最近 WorkBuddy 国际版在开发者圈子里确实火得有点夸张尤其是内置的 GPT-6-Astra 模型一上线好多人的使用习惯直接被改变了。我把它装到主力机上用了两周最大的感受就是终于不用再为了环境配置和服务地址来回折腾了。WorkBuddy 本质上是一个面向开发任务的智能工作台它把编辑器、终端、模型调用、任务管理和团队协作揉在了一起而 GPT-6-Astra 是目前它默认推荐的模型之一在长上下文代码理解和复杂任务拆解上明显比上一代更聪明。如果你正在用 Cursor、CodeBuddy 或者 Trae却总觉得差点意思下面这些内容会告诉你 WorkBuddy 国际版怎么在 10 分钟内跑通以及哪些坑我已经帮你踩完了。1. WorkBuddy 国际版是什么为什么大家都在换1.1 一个能当“团队中枢”的开发工作台WorkBuddy 不是单纯的 AI 代码补全插件也不只是又一个聊天窗口。它把自己定位成“任务型智能工作台”什么意思呢就是说你的项目文档、代码仓库、模型会话、自动化任务都能在同一个界面里串联起来。我常用的场景是把需求文档丢进 WorkBuddy让它自己拆解任务、生成代码、跑测试最后把变更提交到分支整个过程不会像 Cursor 那样频繁打断思路。这里有个很关键的差异WorkBuddy 支持多模型混跑而默认的 GPT-6-Astra 在代码生成上特别稳。它不像传统模型那样只会给你一坨代码而是会先给出修改思路再展示 diff并且会主动指出潜在边界问题。如果你用惯了纯聊天式 AI 编程第一次用会有点不习惯但适应之后基本回不去。为什么说它是“团队中枢”因为它除了个人使用还可以把模型指令、代码规范、评审规则统一配置到团队空间里。新成员加入时不用再手动同步一份配置直接用大家定好的规则干活。这一点对带团队的朋友非常友好。我自己管着几条产品线以前要分别给每个人解释规则现在在 WorkBuddy 里定义一次全组生效。1.2 国际版和其他工具的区别这里要说明一下“国际版”的意义。WorkBuddy 国际版是面向全球用户发布的统一版本集成了更多的模型服务商模板包括 OpenAI 兼容接口、Anthropic、Gemini、以及本地 Ollama 等。你不必再像以前那样在多个工具之间切换也不用为了某个模型去手动拼一大堆环境变量。简单说国际版提供了默认可用的“模型路由”尤其对 GPT-6-Astra 做了优先适配开箱即用。我拿它和 CodeBuddy 对比CodeBuddy 更像是一个以 IDE 插件形态存在的 AI 助手重心在代码补全和对话而 WorkBuddy 的重心在“任务闭环”它是独立应用带着自己的项目面板和 Skill 机制。Trae 则是字节跳动的 AI IDE也支持多模型但它的工作流没有 WorkBuddy 这么强的自定义规则能力。三者各有适用场景个人快速补全选 CodeBuddy喜欢 AI IDE 一体化体验选 Trae要完整任务管理和团队协作WorkBuddy 更合适。1.3 GPT-6-Astra 的硬实力聊到 GPT-6-Astra我需要把它和普通模型区分开来。它在 WorkBuddy 里被标记为“高规格任务模型”适合做代码生成、重构、跨文件分析和复杂逻辑推理。我实测过几个场景让它从一堆混乱的零散文件里提取公共逻辑它能在不修改原有接口的情况下把重复代码收敛到一个共享模块里。这种“懂得克制”的生成风格比起那些话痨式模型好了不止一个档次。另外它的长上下文记忆能力比较突出。普通会话聊到一半经常会“忘记”前面提到的代码结构但 GPT-6-Astra 在测试中可以稳定引用前面文件里定义的类型和函数生成的代码很少出现凭空造符号的问题。这也是为什么社区里都在说“用了就回不去”。要注意的是能力越强消耗越高日常小任务切换到便宜模型关键任务再交给 GPT-6-Astra这才是省积分的正确姿势。2. 10 分钟快速上手安装、账号、模型配置2.1 下载安装Windows / macOS / Linux从官方渠道下载安装包安装过程没有特别需要选择的选项。Windows 端是 exe 安装包macOS 端是 dmgLinux 提供 AppImage 和 deb 两种。我最早是在 Windows 11 上装的安装包大概 200 多 MB装完以后建议启动一次再进行配置。这里有个小经验不要装在默认的 C 盘用户目录下尤其是你打算开 Docker 或跑本地模型时系统的文件访问控制偶尔会卡权限。