装修小白自救指南：我让 WorkBuddy 刷了 500 篇小红书，帮我选完 5 万块的全屋家电

倔强的石头_

3805人浏览 · 2026-07-14 08:55:19

倔强的石头_ · 2026-07-14 08:55:19 发布

文章目录

概述

本文介绍了如何用 WorkBuddy 的 Skill 生态 + Agent 能力，为一次真实的婚房家电采购搭建一整套自动化流程，把"每晚刷 2 小时小红书 × 一整周"的低效动作，压缩成"一晚上跑完、第二天上午看结果"。

覆盖流程：痛点梳理 → WorkBuddy 认识 → Skill 装配（两个小红书 Skill）+ 工作空间当长期记忆 → Agent 提示词设计 → 单品类实跑（冰箱）→ 60 行 Python 后处理 → 20 行 Streamlit 可视化看板 → 全屋 8 件家电结果复盘。

一、背景：婚房交付，我却成了小红书的奴隶

先交代下我的场景：

事件：婚房下个月交付，年底就要办婚礼，需要一次性把家电大件全部搞定
预算：5 万左右
清单：冰箱、洗衣机、油烟机、燃气灶、洗碗机、空调（客厅+卧室）、扫地机器人、热水器

在遇到 WorkBuddy 之前，我用的是最原始也最痛苦的办法——刷小红书 + 记 Excel。

前后大概持续了一周，每晚 10 点开始刷，凌晨 1 点合上电脑，Excel 从 0 行涨到 200 多行。然后第二天早上一看，问题全来了：

同一款冰箱，A 博主"用了三年推荐爆"，B 博主"两个月坏了不推荐"，我该信谁？
昨晚记的"XX 型号有异味投诉"，今天再翻笔记完全找不到出处
商家详情页写"变频压缩机 / 风冷无霜 / 智能除菌"，这些参数到底哪些是刚需，哪些是噱头？
京东价、拼多多价、直播间价，同一款差 800，谁是坑？
老婆临睡前发来一条消息：“这几款你到底更推荐哪个？”——我看着 Excel 沉默了

刷到第 5 天我彻底崩了。我意识到：我需要的其实不是"更多信息"，而是"一个能替我看完所有笔记、按我俩的偏好打分、然后给我一份可以直接下单的清单"的助手。

如果这个助手还能记得我说过"厨房宽度只有 90cm"“老婆讨厌噪音”“预算年底婚礼要留出份子钱”，那就完美了。

带着这个需求，我去找工具，翻到了 WorkBuddy。

二、WorkBuddy：这不是聊天工具，是"任务 + 技能 + 专家"

坦白说，最开始我以为 WorkBuddy 又是一个套壳 GPT。打开客户端我才发现它的组织方式完全不一样。

它和市面上聊天机器人的根本区别是——它能自己动手。

ChatGPT / Kimi 这类，你问它"XX 冰箱怎么样"，它只能靠训练数据回答，甚至可能瞎编。

WorkBuddy 你说同一个问题，它会自己打开小红书搜"XX 冰箱缺点"，把前 20 条笔记读完，提取真实用户反馈，然后综合给你结论。

而支撑这件事的，是它左边栏那四个关键入口：

新建任务：一次性的目标交给 AI，例如"帮我选冰箱"
专家：把常用的任务模板固化成一个"数字员工"，可以反复调用
技能（Skill）：给"任务"或"专家"装上执行能力的插件——这是 WorkBuddy 的护城河
自动化：定时/触发式跑任务

想通这一点后，我意识到问题就变得极简：挑合适的技能装上去，然后写一段清楚的任务描述让它跑起来。

三、配置技能：给"家电买手"装上眼睛和脑子

WorkBuddy 的能力扩展全靠 技能（Skill）生态——你想让它干什么，就装什么技能。左边栏点【技能】进入技能中心，我先搜"小红书"，一屏出来十几个候选，全部都是 SkillHub 提供的：

