Разбор кейсов Tencent WorkBuddy: синхронизация памяти между устройствами, скрытые файлы правил и почему Ask / Craft / Plan помогают превратить AI из временного инструмента в долгосрочного рабочего партнера

Если предыдущие материалы о WorkBuddy в основном отвечали на вопросы:

• может ли он зайти на фабрику
• подходит ли для supply chain
• умеет ли подключаться к документным и системным потокам

то здесь важнее другой, все более практический вопрос:

почему у одних WorkBuddy со временем превращается в удобного долгосрочного напарника, который уже понимает контекст и стиль работы, а у других так и остается временным помощником "на один запрос"?

Я собрал несколько показательных открытых публикаций Tencent Cloud Developer Community в один обзор и посмотрел прежде всего на три линии:

1. первичная настройка
2. система памяти
3. синхронизация между устройствами

После этого вывод получается довольно прямой:

самое production-подобное в WorkBuddy сегодня не только в том, умеет ли он выполнять задачу, а в том, что вокруг него уже складывается целая структура из рабочего каталога, файлов памяти, поведенческих правил и межустройственной синхронизации.

Сразу вывод

• По состоянию на 29 июня 2026 года наиболее интересная "продвинутая workflow-линия" WorkBuddy в открытых материалах держится на пяти вещах:

  1. рабочий каталог по умолчанию и базовые настройки
  2. постоянно обновляемая долгосрочная память AI
  3. три режима задач: Ask / Craft / Plan
  4. скрытые файлы правил IDENTITY.md / SOUL.md / USER.md
  5. синхронизация памяти между устройствами через облачный диск и автоматизационные скрипты

• Главное отличие от обычного офисного AI не в том, что он "лучше пишет", а в другом:

  • он начинает помнить, кто вы
  • он начинает понимать, как вы работаете
  • он начинает переносить контекст между разными компьютерами

• Если вы строите:

  • высокочастотный desktop workflow
  • long-running Agent-задачи
  • работу с переключением между устройствами
  • сценарии на стыке локальных файлов и автоматизации

  то такие кейсы обычно полезнее, чем очередной рейтинг моделей.

Почему способность помнить вас важнее, чем способность просто отвечать

Первая ошибка новичков в WorkBuddy обычно очень типична:

• установили и сразу выдали задачу
• сразу включили Craft
• решили, что AI и так "сам все поймет"

Но в реальности долгосрочный пользовательский опыт редко определяется тем, удалась ли самая первая задача. Гораздо важнее другое:

• знает ли агент ваш рабочий каталог по умолчанию
• помнит ли он ваши предпочтения
• понимает ли вашу привычную манеру работы
• не "забудет" ли все при переходе на другую машину

Иначе говоря, настоящий разрыв между "временным помощником" и "рабочим партнером" возникает не в одной удачной сессии, а здесь:

смогли ли вы превратить AI из инструмента в систему с непрерывным контекстом.

Кейс 1: начинать стоит не с задачи, а с настройки рабочего каталога, памяти и режимов

Самая прямая открытая статья по этой линии называется так:

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）

Она полезна именно тем, что говорит не абстрактно, а разбирает несколько реальных моментов, которые пользователи чаще всего упускают в самом начале.

1.1 Рабочий каталог по умолчанию лучше задать сразу, а не сваливать все на системный диск

Один из самых практичных советов в материале звучит очень приземленно:

• рабочее пространство по умолчанию нужно настроить заранее
• лучше не складывать все на C: или другой системный диск

Это выглядит как мелочь, но в живом desktop workflow быстро накапливаются:

• локальные артефакты
• кэши
• проектные файлы
• вспомогательные результаты

Если в начале не продумать рабочий каталог, дальше беспорядок растет вместе с количеством задач.

Это не "продвинутая хитрость", а базовая эксплуатационная гигиена для Agent, который должен жить дольше одного тестового запуска.

1.2 Память здесь не декоративная функция, а реальная долгосрочная память

В той же статье отдельно подчеркивается, что память нужно не забыть включить.

Судя по публичному описанию:

• память обновляется по мере диалогов и задач
• агент со временем лучше понимает пользователя
• память можно периодически просматривать, редактировать, удалять и дополнять

Это важный сигнал: у WorkBuddy память задумана не как красивая опция в интерфейсе, а как вещь, которая должна:

накапливаться, проверяться и исправляться в долгом цикле использования.

1.3 Ask / Craft / Plan - это не UI-мелочь, а реальные границы риска

Еще один важный элемент статьи - объяснение трех режимов:

• Ask: только чтение, без записи
• Craft: прямые операции с файлами
• Plan: сначала составить план, затем выполнить после подтверждения

Это важно не из-за терминов, а из-за управления риском.