我自己是装在 D:\WorkBuddy后续所有缓存、模型网关日志都跟着走省心很多。Linux 用户注意AppImage 需要提前安装 libfuse2否则双击没反应。Ubuntu 的话一条命令sudo apt install libfuse2。另外官方目前已经停止支持 Windows 7老系统用户就不用折腾了直接升级系统吧。2.2 账号体系和积分规则第一次启动会让你登录账号可以用邮箱或 GitHub 账号。我这里要提醒一个容易踩的坑WorkBuddy 的积分系统和模型用量绑定注册后默认赠送一些免费额度但 GPT-6-Astra 属于高规格模型消耗会比普通模型快。你可以在设置里选择“优先使用低成本模型”来跑简单任务只在关键任务上切到 GPT-6-Astra。这样既不影响体验又能省下积分。积分不够时可以充值也可以通过每日签到领一点免费额度。如果你每天都用 WorkBuddy千万别小看这个自动签到功能一个月积累下来能顶不少次模型调用。我个人设置里开了启动自动签到省事。团队管理员还能在管理后台看每个成员的模型用量方便控制预算。2.3 模型服务商配置base_url 是关键真正让很多人卡住的是这一步。WorkBuddy 默认会带一些模型服务商预设比如 OpenAI、Anthropic、Ollama但如果你用的是第三方中转服务、私有化部署的 API或者某个模型服务商的自定义网关就必须手动配置。打开 WorkBuddy 的设置找到“Model Providers”模型服务商然后添加一个 Provider。这里你需要填三项Provider 名称、Base URL、API Key。很多人只填了 API Key忘了 Base URL于是出现了那个高频报错本地网关切换失败提示 codex provider 缺少 base_url 配置。这个报错的意思很直白默认的 codex provider 里没写 base_urlWorkBuddy 内置的网关不知道该把请求转发到哪。你只需要编辑该 provider 配置把 Base URL 补上即可。比如你用的是 OpenAI 兼容接口Base URL 通常是https://api.example.com/v1具体地址要以你服务商的文档为准。如果是本地部署模型比如 Ollama那 Base URL 就是http://localhost:11434/v1。我实际总结出来的要点Base URL 结尾不要带多余斜杠WorkBuddy 对路径拼接很敏感。例如https://api.example.com/v1/会导致 404去掉后面的/再试。还要注意协议必须写https://或http://不能省略。填完保存后建议点一下“Test Connection”测试连通性通过后再进入对话。这里顺便解释一下为什么需要 base_url它就相当于外卖地址。AI 模型本身不跑在你的电脑上WorkBuddy 要帮你下单得知道去哪取货。地址填错了菜做得再好也送不到你手里。2.4 切换模型时的常见错误如果你在 WorkBuddy 里切换模型到 GPT-6-Astra 时遇到“the gpt-6-astra model is not supported”这类提示别急着怀疑模型名写错了。这个错误最常见的原因是你挂载的模型服务网关不支持该模型名。比如你配置了一个第三方兼容接口它可能只支持 GPT-4o、Claude 之类的模型但 WorkBuddy 想用gpt-6-astra这个名字去请求那边不认识自然报错。解决办法是换一个支持 GPT-6-Astra 的服务商或者调整模型路由把不支持的任务降级到可用模型。另外要注意大小写和空格。模型名是gpt-6-astra全小写之间是短横线连接不要写成gpt-6_astra或者GPT-6-Astra部分网关对大小写敏感。我遇到过同事把配置粘贴进去的时候末尾多了一个空格导致一直认证失败排查了半天。这种低级错误最常见建议大家填写时用官方文档里的原始字符串复制。2.5 一条命令验证配置填完 Base URL 和 API Key 后不要急着进对话界面先做一个连通性测试。WorkBuddy 设置页里自带 Test Connection但如果想更直接地排查问题用 curl 一条命令也能验证curl https://api.example.com/v1/models \ -H Authorization: Bearer 你的_API_Key如果返回 JSON 列表说明地址和 Key 都没问题。