腾讯 WorkBuddy 记忆系统案例拆解：跨设备同步、隐藏规则文件、Ask/Craft/Plan 为什么开始像在培养一个长期搭档？

如果说前面那些 WorkBuddy 行业稿看的是：

• 它能不能进工厂
• 能不能进供应链
• 能不能接文件流和系统流

那这一篇更想回答另一个越来越关键的问题：

为什么同样叫 WorkBuddy，有的人越用越顺，像养出一个懂自己套路的长期搭档；有的人却永远停留在“偶尔帮一下”的临时工具？

我把腾讯云开发者社区最近几篇很有代表性的公开稿重新拼了一遍，重点看三条线：

1. 初次设置
2. 记忆系统
3. 跨设备同步

看完以后，我的判断很直接：

WorkBuddy 最像真生产环境的，不只是它会不会做任务，而是它开始出现了“工作目录 + 记忆文件 + 行为规则 + 多设备同步”这一整套长期使用结构。

先说结论

• 截至 2026 年 6 月 29 日，公开资料里，WorkBuddy 这条“高级工作流”路线最值得关注的能力，集中在五件事：

  1. 默认工作目录和基础设置
  2. 持续更新的 AI 记忆
  3. Ask / Craft / Plan 三种任务模式
  4. 隐藏规则文件 IDENTITY.md / SOUL.md / USER.md
  5. 借助云盘和自动化脚本做跨设备记忆同步

• 这条线和普通 AI 办公最大的差别，不是“多会写”，而是：

  • 它开始记住你是谁
  • 它开始知道你怎么做事
  • 它开始在不同机器上延续上下文

• 如果你现在做的是：

  • 高频桌面工作流
  • 长任务 Agent
  • 多设备协同
  • 本地文件 + 自动化混合场景

  那这类案例的参考价值，会比单纯看“模型能力榜”更实用。

为什么“会记住你”这件事，比“会回答你”更重要

很多人第一次用 WorkBuddy，最容易犯的错就是：

• 装好就上任务
• 直接开 Craft
• 觉得 AI 自己会懂

但真实情况是，长期使用体验往往不取决于第一次任务成不成，而取决于：

• 它知不知道你的默认工作目录
• 它记不记得你的偏好
• 它能不能理解你一贯的风格
• 它在另一台机器上会不会“失忆”