Публичный опыт по сути рекомендует такой порядок:

• новичкам сначала идти в Ask
• сложные задачи в первую очередь прогонять через Plan
• Craft использовать уже тогда, когда понятны границы доступа и последствия действий

По сути WorkBuddy здесь раскладывает работу с AI на более управляемый desktop-процесс.

Кейс 2: по-настоящему долгосрочный партнер начинается со скрытых файлов IDENTITY.md, SOUL.md и USER.md

В той же статье о настройке есть еще одна деталь, которую стоит рассматривать отдельно: скрытая директория .workbuddy.

Публично указан такой путь:

• ~/.workbuddy/ для Mac / Linux
• C:\Users\ваше_имя\.workbuddy\ для Windows

И именно в этой папке лежат три ключевых файла правил:

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md: кто он

Публичное объяснение файла довольно четкое. Туда можно зафиксировать:

• имя
• роль
• основную специализацию
• рамки возможностей

Это значит, что "личность" WorkBuddy задается не только одноразовым prompt, а может быть сохранена как долгосрочная конфигурация.

2.2 SOUL.md: как он говорит и как работает

Этот файл больше похож на уровень поведенческих правил. В открытом материале в качестве примеров упоминаются такие установки:

• краткость важнее лишних украшений
• сначала вывод, потом объяснение
• рискованные действия требуют отдельного подтверждения
• если есть ошибка, ее надо назвать прямо, а не прятать под длинные извинения

Это уже не обычная "настройка чата". По сути вы описываете, на какого коллегу должен быть похож ваш Agent в повседневной работе.

2.3 USER.md: кто вы

Этот файл сообщает AI уже о пользователе:

• ваш бэкграунд
• ваш рабочий стиль
• ваши предпочтения

Отсюда и самый production-похожий вывод по всей линии WorkBuddy:

в важном месте здесь настраивается не только модель, а сама связь между человеком и агентом - причем в обычных файлах, а не в забывающемся чате.

Кейс 3: через 40 дней ключевую разницу создают не новые модели, а память и правила

Еще одна публикация, которую обязательно стоит включать в такой обзор:

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

Ее ценность как раз в том, что это не инструкция, а отзыв после длительного использования.

По поисковой выдаче и публичному описанию у статьи просматривается такая структура:

• сначала задать правила
• затем выстроить систему памяти
• потом настроить автоматизированные задачи
• отдельно продумать совместную работу между устройствами
• и в конце разобрать реальные ошибки и ограничения

Главная мысль там звучит очень трезво:

насколько далеко зайдет AI, определяется не только силой модели, а тем, сколько времени вы готовы потратить на его калибровку.

Для WorkBuddy это особенно показательно. Такой подход предполагает не режим:

• каждый раз начинать с нуля

а другой:

• постоянно донастраивать память, правила и контекст

Это уже гораздо больше похоже на работу с долгосрочным коллегой, чем на вызов одноразового API.

Кейс 4: межустройственная синхронизация памяти превращает контекст в переносимый актив

Если первые два материала отвечают на вопрос "как жить на одной машине", то третий двигает WorkBuddy уже в сторону полноценного multi-device workflow:

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

В публичном описании особенно важны несколько деталей:

• цель - убрать рассинхронизацию памяти между устройствами
• подход - использовать облачный диск и автоматизационные скрипты
• отдельно упоминается поддержка OneDrive и других популярных облачных дисков
• заявлено, что базовую настройку можно завершить примерно за 15 минут
• синхронизируются не абстрактные "настройки", а:
  • рабочие логи
  • пользовательские предпочтения
  • проектный контекст

Именно здесь WorkBuddy начинает выглядеть не просто как локальный инструмент, а как система, способная переносить рабочую память между компьютерами.

4.1 Самое важное здесь не сам скрипт, а то, что именно попадает в синхронизацию

Когда речь заходит о скриптах синхронизации, многие сразу смотрят на реализацию. Но для бизнеса обычно важнее вопрос "что синхронизируется", а не "на каком языке это написано".

Судя по открытому кейсу, в перенос попадают:

• рабочие журналы
• пользовательские предпочтения
• проектный фон

Как только это можно забрать с собой, возникают три практических эффекта:

• вторую машину не нужно заново "обучать"
• контекст задачи перестает каждый раз обнуляться
• переключение между проектами и устройствами становится дешевле

Поэтому межустройственная синхронизация памяти важна не сама по себе. Она превращает:

опыт, накопленный в диалогах

в:

переносимый рабочий актив.

4.2 Практический workflow на базе OneDrive делает память общей для нескольких устройств

Отдельно стоит подчеркнуть именно сценарий на базе OneDrive, потому что он хорошо объясняет, как эта идея выглядит в повседневной эксплуатации.

