基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

WorkBuddy 上手实战：打造一个可用的本地 AI 工作台 很多 AI 产品看上去都能聊天，但真正进到日常使用里，最常见的需求并不是闲聊，而是整理一段零散记录、起草一段通知、输出一份周报，或者把一个任务拆成清单。而WorkBuddy 更像一个本地工作台，而不是单一聊天框：它把任务输入、专家角色、技能扩展和自动化模板放在同一个界面里，适合把办公动作收拢到一处完成。 和只做对话的产品相比，WorkBuddy 的优势很明显： 任务入口更集中，不用在多个页面之间来回切换。 专家、技能、自动化是分层组织的，更贴近真实办公流程。 适合把总结、写作、清单、模板这些高频动作固定下来。 但 WorkBuddy 也有一个很现实的问题：它本身需要积分调用，工作量一大，积分消耗会很快，所以底层模型不能只看“能不能聊”，还要看吞吐、延迟和稳定性。 这次我把蓝耘 MaaS 接进 WorkBuddy，统一使用 /maas/minimax/MiniMax-M2.5 作为模型调用，目标很直接：先把模型换对，再看工作台里的 Claw、专家中心、技能中心和自动化模板能不能真正用起来。 @[toc] 一、整体方案 从首页看，WorkBuddy 的结构很清楚：左侧是任务和模块入口，中间是当前工作区，底部是对话输入区域。和普通聊天窗口相比，它更像一个可以分层组织任务的工作台。 这次实操的链路如下： WorkBuddy 首页 / 工作空间 -> 自定义模型配置 -> Claw 基础输入 -> 专家中心 -> 技能中心 -> 自动化模板 本次实操重点验证三件事： 模型是否能稳定接入。 工作台里的模块是否真的能承接办公任务。 输出结果是否足够直接拿去用。 二、准备工作 1.…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。