如果返回 401检查 Key 是否多了空格如果返回 404多半是 Base URL 路径不对。这个命令同样适用于验证本地 Ollama 服务只要把地址改成http://localhost:11434/v1/models就行。我习惯先把这一步做完再打开 WorkBuddy能省掉很多“黑盒”排查时间。3. 核心功能实操用 GPT-6-Astra 跑通一个真实任务3.1 创建项目并接入本地代码配置好模型之后打开 WorkBuddy点击“新建项目”。它支持直接打开本地文件夹也可以从 Git 仓库克隆。我建议直接打开本地代码目录因为 WorkBuddy 会建立索引让你在对话时能引用仓库里的具体文件。第一次索引大仓库时可能会慢可以在设置里排除 node_modules、dist、.git 这些目录能快很多。新建项目之后界面左侧是文件树右侧是 AI 对话面板。还有一个“任务队列”窗口显示当前正在执行的自动化操作。如果你把项目根路径选得太宽比如直接选整个磁盘索引会非常慢也不利于模型定位到正确的文件。所以建议只选择本次工作相关的目录而不是整个用户根目录。我一般会先在项目根目录放一个 README.md简单描述项目结构和运行方式。这样的好处是GPT-6-Astra 在第一次读取上下文时能快速明白项目是干什么的生成的代码风格会更贴近项目实际。这也是一个让 WorkBuddy 变得更好用的小技巧。3.2 让 GPT-6-Astra 处理一个典型任务我用一个实际场景来说明假设你有一个 Python Web 项目想让 AI 加一个分页接口。你只需在对话框里说“请在 Flask 项目里新增一个 /api/items 接口支持 page 和 page_size 参数返回 JSON包含总数和当前页数据。” GPT-6-Astra 会先读取项目结构然后给出修改建议并生成 diff。确认之后它会直接帮你修改文件而不是只把代码贴在聊天窗口里。这个流程里有个关键动作它会把改动以 diff 形式展示你可以在面板里逐行确认也可以一键接受全部改动。我建议重要代码一定要逐行看。模型虽然聪明但它不会替你背锅代码出了问题 review 的还是你自己。不过 GPT-6-Astra 的 diff 质量确实高我试过大多数情况下只需要针对边界条件做微调比如参数校验和异常处理。如果你需要它执行多步操作可以这样写“先看 models/user.py 里的 User 类然后写一个迁移脚本把 username 字段改成 nullableFalse最后跑一下测试确认没有破坏现有功能。” 它能拆解成子任务并且在执行过程中会标注“正在处理第 2 步”。这种任务拆解能力是普通聊天式 AI 很难做到的。3.3 自定义指令与全局规则WorkBuddy 有一个非常实用的功能自定义指令Custom Instructions。你可以给 WorkBuddy 定几条规则后续对所有任务都生效。比如我可以给团队定几条规则代码必须写注释注释说明意图而非翻译代码涉及数据库操作时禁止直接拼接 SQL必须使用参数化查询生成代码后自动补充单元测试如果发现原有代码存在安全隐患需要在修改时一并指出并修复。设置方法很简单设置中找到“Custom Instructions”每行写一条规则保存后立刻生效。这个功能配合 Skill 一起用效果会翻倍。你可以给不同项目设定不同规则比如 Web 项目强调安全算法项目强调性能而默认全局规则保持通用底线。有个小坑自定义指令写得太啰嗦会影响模型表现指令应该像电影台词一样精准不要写成一篇论文。我见过有人把岗位描述复制进去结果模型开始无缘无故地给每个回答附加“专业素养”总结非常尴尬。规则建议不超过 10 条每条不超过两行。3.4 值得安装的 SkillSkill 相当于 WorkBuddy 的技能插件。我目前装了这几个Code Review Skill自动做代码审查按严重程度列出问题Refactor Skill批量重构工具保持行为不变Documentation Skill从代码生成 Markdown 文档DB Helper Skill连接数据库辅助生成 SQL 和优化索引。安装入口在右侧面板的“Skill Store”里搜索名称安装即可不需要重启。安装后可以在对话里用/skill 名称触发。我建议新手先别装太多装两三个常用的就行。Skill 会占用上下文窗口装太多会让模型分心尤其是那些自动加载型 Skill。我一开始把所有热门 Skill 都装上了结果模型每次都要理解十几个工具的用途反而变笨了。