一开始我也懵——这么多小红书技能，我该装哪个？

我按"家电选购"这个目标反推，最后挑了两个组合：

技能 1：小红书爆款笔记查询

作用：按关键词批量把小红书上真正被点赞、被评论、被收藏过的高热度笔记捞出来（不是随便一堆 SEO 站群）。返回结构化数据：标题、正文、互动数、笔记链接。

为什么是它：家电选购最需要"过滤噪音"，同一个话题下 90% 的笔记是广告，只有热度真实的那 10% 值得读。这个技能负责的就是这个"第一层筛"。

技能 2：小红书内容研究助手

作用：拿到笔记链接之后，让它做深度阅读——把笔记正文吃透，抽出被提到的具体型号、优缺点、避坑点。

为什么是它：只有链接没意义，我要的是"这篇笔记到底说了哪几个型号 / 表扬了什么 / 抱怨了什么"，这个技能就是干这个的。

家电场景下这两个技能配合，就能完成"批量搜 → 深度读"的完整闭环。如果你的场景不同（比如做自媒体），换成"小红书爆款标题""小红书选题分析"也是同样的思路。

那"长期记忆"怎么办？

我原本想用一个 memory 类插件，但翻了一圈 WorkBuddy 的技能库并没有"长期记忆"这类通用 MCP 插件。好在 WorkBuddy 自带更简单的方案——工作空间（左侧栏最下方那个就是我的工作空间）。

我的做法：

在工作空间里建一个文件 我的家电选购偏好.md，把厨房尺寸、家庭成员、噪音敏感度全部一次写清楚
后面每次"新建任务"时，任务描述里加一句"请先读取工作空间中的 我的家电选购偏好.md 作为约束"
Agent 会自动读文件，等价于给它挂了一份"个人偏好档案"

这套方案不依赖任何插件，天然可复用。这就是 WorkBuddy 的一个隐藏加分项：工作空间 = 天然的持久化记忆。

装好两个小红书技能 + 建好偏好档案文件，"家电买手"就可以上岗了。下面才是本文的核心——任务描述怎么写。

四、写"任务描述"：整篇文章技术含量最高的部分

WorkBuddy 里没有一个叫"System Prompt"的地方——任务描述就是它的系统提示词。

在【新建任务】的输入框里，我贴的是下面这段。你可以直接抄，改一下"品类 Schema"就能用到你自己的场景（婴儿车、装修公司、保险都行）：

# 你的角色
你是一名资深家电选购顾问。用户会告诉你要买的品类，以及一系列约束条件。
你需要利用已装配的技能，自主完成从"信息收集"到"打分决策"的全流程。

# 你的工作流（严格按顺序）

## Step 1：读取用户偏好档案
读取工作空间根目录下 `我的家电选购偏好.md` 的内容作为约束，包括：
- 空间约束（尺寸、层高、水电位）
- 家庭成员（几口人常住、是否老人偶尔同住、未来 3 年是否计划要小孩、宠物）
- 使用习惯（是否讨厌噪音、是否需要机械按键等）
如无该文件，先反问用户并把答复写回该文件，再进入 Step 2。

## Step 2：小红书三轮搜索
调用【小红书爆款笔记查询】技能，对以下三组关键词各取 Top 20 条高互动笔记：
- 组 A："{品类} 推荐 2026"
- 组 B："{品类} 避坑 / 缺点 / 后悔"
- 组 C："{品类} 对比 / 参数怎么选"

## Step 3：内容深度解析
把 Step 2 返回的 60 条笔记链接，逐一交给【小红书内容研究助手】技能。
从每条笔记中抽取：具体型号、正面评价短句、负面评价短句、避坑点。

## Step 4：型号频次过滤
汇总所有笔记里被提到的具体型号，只保留出现频次 ≥ 3 的型号作为候选
（低于 3 的样本量不足，避免被单条广告带节奏）。

## Step 5：多维打分（每个候选独立打 0-100）
- 用户口碑（正面提及 - 负面提及） × 40%
- 参数匹配度（是否满足用户偏好档案里的空间/家庭约束） × 30%
- 价格性价比（同参数段位下的价格分位数） × 20%
- 综合热度（笔记数 + 互动数） × 10%

## Step 6：输出格式（必须严格遵循）
把结果同时输出到两处：
（a）对话框中以表格形式展示 Top 5
（b）工作空间根目录写入 `workbuddy_outputs/{品类}.json`，字段如下：
{
  "rank": 1,
  "model": "型号名",
  "brand": "品牌",
  "price": 4299,
  "score": 87,
  "pros": ["优点 1", "优点 2", "优点 3"],
  "cons": ["缺点 1", "缺点 2"],
  "avoid_points": ["避坑点 1"],
  "source_notes": ["笔记链接 1", "笔记链接 2"],
  "match_reason": "为什么它匹配用户的约束"
}

