騰訊 WorkBuddy 記憶系統案例拆解：跨裝置同步、隱藏規則檔、Ask/Craft/Plan 為什麼開始像在培養一位長期搭檔？
如果說前面那些 WorkBuddy 產業案例稿，看的重點是：
- 它能不能進工廠
- 能不能進供應鏈
- 能不能接上文件流和系統流
那這一篇更想回答另一個越來越關鍵的問題：
為什麼同樣叫 WorkBuddy，有些人越用越順，像培養出一位懂自己工作節奏的長期搭檔；有些人卻始終停留在「偶爾幫一下」的臨時工具？
我把騰訊雲開發者社群最近幾篇很有代表性的公開文章重新拼了一遍，重點看三條線：
- 首次設定
- 記憶系統
- 跨裝置同步
看完之後，我的判斷很直接：
WorkBuddy 最像真實生產環境的，不只是它會不會做任務，而是它開始出現了「工作目錄 + 記憶檔案 + 行為規則 + 多裝置同步」這一整套可長期使用的結構。
先說結論
-
截至 2026 年 6 月 29 日，公開資料裡，
WorkBuddy這條「進階工作流程」路線最值得關注的能力，集中在五件事：- 預設工作目錄與基礎設定
- 持續更新的 AI 記憶
Ask / Craft / Plan三種任務模式- 隱藏規則檔
IDENTITY.md / SOUL.md / USER.md - 借助雲端硬碟和自動化腳本做跨裝置記憶同步
-
這條線和一般 AI 辦公最大的差別，不是「多會寫」，而是：
- 它開始記住你是誰
- 它開始知道你怎麼做事
- 它開始在不同機器上延續上下文
-
如果你現在做的是：
- 高頻桌面工作流程
- 長任務 Agent
- 多裝置協作
- 本地檔案 + 自動化混合場景
那這類案例的參考價值，會比單純看「模型能力排行榜」更實用。
為什麼「會記住你」這件事，比「會回答你」更重要
很多人第一次用 WorkBuddy，最容易犯的錯就是：
- 裝好就直接上任務
- 一開始就開
Craft - 覺得 AI 自己會懂
但真實情況是，長期使用體驗往往不取決於第一次任務成不成，而取決於：
- 它知不知道你的預設工作目錄
- 它記不記得你的偏好
- 它能不能理解你一貫的風格
- 它在另一台機器上會不會「失憶」
也就是說，真正拉開差距的並不是某一次對話，而是：
你有沒有把它從工具，培養成一位有連續性的工作夥伴。
案例 1：第一件事不是讓它幹活，而是先把工作目錄、記憶和模式設好
這條線最直接的公開文章，是：
《WorkBuddy - 設定篇，第一件事不是讓它幹活（手把手教你基本設定 新手必看）》
這篇很適合拿來看，因為它不是泛泛而談，而是把新手最容易忽略的幾個真問題都點了出來。
1.1 預設工作目錄，不要一開始就全堆在 C 槽
文章裡最實用的提醒之一，就是：
- 預設工作空間位置要盡早設好
- 最好不要全部放在
C槽
這點很像真實生產環境。因為任務一多，本地產物、快取、專案檔案都會開始堆積。如果一開始就沒有規劃工作目錄，後面只會越用越亂。
這不是什麼「高階技巧」，而是：
桌面 Agent 要長期跑起來最基本的運維動作。
1.2 記憶功能不是裝飾，是真的會越來越懂你
同一篇裡明確提到，記憶功能要記得打開。
公開稿的描述也很直白：
- 記憶會隨著對話和任務不斷更新
- Agent 會越來越懂你
- 你也可以定期複核、編輯、刪除或補充相關記憶
這說明 WorkBuddy 這裡的記憶不是一個擺設開關，而是真的被設計成：
長期累積、可回看、可修正 的東西。
1.3 Ask / Craft / Plan，不是 UI 小功能，而是風險邊界