后来只保留 4 个核心 Skill其余按项目需要临时启用效果好很多。这里说一下我装 Skill 的顺序先装 Refactor 和 Code Review因为这两个和日常工作最贴近。然后装 Documentation用来给遗留项目补文档。DB Helper 则是遇到数据库优化问题时才用。如果你写前端可能还需要一个 CSS/UI 相关的 Skill但具体看你的项目类型。3.5 通过 MCP 扩展外部工具MCP 全称是 Model Context Protocol模型上下文协议。简单理解它给 AI 模型插上了一堆“外设”让 WorkBuddy 能直接操作外部系统。比如你可以配一个 GitHub MCP让模型帮你直接创建 Issue、提 PR也可以配一个数据库 MCP让它连上你的 PostgreSQL 执行查询。配置方式也不复杂在 WorkBuddy 的 MCP 设置里添加服务地址通常是一个本地运行的 endpoint比如http://localhost:3000/mcp。如果你用 Docker 启动 MCP 服务WorkBuddy 容器需要通过同一个网络访问它。这里有个教训容器里运行 WorkBuddy 时访问宿主机上的 MCP 服务不要写 localhost要写 host.docker.internal否则会连接失败。MCP 的潜力在于把“聊天”变成“操控”。以前你让 AI 写代码然后还得自己打开终端跑命令现在可以通过 MCP 帮你跑测试、提交代码、调用接口。当然权限越大风险越大建议只给 WorkBuddy 授予最小必要权限不要让它能随意执行高危命令。3.6 实战案例给旧项目补文档除了写代码GPT-6-Astra 在文档治理上也很能打。我接过一个遗留项目代码写得飞快但几乎没有注释连 README 都是三四年前的。我直接把整个项目根目录丢给 WorkBuddy让它用 Documentation Skill 生成一份结构化的项目说明包括模块职责、启动方式、依赖关系。结果它把核心模块的类图逻辑用文字描述得很清楚我只需要在关键处微调细节。这个过程中有个细节如果你直接把整个大仓库丢进去模型可能会被无关的配置文件干扰。我建议先在项目索引里排除图片、二进制文件、第三方库目录只保留源码和关键配置这样生成的文档质量会高很多。补完文档后可以顺手让 WorkBuddy 把老代码里的魔法数字改成常量并清理掉明显没用的 import。一次性完成整理工作。4. 常见问题与排查实录我踩过的几个坑4.1 模型服务地址没填导致切换失败我第一次配置 WorkBuddy 时就是只填了 API Key 忘了 Base URL结果遇到“缺少 base_url 配置”。这个问题的本质是 WorkBuddy 内置的网关不知道请求该往哪里发。解决办法前面已经说了补全 Base URL 就行。但要提醒的是填完 Base URL 后如果还是报错去环境变量里查一下有没有WORKBUDDY_CODEX_BASE_URL之类的变量。WorkBuddy 的配置优先级里环境变量高于界面配置。如果你在旧版本或命令行里定义过这个变量那么即使界面里填对了实际走的还是环境变量里的旧地址。排查方法很简单Linux/macOS 上执行env | grep WORKBUDDYWindows 上执行set WORKBUDDY看到值后再决定修改还是删除。还有一种情况是填了带路径的地址比如https://api.example.com/v1/codex而网关还需要拼接/responses结果就变成/v1/codex/responses服务端匹配不上。遇到这种 404多半是路径多了一层。我的经验是先按服务商文档给的根地址填不要自己猜路径猜错了反而更难排查。4.2 模型不被支持时的正确出路“model is not supported”这一类的报错核心原因通常是服务商那边不认这个模型名。我之前用某厂商的兼容接口时对方只支持固定的几个模型名而 WorkBuddy 默认尝试用gpt-6-astra去请求结果就失败。解决办法有两条路。第一换服务商选官方支持 GPT-6-Astra 的渠道一劳永逸。第二通过 WorkBuddy 的“模型别名”功能把这个友好名称映射到服务商支持的模型名上比如你把gpt-6-astra映射到gpt-4o或某个自定义名称。不过要注意映射之后模型的真实能力取决于服务商提供的底层模型如果你映射到旧模型那 WorkBuddy 以为自己在用 GPT-6-Astra实际上还是旧模型体验会有落差。