamakan ringkas
• kesimpulan didahulukan
• operasi berisiko mesti disahkan dahulu
• jika silap, nyatakan masalah secara terus tanpa meleret dengan permohonan maaf

Ini sudah bukan sekadar tetapan gaya chat biasa, tetapi benar-benar mentakrifkan:

Agent anda sebenarnya ingin dibentuk sebagai rakan sekerja jenis apa dalam kerja harian.

2.3 USER.md: siapa anda

Inti bahagian ini ialah memberitahu AI tentang:

• latar belakang anda
• cara anda bekerja
• keutamaan anda

Dengan kata lain, aspek WorkBuddy yang paling hampir kepada "konfigurasi persekitaran produksi" bukan sekadar pemilihan model, tetapi:

menulis hubungan antara manusia dan Agent ke dalam fail.

Ini jauh lebih stabil daripada sekadar berkata dalam perbualan, "selepas ini buat begini setiap kali."

Kes 3: selepas 40 hari, AI berubah daripada alat menjadi rakan kerja; kuncinya bukan naik taraf model, tetapi memori dan peraturan mula berfungsi

Satu lagi artikel awam yang sangat berbaloi digabungkan ialah:

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

Nilai terbesar artikel ini ialah ia bukan tutorial, tetapi maklum balas penggunaan jangka panjang.

Daripada hasil carian dan struktur awam artikel, dapat disahkan bahawa rangka terasnya merangkumi:

• menetapkan peraturan terlebih dahulu
• membina sistem memori
• mengkonfigurasi tugasan automasi
• menjalankan kerjasama rentas peranti
• dan merumuskan pengalaman jatuh bangun

Saya sangat bersetuju dengan satu penilaian teras dalam artikel itu:

Sejauh mana AI boleh pergi tidak bergantung pada sekuat mana model itu, tetapi pada berapa banyak masa yang anda sanggup luangkan untuk membimbingnya.

Ayat ini sangat tepat untuk WorkBuddy. Ramai orang masih menganggap Agent sebagai alat pakai buang, tetapi artikel pengalaman ini menekankan satu cara penggunaan yang berbeza:

• bukan "mula dari kosong setiap kali"
• tetapi "kalibrasi secara berterusan"

Itulah yang menjadikannya lebih mirip melatih rakan kolaborasi jangka panjang, dan bukannya sekadar memanggil antara muka sementara.

Kes 4: penyegerakan memori rentas peranti ialah langkah sebenar yang menukar konteks menjadi aset

Jika dua artikel tadi menjawab persoalan "bagaimana hendak guna pada satu mesin", artikel ketiga lebih seperti menolak WorkBuddy daripada alat mesin tunggal kepada aliran kerja berbilang peranti:

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

Beberapa butiran paling penting daripada penerangan awam artikel ini saya senaraikan terus:

• matlamatnya ialah menyelesaikan masalah memori yang tidak segerak antara peranti
• pendekatannya ialah menggunakan cloud drive + skrip automasi
• artikel itu menyebut sokongan untuk cloud drive arus perdana seperti OneDrive
• dakwanya, persediaan boleh disiapkan dalam 15 minit
• kandungan utama yang disegerakkan termasuk:
  • log kerja
  • keutamaan pengguna
  • latar belakang projek

Maksudnya, perbincangan itu bukan lagi terhad kepada "bagaimana AI lebih memahami anda pada komputer ini", tetapi kepada:

Apabila anda bertukar komputer, bolehkah ia terus bekerja seolah-olah tidak pernah terputus konteks?

4.1 Bahagian yang paling mirip persekitaran produksi sebenar bukan skrip itu sendiri, tetapi objek yang disegerakkan

Ramai orang apabila melihat "skrip sync" akan terus memikirkan pelaksanaan teknikal. Tetapi dari sudut bisnes, perkara yang lebih penting ialah apa sebenarnya yang disegerakkan.

Daripada kata kunci dalam bahan awam, yang dibawa merentas peranti bukan tetapan biasa, tetapi:

• log kerja
• keutamaan pengguna
• latar belakang projek

Apabila tiga perkara ini boleh dipindahkan, kesannya ialah:

• mesin kedua tidak perlu diajar semula dari awal
• konteks tugasan tidak terputus setiap kali
• kos pertukaran projek menjadi jauh lebih rendah

Sebab itu saya rasa "penyegerakan memori rentas peranti" lebih penting daripada yang kelihatan pada permukaan. Pada asasnya ia menukar:

pengalaman yang wujud dalam perbualan

menjadi:

aset kerja yang boleh dipindahkan.

4.2 Mengapa aliran kerja berasaskan OneDrive ini penting

Perincian yang paling praktikal di sini ialah artikel awam itu tidak berhenti pada idea "boleh sync", tetapi menunjukkan laluan yang cukup nyata untuk pengguna biasa: gunakan OneDrive sebagai lapisan storan awan, kemudian tambah skrip automasi untuk menyelaraskan perubahan antara beberapa peranti.

Itu penting kerana bagi ramai pengguna global, OneDrive bukan alat eksperimen, tetapi pemacu awan yang memang sudah wujud dalam rutin kerja harian. Bila WorkBuddy boleh menyandarkan memori jangka panjang, fail peraturan dan konteks projek melalui laluan seperti ini, proses rentas Mac, Windows atau komputer pejabat-rumah menjadi lebih masuk akal dan lebih mudah diulang.