# 品类 Schema（Step 3 / Step 5 提取参数用）

## 冰箱
容量(L) / 门型 / 宽度(cm) / 是否风冷无霜 / 是否变频 / 一级能效 / 噪音(dB)

## 洗衣机
容量(kg) / 类型(滚筒/波轮) / 是否洗烘一体 / 除菌方式 / 噪音(dB)

## 油烟机 / 燃气灶 / 洗碗机 / 空调 / 扫地机 / 热水器
（按同样格式扩展）

# 兜底规则
- 单品类总调用不得超过 60 次技能调用（避免超时）
- 小红书返回空/被限流时，先重试 1 次，仍失败则记录并跳过，最后统一汇报
- 全过程留痕：每个候选型号必须附上至少 2 条原始笔记链接，方便用户回查

这段任务描述的三个关键点：

明确工作流：Agent 不是"随便发挥"，六个 Step 每步都可验证，跑砸了知道砸在哪
打分权重可调：把"口碑/参数/价格/热度"数值化，避免"感觉不错"这种玄学结论
落盘 JSON + 显示表格：既让老婆当场能看结果，又让我后面能用脚本汇总所有品类

五、跑一遍：以"冰箱"为例的完整实录

Prompt 有了，我们跑第一个品类——冰箱。

5.1 我给 Agent 的输入

帮我选冰箱。
预算 5000 以内，十字对开门，500L 左右。
新婚小两口常住，老人偶尔来住 1-2 周，未来 3 年可能要小孩，除菌保鲜要顶得住。
厨房宽度 90cm（含预留），限高 200cm。

5.2 Agent 的思考过程

WorkBuddy 会实时展示 Agent 的每一步动作：

1. **三轮搜索** — 小红书爆款笔记查询，搜"推荐2026"、"避坑缺点后悔"、"对比参数怎么选"，各取 Top 20
2. **深度解析** — 内容研究助手逐一解析 60 条笔记，提取型号、优缺点、避坑点
3. **频次过滤** — 只保留被提及 ≥3 次的型号
4. **多维打分** — 口碑40% + 参数匹配30% + 性价比20% + 热度10%，对照你的硬约束和避坑红线筛选
5. **输出结果** — 对话框 Top5 表格 + `workbuddy_outputs/冰箱.json`

5.3 Agent 给我的最终输出

Agent 跑完把结果直接吐在对话框里，标题就叫"冰箱选购 Top 5 推荐榜单"，还很贴心地写了一行输入摘要：

基于三轮小红书爆款笔记搜索（共 34 条高互动笔记）+ web_search 参数验证，对照你的硬约束（宽度≤88cm、噪音≤40dB、一级能效、风冷无霜、变频、除菌、预算≤¥5000、容量≥480L、限高200cm），最终排名如下：

Top 5 完整表格（原样搬运，一字未改）：

排名	型号	品牌	价格	综合分	门型	容量	宽度	噪音	核心优势	主要短板
🥇 1	云溪503（BCD-503WGHFD1CWLU1）	海尔	¥4,609	87	法式多门	503L	83cm	36dB	双系统双循环不串味 · 594mm 超薄零嵌 · 全域双净化 · 活动价在预算内	法式非十字门 · 带制冰需加价 · 白色钣金易留指纹
🥈 2	云溪501（BCD-501WGHFD1GRBU1）	海尔	¥5,500	84	法式多门	501L	83cm	31dB	31dB 超静音（全场最低） · 全自动制冰 · 双系统双净化	日常价超预算（国补后约 ¥4,500–4,800 可入）· 灰色版更贵
🥉 3	山茶花485（BCD-485WGHFD1BWLU1）	海尔	¥4,000	79	法式多门	485L	75cm	36dB	价格最低 · 超薄零嵌 · 全空间保鲜 · 宽度余量大	容量踩线 485L · 无制冰 · 单循环可能串味
4	麦浪512（BCD-512WGHMD1BY6U1）	海尔	¥5,698	79	十字对开门	512L	83cm	37dB	唯一十字门 + 大容量 · 全自动制冰 · EPP 超净除菌 · 奶油白	价格超预算（国补后可入）· 高 190cm 需确认吊柜
5	605L 十字门（BCD-605WDG/B）	奥马	¥3,559	73	十字对开门	605L	待测	38dB	605L 超大容量 · 价格全场最低 · 出口冠军品质	品牌知名度低 · 售后网点不确定 · 噪音接近上限 · 无零嵌