也就是说，真正拉开差距的并不是一次对话，而是：

你有没有把它从工具，养成一个有连续性的工作伙伴。

案例 1：第一件事不是让它干活，而是先把工作目录、记忆和模式设置好

这条线最直接的公开文章，是：

《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）》

这篇很适合拿来写，因为它不是泛泛而谈，而是把新手最容易忽略的几个真问题都点出来了。

1.1 默认工作目录，不要一上来全堆在 C 盘

文章里最实用的提醒之一，就是：

• 默认工作空间位置要尽早设好
• 最好不要全放在 C 盘

这点很像真实生产环境。因为任务一多，本地生成物、缓存、项目文件都会开始堆积。如果一开始就没规划工作目录，后面越用越乱。

这不是“高级技巧”，而是：

桌面 Agent 长期跑起来最基础的运维动作。

1.2 记忆功能不是装饰，是真的会越来越懂你

同一篇里明确提到，记忆功能要记得打开。

公开稿的描述也很直白：

• 记忆会随着对话和任务不断更新
• Agent 会越来越懂你
• 你也可以定期复核、编辑、删除或增加相关记忆

这说明 WorkBuddy 这里的记忆不是一个摆设开关，而是真的被设计成：

长期累积、可回看、可修正 的东西。

1.3 Ask / Craft / Plan，不是 UI 小功能，而是风险边界

文章里对三种模式的解释也特别值得保留：

• Ask：只读不写
• Craft：直接操作文件
• Plan：先列计划，确认后执行

这件事很关键，因为很多人第一次用就会无脑上 Craft，但公开经验里明确说了：

• 新手先用 Ask
• 复杂任务优先用 Plan
• Craft 适合在对边界有感觉以后再用

这其实就是把 AI 使用风险，拆成一个更容易管理的桌面流程。

案例 2：真正像“培养搭档”的，是给它写身份、灵魂和用户文件

同一篇设置稿里，我觉得最值得单独拿出来讲的，是隐藏目录 .workbuddy。

文章公开给出的路径是：

• ~/.workbuddy/（Mac / Linux）
• C:\\Users\\你的用户名\\.workbuddy\\（Windows）

而这个目录里最关键的三个文件是：

• IDENTITY.md
• SOUL.md
• USER.md

2.1 IDENTITY.md：它是谁

公开稿把这个文件解释得很清楚：

• 名字
• 角色定位
• 专注领域
• 能力范围

这意味着 WorkBuddy 的“AI 个性”，不是全靠临时 prompt，而是可以被持久化地定义下来。

2.2 SOUL.md：它怎么说话、怎么做事

这部分更像行为规则层，文章里给出的例子包括：

• 简洁优先
• 结论先行
• 遇到风险操作必须先确认
• 做错了直接说问题，不要铺陈道歉

这就不是普通聊天设置了，而是在定义：

你的 Agent 平时到底像什么样的同事。

2.3 USER.md：你是谁

这部分本质上是在告诉 AI：

• 你的背景
• 你的工作方式
• 你的偏好

也就是说，WorkBuddy 这条线里最接近“生产环境配置”的地方，不只是模型选择，而是：

把人和 Agent 的关系写进文件。

这比单纯在对话里说“以后都这么做”更稳定得多。

案例 3：40 天以后，AI 从工具变成伙伴，关键不是模型升级，而是记忆和规则在起作用

另一篇特别值得拼进来的公开稿，是：

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

这篇最有价值的地方，是它不是教程，而是长期使用反馈。

从搜索结果和公开目录里能确认，这篇的核心结构包括：

• 先立规矩
• 建记忆系统
• 配自动化任务
• 做跨设备协同
• 以及踩坑总结

我很认同它里面那个核心判断：

AI 能走多远，不取决于模型有多强，取决于你愿意花多少时间带它。

这句话放在 WorkBuddy 上尤其成立。因为很多人会把 Agent 当一次性工具，但这篇体验稿强调的是另一种使用方式：

• 不是“每次都从零开始”
• 而是“持续校准”

这就更像你在训练一个长期合作对象，而不是在调用一个临时接口。

案例 4：跨设备记忆同步，才是真正把上下文变成资产的一步

如果说上面两篇解决的是“单机怎么用”，那第三篇更像把 WorkBuddy 从单机工具推向了多设备工作流：

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

这篇公开描述里最值得注意的几个点，我直接列出来：

• 目标是解决跨设备记忆不同步
• 做法是用 云盘 + 自动化脚本
• 文章点名支持 OneDrive 等主流云盘
• 号称 15 分钟 可以完成设置
• 重点同步内容包括：
  • 工作日志
  • 用户偏好
  • 项目背景

这就意味着，它已经不是只在讨论“本机上怎么更懂你”，而是在讨论：

你换一台电脑，它还能不能像没离开过一样继续工作。

4.1 这条线最像真生产环境的地方，不是脚本本身，而是同步对象

很多人看到“同步脚本”会先想到技术实现，但对业务来说，更关键的是同步什么。

从公开稿给出的关键词看，被同步的不是普通设置项，而是：

• 工作日志
• 用户偏好
• 项目背景

这三个东西一旦能带走，就意味着：

• 第二台机器不用重新教
• 任务上下文不会每次断掉
• 项目切换成本会低很多

这也是为什么我觉得，“跨设备记忆同步”比表面上看起来更重要。 它本质上是在把：

对话里的经验

变成：

可迁移的工作资产。

案例 5：最危险的不是 AI 做错，而是静默失败和记忆膨胀

那篇 40 天体验稿还有几个我觉得特别像真实踩坑总结的点：

• 推送静默失败是最危险的
• 记忆文件不能只积累不精简
• 自动化任务要考虑时间和机器状态

这些都很有生产环境味道，因为它们不是“模型不够聪明”，而是：

• 自动化没跑到位
• 记忆越积越脏
• 设备状态和调度条件被忽略

也就是说，当 WorkBuddy 真开始承担长期任务以后，运维问题会越来越像真实系统：

• 有状态
• 有调度
• 有失败恢复
• 有上下文污染

这也是为什么这类文章值得单独写。

这几篇案例拼起来，WorkBuddy 的“高级工作流”长什么样

把设置篇、40 天体验稿、跨设备同步教程拼在一起看，WorkBuddy 在这条线上已经出现了一些很清楚的生产环境特征：

• 有默认工作目录
• 有只读 / 直接改 / 先规划三类风险边界
• 有持续增长的记忆系统
• 有规则文件来固化身份、风格和用户偏好
• 有跨设备同步，把记忆从单机带到多机
• 有自动化任务和失败模式

这和普通 AI 工具的差别其实很大。

它不再只是：

• 你问一句，它答一句

而越来越像：

• 你有一套工作系统
• AI 是这套系统里一个可配置、可迁移、可维护的部件

它现在最适合哪些人先试

适合马上试的人

• 有长期桌面工作流的人
• 需要多设备切换的用户
• 已经把 Agent 当日常工具，而不是偶尔问一句的人
• 有文件目录、项目上下文、个人偏好积累需求的人
• 愿意维护规则文件、工作目录和自动化脚本的人

可以先观望的人

• 只想偶尔问几个问题，不需要长期记忆
• 几乎不换设备，也不需要跨设备上下文
• 不愿意维护任何配置文件或自动化
• 对本地目录和 Agent 权限边界没有概念

如果你要把类似 WorkBuddy 的长期工作流接到自定义模型，采购价值在哪

从业务侧看，真正的问题通常不是“它会不会回答”，而是：

• 长期记忆要不要切不同模型
• 跨设备同步后的上下文成本稳不稳
• 自动化任务和文件流能不能走统一网关
• 多个 Agent 的状态、规则和账单能不能统一管理

所以如果你做的是 长期桌面 Agent / 记忆系统 / 自动化工作流，统一模型网关通常会比只押一个模型更实用。

可以继续从这些入口看：

• 模型定价
• 购买 API Key
• 使用教程

我的最终判断

如果一句话总结我对 WorkBuddy 这条“记忆系统 / 跨设备同步 / 隐藏规则文件”路线的看法，那就是：

它最值得重视的，不是“会做任务”，而是它已经开始出现一套能把 AI 从临时工具培养成长期搭档的结构。

这套结构至少包括：

1. 工作目录
2. 记忆系统
3. 行为规则文件
4. 风险边界模式
5. 多设备同步

这也意味着，WorkBuddy 真正像生产环境的地方，不在某次任务有多惊艳，而在于：

它越来越像一个需要被配置、被维护、被迁移、也能被复用的桌面工作系统。

参考资料

• 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）