所以我的建议是如果核心诉求是稳定使用 GPT-6-Astra那就不要走兼容接口直接选用官方支持的服务省下来的时间远超那点差价。如果只是为了跑通流程临时映射也无妨。4.3 缓存目录改造密技WorkBuddy 的默认缓存目录有点坑Windows 上直接设在%LOCALAPPDATA%\WorkBuddy如果你系统盘是 C 盘很容易越积越大。改法打开设置找到“Storage/Cache”选项把缓存目录改成D:\WorkBuddyCache保存后需要重启才会迁移。其实这里有个容易踩的坑修改缓存目录后不会自动把老缓存搬家需要手动把旧文件夹里的内容复制到新目录。复制时注意不要复制被占用的文件最好先彻底退出 WorkBuddy 再操作。如果你懒得复制重启后会重新索引首次打开会稍慢。另外WorkBuddy 的临时文件和日志也占用空间可以在设置里开启“自动清理超过 7 天的日志”。我在实际使用中一个月攒下来缓存能到 2GB 以上尤其是经常切换模型时。把缓存目录放到固态硬盘上能明显提升索引速度。4.4 安全审核与自动化打断WorkBuddy 在访问本地代码时会做安全审核比如检测到未提交的密钥、密码等敏感信息会弹窗提醒。如果你在写自动化脚本这个弹窗可能会阻断流程。可以临时关闭“敏感信息检测”开关但我不建议长期关闭。我遇到过一个问题某次让 WorkBuddy 自动修改 .env 文件它检测到里面有数据库密码直接拒绝执行并提示我先确认安全策略。虽然这个功能有点“多管闲事”但在团队环境里确实能防止误操作。如果你是管理员建议在团队设置里开启“高危操作二次确认”避免 AI 把测试环境的密钥推到生产仓库。安全审核的粒度也可以调整。比如你可以在“敏感文件列表”里添加.env.example这类没有真实密钥的模板文件这样既不会误报警又能保证真正的密钥文件被保护。这个功能我一开始没发现后来配置完省了很多烦人的弹窗。4.5 问题速查表下面这个表格是我几个月使用下来整理的常见问题及解决办法可以直接收藏备用。问题现象常见原因解决办法登录后一直转圈本地网络环境不稳或服务端临时维护检查本机网络稍后重试不要同时开多个 WorkBuddy 窗口Git 提交失败授权过期或权限不足在设置里重新连接 Git 账号检查仓库写入权限Skill 装了不生效未在对话中触发输入 /skill 名称 手动触发检查版本是否兼容Docker 连不上宿主机模型地址写成了 localhost改为 host.docker.internal 或容器网关 IP模型回复速度很慢上下文过长新建会话或精简项目索引排除大目录界面显示乱码字体或编码问题在设置里切换 UI 语言为中文或修改终端字体缓存目录迁移后找不到历史记录未复制旧缓存彻底退出 WorkBuddy 后将本机旧目录内容复制到新目录使用了 MCP 但工具无响应MCP 服务未启动或地址写错确认 MCP 服务进程存在检查 endpoint 是否可访问5. 高级玩法私有化部署与工具选型5.1 Docker 安装 WorkBuddyWorkBuddy 提供了 Docker 镜像方便团队私有化部署。如果你有一台 Linux 服务器可以用 docker run 启动服务然后团队成员通过网页访问同一个工作台。命令大致是docker run -d --name workbuddy \ -p 8080:8080 \ -v /data/workbuddy:/data \ -e WORKBUDDY_MODEL_PROVIDERopenai \ -e WORKBUDDY_BASE_URLhttp://192.168.1.10:8000/v1 \ workbuddy/server:latest这里需要注意Docker 容器里访问宿主机上的模型服务时不要写localhost要写host.docker.internal或容器的网关 IP否则连不上。端口映射要根据实际服务来8080 只是默认面板端口。我踩过的一个坑是用 Docker 部署时没挂载数据卷结果容器一重建所有项目配置和对话记录全没了。使用-v /data/workbuddy:/data就是为了持久化数据这个参数千万别省。如果你有多个团队成员建议在使用前先把数据库从 SQLite 迁移到 PostgreSQL否则并发高时容易锁库。5.2 私有化部署的几个注意点私有化部署最大的好处是可以把代码和对话记录留在自己的服务器上适合有敏感代码的企业。