文章裡對三種模式的解釋也特別值得保留：
Ask：只讀不寫Craft：直接操作檔案Plan：先列出計畫，確認後執行
這件事很關鍵，因為很多人第一次用就會無腦上 Craft，但公開經驗裡明確說了：
- 新手先用
Ask - 複雜任務優先用
Plan Craft適合在你對邊界已有感覺之後再用
這其實就是把 AI 的使用風險，拆成一個更容易管理的桌面流程。
案例 2：真正像在「培養搭檔」的，是替它寫身份、靈魂和使用者檔案
同一篇設定稿裡，我覺得最值得單獨拿出來講的，是隱藏目錄 .workbuddy。
文章公開給出的路徑是：
~/.workbuddy/（Mac / Linux）C:\\Users\\你的使用者名稱\\.workbuddy\\（Windows）
而這個目錄裡最關鍵的三個檔案是：
IDENTITY.mdSOUL.mdUSER.md
2.1 IDENTITY.md：它是誰
公開稿把這個檔案解釋得很清楚：
- 名字
- 角色定位
- 專注領域
- 能力範圍
這意味著 WorkBuddy 的「AI 個性」，不是全靠臨時 prompt，而是可以被持久化地定義下來。
2.2 SOUL.md：它怎麼說話、怎麼做事
這部分更像行為規則層，文章裡給出的例子包括：
- 簡潔優先
- 結論先行
- 遇到風險操作必須先確認
- 做錯了直接說問題，不要鋪陳道歉
這就不是一般聊天設定了，而是在定義：
你的 Agent 平常到底像什麼樣的同事。
2.3 USER.md：你是誰
這部分本質上是在告訴 AI：
- 你的背景
- 你的工作方式
- 你的偏好
也就是說，WorkBuddy 這條線裡最接近「生產環境配置」的地方，不只是模型選擇，而是：
把人和 Agent 的關係寫進檔案。
這比單純在對話裡說「以後都這樣做」穩定得多。
案例 3：40 天之後，AI 從工具變成夥伴，關鍵不是模型升級，而是記憶和規則開始起作用
另一篇特別值得拼進來的公開稿，是：
《當 AI 開始記住你是誰——我與 WorkBuddy 共處 40 天的真實體感》
這篇最有價值的地方，是它不是教學，而是長期使用回饋。
從搜尋結果和公開目錄裡能確認，這篇的核心結構包括：
- 先立規矩
- 建記憶系統
- 配自動化任務
- 做跨裝置協同
- 以及踩坑總結
我很認同它裡面那個核心判斷：
AI 能走多遠，不取決於模型有多強，而取決於你願意花多少時間帶它。
這句話放在 WorkBuddy 上尤其成立。因為很多人會把 Agent 當成一次性工具，但這篇體驗稿強調的是另一種使用方式：
- 不是「每次都從零開始」
- 而是「持續校準」
這就更像你在訓練一位長期合作對象，而不是在呼叫一個臨時介面。
案例 4：跨裝置記憶同步，才是真正把上下文變成資產的一步
如果說上面兩篇解決的是「單機怎麼用」，那第三篇更像把 WorkBuddy 從單機工具推向多裝置工作流程：
《把 WorkBuddy 的記憶帶上每一台設備——跨設備記憶同步完整教學 #WorkBuddy》
這篇公開描述裡最值得注意的幾個點，我直接列出來：
- 目標是解決跨裝置記憶不同步
- 做法是用 雲端硬碟 + 自動化腳本
- 文章點名支援
OneDrive等主流雲端硬碟 - 號稱 15 分鐘 可以完成設定
- 重點同步內容包括：
- 工作日誌
- 使用者偏好
- 專案背景
這就意味著，它已經不是只在討論「本機上怎麼更懂你」，而是在討論：
你換一台電腦，它還能不能像沒離開過一樣繼續工作。