Kes 5: perkara paling berbahaya bukan AI membuat silap, tetapi kegagalan senyap dan memori yang semakin bengkak

Artikel pengalaman 40 hari itu juga menyebut beberapa perkara yang pada saya sangat terasa seperti ringkasan "pitfall" dalam persekitaran sebenar:

• kegagalan senyap pada push atau sync ialah yang paling berbahaya
• fail memori tidak boleh dibiarkan terkumpul tanpa diringkaskan
• tugasan automasi mesti mengambil kira masa dan keadaan mesin

Semua ini sangat berbau persekitaran produksi, kerana masalahnya bukan "model tidak cukup pintar", tetapi:

• automasi tidak benar-benar berjalan seperti yang dijangka
• memori semakin banyak tetapi semakin kotor
• status peranti dan syarat penjadualan diabaikan

Maksudnya, apabila WorkBuddy benar-benar mula memikul tugasan jangka panjang, isu operasinya akan semakin menyerupai sistem sebenar:

• ada state
• ada jadual
• ada pemulihan kegagalan
• ada pencemaran konteks

Itulah sebabnya saya rasa artikel seperti ini memang wajar ditulis secara berasingan.

Apabila semua kes ini digabungkan, apakah rupa "aliran kerja lanjutan" WorkBuddy

Jika artikel persediaan, catatan pengalaman 40 hari dan tutorial sync rentas peranti dibaca bersama, laluan WorkBuddy ini sudah menunjukkan beberapa ciri yang sangat jelas seperti persekitaran produksi:

• ada direktori kerja lalai
• ada tiga sempadan risiko: baca sahaja / terus ubah / rancang dahulu
• ada sistem memori yang terus berkembang
• ada fail peraturan untuk menetapkan identiti, gaya dan keutamaan pengguna
• ada penyegerakan rentas peranti yang membawa memori daripada satu mesin ke banyak mesin
• ada tugasan automasi dan juga mod kegagalannya

Perbezaannya dengan alat AI biasa sebenarnya sangat besar.

Ia bukan lagi sekadar:

• anda tanya sekali, ia jawab sekali

Tetapi semakin menyerupai:

• anda mempunyai satu sistem kerja
• AI ialah satu komponen dalam sistem itu yang boleh dikonfigurasi, dipindahkan dan diselenggara

Siapa yang paling sesuai mencuba laluan ini sekarang

Sesuai untuk cuba sekarang

• orang yang mempunyai aliran kerja desktop jangka panjang
• pengguna yang perlu kerap bertukar peranti
• orang yang sudah menganggap Agent sebagai alat harian, bukan sekadar bertanya sekali-sekala
• orang yang memang mengumpul direktori fail, konteks projek dan keutamaan peribadi
• orang yang sanggup menyelenggara fail peraturan, direktori kerja dan skrip automasi

Boleh tunggu dan lihat dahulu

• orang yang hanya mahu bertanya beberapa soalan sekali-sekala dan tidak memerlukan memori jangka panjang
• orang yang hampir tidak pernah bertukar peranti dan tidak perlukan konteks rentas peranti
• orang yang tidak mahu menyelenggara sebarang fail konfigurasi atau automasi
• orang yang belum ada konsep tentang direktori tempatan dan sempadan kuasa Agent

Jika anda mahu menyambungkan aliran kerja jangka panjang seperti WorkBuddy kepada model tersuai, di mana nilai perolehannya

Dari sisi bisnes, soalan sebenar biasanya bukan "bolehkah ia menjawab", tetapi:

• patutkah memori jangka panjang dipisahkan mengikut model yang berbeza
• adakah kos konteks selepas sync rentas peranti kekal stabil
• bolehkah tugasan automasi dan aliran fail melalui satu gateway model yang seragam
• bolehkah status, peraturan dan bil bagi beberapa Agent diurus bersama

Jadi jika anda sedang membina desktop agent jangka panjang / sistem memori / aliran kerja automasi, gateway model yang seragam selalunya lebih praktikal berbanding bertaruh pada satu model sahaja.

Anda boleh terus melihat pintu masuk berikut:

• Harga model
• Beli API Key
• Tutorial penggunaan

Penilaian akhir saya

Jika perlu diringkaskan dalam satu ayat, pandangan saya terhadap laluan WorkBuddy yang berkisar pada "sistem memori / penyegerakan rentas peranti / fail peraturan tersembunyi" ialah:

Perkara paling wajar diberi perhatian bukanlah "ia boleh menyelesaikan tugasan", tetapi hakikat bahawa ia sudah mula membentuk satu struktur yang boleh melatih AI daripada alat sementara menjadi rakan kerja jangka panjang.

Struktur ini sekurang-kurangnya merangkumi:

1. Direktori kerja
2. Sistem memori
3. Fail peraturan tingkah laku
4. Mod sempadan risiko
5. Penyegerakan berbilang peranti

Ini juga bermaksud bahagian WorkBuddy yang paling menyerupai persekitaran produksi sebenar bukan terletak pada betapa mengagumkannya satu tugasan tertentu, tetapi pada hakikat bahawa:

Ia semakin mirip sistem kerja desktop yang perlu dikonfigurasi, diselenggara, dipindahkan, dan juga boleh digunakan semula.

Rujukan

• 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）