有几个点数据库要定期备份反向代理记得加 HTTPS否则浏览器访问时很多高级功能会被限制模型 API Key 不要直接写在配置文件里使用环境变量注入定期更新镜像修复安全漏洞。我自己还总结了一条私有化部署时不要把所有模型调用都指向外部服务除非你有合规要求。建议在内部部署一个本地模型比如 Ollama 或 vLLM用于简单任务把敏感数据留在内网只有需要 GPT-6-Astra 这类高级模型时才走外部服务。这样既能控制成本也能降低数据出站风险。权限管理也不能忽略。WorkBuddy 的管理后台里可以创建多个成员账号设置管理员和普通成员。普通成员只能使用预配置的模型不能修改服务商地址。这个设置特别重要不然有人手滑改了 base_url全组人第二天就都用不了。5.3 WorkBuddy、CodeBuddy、Trae 怎么选从我的使用体验来说这三种工具各有各的适用人群。WorkBuddy 的强项是任务闭环和 Skill 生态适合需要管理多个项目、定义团队规则的开发者CodeBuddy 更轻适合从 VS Code 插件切入快速体验 AI 辅助编程Trae 则是完整的 AI IDE适合喜欢一体化体验、又不想自定义太多配置的人。如果你需要严格的私有化部署和团队管理工作台WorkBuddy 明显更合适。如果你只是个人写代码想省事Trae 可能更好。如果你已经在用 VS Code 生态不想换编辑器CodeBuddy 会更顺手。我在团队里实际推行过给 5 个开发用 WorkBuddy2 个坚持用 VS Code CodeBuddy差异主要在任务管理上代码质量没有本质差别所以工具不在于贵而在于合不合适。还有一些人问为什么不推荐别的工具。其实没有最好的工具只有最适合当前团队的流程。选型时先看三个问题是否需要私有化是否经常跨仓库重构团队是否愿意接受新工作流回答完这三个问题答案基本就出来了。5.4 提升日常使用效率的几条心得最后分享几条我在日常使用中总结出的心得。第一不要把 WorkBuddy 当成“自动完成一切”的神器它的正确打开方式是“任务拆解助手”。你把大目标拆成小任务逐个丢给它质量和速度都会好很多。第二每天开工时先花 5 分钟更新项目索引尤其是分支切换频繁的仓库否则模型引用的是旧代码。第三善用/skill命令在对话里明确指定技能比让它自动猜测靠谱得多。还有一条关于 GPT-6-Astra 的经验在处理长对话时如果发现回复开始“失忆”不要继续往下聊直接开一个新会话把关键上下文重新粘贴过去。模型的上下文窗口再大也有限与其让它胡编不如手动给它喂准确信息。我把这个方法叫做“会话分段法”能明显提高长任务的成功率。最后一个小技巧WorkBuddy 的“自动签到”和“定时任务”可以帮你省下很多琐碎时间。比如每天上班自动拉取最新代码、自动签到领积分这些都可以在“自动化”面板里配置。先用好这些基础功能再去追求更高阶的玩法。5.5 用自动化任务把重复工作外包WorkBuddy 的“自动化”面板支持设定定时任务我把它当成了一个“提效外挂”。比如每天早上九点半自动拉取远程代码、自动构建并跑一遍测试如果构建失败自动在项目群里发消息。虽然这也可以用 CI/CD 实现但对于个人开发者和没有运维的小团队WorkBuddy 里直接配好非常方便。配置方式很简单在自动化面板新建任务选择“定时触发”填上 cron 表达式比如30 9 * * *再选择要执行的工作流。工作流可以由 GPT-6-Astra 帮你生成它会根据你的描述组装步骤。我提醒一句涉及自动推送到远程分支的任务一定要设置分支白名单避免模型误推错分支。另外自动签到也可以加到自动化任务里设置每天启动 WorkBuddy 时自动完成签到领积分。这样就不用记着每天手动点了积累一个月能省下不少调用额度。这些自动化任务都不需要额外装插件都是内置能力上手很快。我个人实际用了两周后最大的体会是WorkBuddy 国际版并不是让你完全放弃思考的工具而是把重复劳动从你手里接过去让你有更多精力看架构、看边界、看产品逻辑。GPT-6-Astra 确实强但强在配合合理的规则和 Skill 体系而不是单独一个模型就能包打天下。如果你刚开始接触建议先按我上面说的把 base_url 配置好再把自定义指令写好装两三个 Skill跑通一个实际需求很快就能感受到它和普通 AI 插件的差别。最后再啰嗦一句AI 生成的代码review 的权利和义务都还在你手上别省这一步。好了这篇上手指南就到这里希望你能用 WorkBuddy 少踩几个坑多干点实事。