最惊喜的是它没到此为止，还追加了一段分场景选购建议（我一字没删，直接贴老婆看她也秒懂）：

如果你的首要决策因子是噪音低（老婆噪音敏感）：→ 首选 云溪501，31dB 是所有候选中最低的，远低于 40dB 红线。等国补叠加后有机会压到 ¥4,500–4,800。

如果追求性价比 + 均衡：→ 首选 云溪503，¥4,609 活动价直接在预算内，双系统不串味、零嵌设计、503L 容量够用，是 4K 价位段的标杆。

如果你坚持十字对开门（用户首选门型）：→ 推荐 麦浪512，唯一同时满足十字门 + 512L 大容量 + 83cm 宽度的型号，国补后约 ¥4,500–4,800 可入。注意确认厨房吊柜高度兼容 190cm 机身。

如果预算极度紧张：→ 奥马 605L ¥3,559 性价比拉满，但务必先确认当地售后网点覆盖情况和机身实际宽度。

以及两条避坑提醒：

⚠️ 避坑提醒

国补政策：云溪501 和麦浪512 日常价超 ¥5,000，需确认国补是否覆盖及补贴力度

包装尺寸：收货时包装尺寸大于机身，确认能过厨房门

这就是 WorkBuddy 和 ChatGPT 的分水岭：它不是给我一段"综合来看云溪 503 值得推荐"的车轱辘话，而是把"你怎么选决策路径"帮我搭好——“追求 A 就选 X，追求 B 就选 Y”。而且每一条候选都附了 2–3 条小红书原始笔记链接，我随时可以点回去看它是根据什么得出的结论，这份"可追溯"的确定感，比 ChatGPT 的"编"要靠谱一万倍。

细节还有一个小彩蛋：Agent 内部把整个任务拆成了 5 个子任务（对话框底部一直显示"任务列表 5/5"），跑完自动汇总——这是 WorkBuddy Agent 层的自动 planning，不需要我在 Prompt 里手动编排。

📌 顺便说一句：Agent 一次跑下来拆了 5 个子任务、召回 34 条笔记还逐条阅读，工作量塞得满满当当，账户里的积分也跟着肉眼可见地掉——单一个冰箱就用了不少，想到后面还有 7 个品类要跑，我明显感觉这么下去不是办法。这块我在后面专门讲了怎么把 WorkBuddy 的底座换成更便宜、响应也更快的蓝耘 MaaS，你如果打算长期跑，可以先把那节标好，看完主线直接跳过去。

六、60 行 Python + 20 行 Streamlit：把结果做成看板

Agent 每跑一个品类会往 workbuddy_outputs/ 落一个 JSON 文件。冰箱这一个我已经拿到手了，但我不希望每次都回 WorkBuddy 对话框里翻——我要的是一个只要 JSON 攒够了就能自动扩展的对比看板：冰箱在的时候看板只有一个 Tab，跑完洗衣机就多一个 Tab，一直到全屋 8 件家电全部齐活。

所以先把链路搭起来，即使目前只有 冰箱.json 一个文件，脚本也要能跑通。

6.1 数据处理脚本（约 60 行 Python）

# appliance_report.py
import json
from pathlib import Path
import pandas as pd

CATEGORIES = ["冰箱", "洗衣机", "油烟机", "燃气灶",
              "洗碗机", "客厅空调", "卧室空调", "扫地机", "热水器"]

def load_agent_outputs(root: Path) -> pd.DataFrame:
    """把 WorkBuddy 每个品类导出的 JSON 全部读进来。"""
    rows = []
    for cat in CATEGORIES:
        f = root / f"{cat}.json"
        if not f.exists():
            continue
        data = json.loads(f.read_text(encoding="utf-8"))
        for item in data:
            item["category"] = cat
            rows.append(item)
    return pd.DataFrame(rows)

def summarize(df: pd.DataFrame) -> pd.DataFrame:
    """每个品类只留 Top 1，作为最终采购候选。"""
    top1 = df.sort_values(["category", "rank"]).groupby("category").head(1)
    total = top1["price"].sum()
    print(f"全屋 Top1 合计: ¥{total:,.0f}")
    return top1[["category", "brand", "model", "price",
                 "score", "pros", "cons", "avoid_points"]]