4.1 這條線最像真實生產環境的地方，不是腳本本身，而是同步對象
很多人看到「同步腳本」會先想到技術實作，但對業務來說，更關鍵的是同步什麼。
從公開稿給出的關鍵詞看，被同步的不是普通設定項，而是：
- 工作日誌
- 使用者偏好
- 專案背景
這三樣東西一旦能帶走，就意味著：
- 第二台機器不用重新教
- 任務上下文不會每次中斷
- 專案切換成本會低很多
這也是為什麼我覺得，「跨裝置記憶同步」比表面上看起來更重要。 它本質上是在把：
對話裡的經驗
變成：
可遷移的工作資產。
案例 5：最危險的不是 AI 做錯，而是靜默失敗和記憶膨脹
那篇 40 天體驗稿還有幾個我覺得特別像真實踩坑總結的點：
- 推送靜默失敗最危險
- 記憶檔案不能只累積不精簡
- 自動化任務要考慮時間與機器狀態
這些都很有生產環境味道，因為它們不是「模型不夠聰明」，而是：
- 自動化沒有跑到位
- 記憶越積越髒
- 裝置狀態和排程條件被忽略
也就是說，當 WorkBuddy 真的開始承擔長期任務之後，運維問題會越來越像真實系統：
- 有狀態
- 有排程
- 有失敗復原
- 有上下文污染
這也是為什麼這類文章值得單獨寫。
把這幾篇案例拼起來，WorkBuddy 的「進階工作流程」長什麼樣
把設定篇、40 天體驗稿、跨裝置同步教學拼在一起看，WorkBuddy 在這條線上已經出現了一些很清楚的生產環境特徵：
- 有預設工作目錄
- 有只讀 / 直接改 / 先規劃三類風險邊界
- 有持續增長的長期記憶系統
- 有規則檔來固化身份、風格和使用者偏好
- 有跨裝置同步，把記憶從單機帶到多機
- 有自動化任務和失敗模式
這和一般 AI 工具的差別其實很大。
它不再只是：
- 你問一句，它答一句
而是越來越像：
- 你有一套工作系統
- AI 是這套系統裡一個可配置、可遷移、可維護的元件
它現在最適合哪些人先試
適合馬上試的人
- 有長期桌面工作流程的人
- 需要多裝置切換的使用者
- 已經把 Agent 當成日常工具，而不是偶爾問一句的人
- 有檔案目錄、專案上下文、個人偏好累積需求的人
- 願意維護規則檔、工作目錄與自動化腳本的人
可以先觀望的人
- 只想偶爾問幾個問題，不需要長期記憶
- 幾乎不換裝置，也不需要跨裝置上下文
- 不願意維護任何設定檔或自動化
- 對本地目錄和 Agent 權限邊界沒有概念
如果你要把類似 WorkBuddy 的長期工作流程接到自訂模型，採購價值在哪
從業務側看，真正的問題通常不是「它會不會回答」，而是：
- 長期記憶要不要切不同模型
- 跨裝置同步後的上下文成本穩不穩
- 自動化任務和檔案流能不能走統一網關
- 多個 Agent 的狀態、規則和帳單能不能統一管理
所以如果你做的是 長期桌面 Agent / 記憶系統 / 自動化工作流程，統一模型網關通常會比只押一個模型更實用。
可以繼續從這些入口看：
我的最終判斷
如果用一句話總結我對 WorkBuddy 這條「記憶系統 / 跨裝置同步 / 隱藏規則檔」路線的看法，那就是：
它最值得重視的，不是「會做任務」，而是它已經開始出現一套能把 AI 從臨時工具培養成長期搭檔的結構。
這套結構至少包括：
- 工作目錄
- 記憶系統
- 行為規則檔
- 風險邊界模式
- 多裝置同步
這也意味著，WorkBuddy 真正像生產環境的地方，不在某次任務有多驚豔，而在於：
它越來越像一套需要被配置、被維護、被遷移，也能被重複利用的桌面工作系統。