Логика здесь простая:

• память и связанные с ней файлы лежат в синхронизируемой облачной папке
• OneDrive разносит актуальное содержимое между разными компьютерами
• локальный автоматизационный скрипт следит, чтобы WorkBuddy на каждой машине видел один и тот же обновленный контекст

Для пользователя это означает очень практичную вещь: при переходе с одного устройства на другое агент не начинает общение так, будто раньше вас не видел.

Кейс 5: самый опасный риск - не ошибка AI, а тихий сбой и раздутая память

В материале про 40 дней использования есть еще несколько наблюдений, которые звучат очень по-production:

• самый опасный сценарий - тихий сбой отправки или синхронизации
• файлы памяти нельзя только накапливать, их нужно периодически чистить
• автоматизированные задачи зависят от времени выполнения и состояния машины

Это важно потому, что в таких проблемах дело уже не в том, что "модель недостаточно умная". На практике сбои чаще возникают из-за другого:

• автоматизация не отработала как нужно
• память накопила слишком много мусора
• состояние устройства и условия запуска не были учтены

Как только WorkBuddy начинает выполнять долгие задачи, эксплуатационные проблемы начинают напоминать обычные системы:

• есть состояние
• есть расписание
• есть восстановление после сбоев
• есть риск загрязнения контекста

Именно поэтому такие статьи полезно читать отдельно от общих обзоров моделей.

Если сложить эти кейсы вместе, как выглядит "продвинутый workflow" WorkBuddy

Если собрать в одну картину статью про настройку, материал про 40 дней использования и гайд по межустройственной синхронизации, то у WorkBuddy на этой линии уже видны очень конкретные признаки production-среды:

• есть рабочий каталог по умолчанию
• есть три границы риска: только читать, править напрямую или сначала планировать
• есть растущая долгосрочная память
• есть файлы правил для идентичности, стиля и пользовательских предпочтений
• есть синхронизация между устройствами, которая переносит память с одной машины на несколько
• есть автоматизированные задачи и характерные режимы отказа

И это сильно отличается от обычного AI-инструмента формата:

• вы спросили один раз, он ответил один раз

Здесь логика уже другая:

• у вас есть рабочая система
• AI становится в ней настраиваемым, переносимым и обслуживаемым компонентом

Кому стоит пробовать это уже сейчас

Кому подходит

• тем, у кого есть долгие desktop workflow
• тем, кто регулярно переключается между устройствами
• тем, кто уже использует Agent как ежедневный инструмент, а не как разовую подсказку
• тем, кому нужно накапливать проектный контекст, файловую структуру и личные предпочтения
• тем, кто готов поддерживать рабочий каталог, файлы правил и простые автоматизационные скрипты

Кому можно пока не спешить

• тем, кто хочет лишь иногда задавать несколько вопросов
• тем, кто почти не меняет устройства и не нуждается в общем контексте
• тем, кто не хочет поддерживать никакие локальные настройки и автоматизацию
• тем, кто пока не готов управлять границами доступа к файлам и рабочим папкам

Если подключать похожий долгосрочный workflow к кастомным моделям, где бизнес-ценность

С точки зрения закупки и архитектуры реальный вопрос обычно не в том, "умеет ли модель отвечать", а в другом:

• нужно ли разводить долгосрочную память по разным моделям
• остается ли предсказуемой стоимость контекста после синхронизации между устройствами
• можно ли файловые потоки и автоматизированные задачи прогонять через единый gateway
• получится ли централизованно управлять состоянием, правилами и биллингом нескольких Agent

Поэтому если вы строите долгосрочные desktop Agent-сценарии, системы памяти и automation workflow, единый модельный gateway часто практичнее, чем ставка на одну модель.

Посмотреть дальше можно отсюда:

• Тарифы на модели
• Купить API Key
• Руководства

Мой итоговый вывод

Если свести всю линию "память + скрытые файлы правил + межустройственная синхронизация" к одной фразе, мой вывод такой:

главная ценность WorkBuddy сейчас не в том, что он "умеет делать задачи", а в том, что он уже формирует структуру, которая позволяет вырастить из AI не временный инструмент, а долгосрочного рабочего партнера.

Эта структура как минимум включает:

1. рабочий каталог
2. систему памяти
3. файлы поведенческих правил
4. режимы с разными границами риска
5. синхронизацию между несколькими устройствами

Поэтому самое production-похожее в WorkBuddy не в том, насколько эффектно он закрывает одну задачу, а в другом:

он все больше похож на desktop-систему, которую можно настраивать, сопровождать, переносить и повторно использовать.

Источники

• 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）