def to_markdown_report(top1: pd.DataFrame, out: Path):
    """输出一份可以直接发老婆看的 Markdown 采购单。"""
    lines = ["# 全屋家电采购单\n"]
    for _, r in top1.iterrows():
        lines.append(f"## {r['category']}：{r['brand']} {r['model']}")
        lines.append(f"- 价格：¥{r['price']}")
        lines.append(f"- 综合分：{r['score']}")
        lines.append(f"- 优点：{'; '.join(r['pros'])}")
        lines.append(f"- 缺点：{'; '.join(r['cons'])}")
        lines.append(f"- ⚠️ 避坑：{'; '.join(r['avoid_points'])}\n")
    out.write_text("\n".join(lines), encoding="utf-8")

if __name__ == "__main__":
    root = Path("./workbuddy_outputs")
    df = load_agent_outputs(root)
    top1 = summarize(df)
    to_markdown_report(top1, Path("./采购单.md"))
    top1.to_excel("./采购单.xlsx", index=False)

跑完你会在同级目录得到两份文件：采购单.md（给自己/老婆看） 和 采购单.xlsx（下单用）。因为目前只跑了冰箱，脚本里 if not f.exists(): continue 会自动跳过还没跑的品类，终端输出的 全屋 Top1 合计: ¥4,609 就是当前唯一入选的海尔云溪503——链路先证明是通的，剩下 7 个品类无非是把 Prompt 里 帮我选冰箱 换成 帮我选洗衣机、再等 Agent 落一个 JSON 而已。

6.2 Streamlit 可视化看板（约 20 行）

# dashboard.py
import json, streamlit as st, pandas as pd
from pathlib import Path

st.set_page_config(page_title="全屋家电选购看板", layout="wide")
st.title("🏠 全屋家电选购看板 by WorkBuddy")

root = Path("./workbuddy_outputs")
tabs = st.tabs([f.stem for f in root.glob("*.json")])
for tab, f in zip(tabs, root.glob("*.json")):
    with tab:
        data = pd.DataFrame(json.loads(f.read_text(encoding="utf-8")))
        st.metric("候选数", len(data))
        st.dataframe(data[["rank", "brand", "model", "price", "score"]],
                     use_container_width=True)
        with st.expander("查看优缺点与避坑点"):
            for _, r in data.iterrows():
                st.markdown(f"**{r['brand']} {r['model']}**")
                st.markdown(f"- ✅ {'; '.join(r['pros'])}")
                st.markdown(f"- ⚠️ {'; '.join(r['avoid_points'])}")

一行命令启动（Windows 上如果直接敲 streamlit 找不到，就用 python -m streamlit run dashboard.py 绕过 PATH）：

streamlit run dashboard.py

浏览器会自动打开 http://localhost:8501，看到的就是这样一张实时看板——当下只有一个"冰箱"Tab：

上半屏是 5 个候选的 rank / brand / model / price / score 汇总表，下面的"查看优缺点与避坑点"折叠面板展开后，每个型号的 ✅ 优点、⚠️ 避坑点都写得清清楚楚：

到这里，从"AI 采集"→"结构化处理"→"人可视化"整条链路就通了。下一步只需要在 WorkBuddy 里把"帮我选冰箱"改成"帮我选洗衣机 / 油烟机 / …"重跑几次，Streamlit 页面刷新就会自动多出对应 Tab——脚本一个字都不用改。80 行 Python 换来一个可以持续接入新品类的家电选购中控台，我觉得这买卖挺划算。

七、成果与数据

写文章的时候我只跑通了冰箱这一个品类，但**“单品类闭环 = 全屋闭环”**——剩下 7 个品类只是同一个专家换个输入再跑一次而已。所以下面这份数据分两块看：

单品类实测（冰箱，真实跑出来的硬数据）

指标	数值
Agent 覆盖的小红书笔记条数	34 条（三轮关键词搜索去重后）
从笔记里累计抽出的候选型号数	12 个（≥3 次提及的过滤后）
最终 Top 5 榜单入选数	5 个（多维打分后保留）
Top1 综合分	87 分（海尔云溪503）
Top1 落地价（含 5000 预算内）	¥4,609
Agent 内部自动拆分的子任务数	5/5（planning 全自动，无需手动编排）
我人肉投入的时间（从 0 搭到跑通）	一个晚上（含装依赖 + 修目录问题）

对比"传统刷小红书 + Excel"的老办法（冰箱这一个品类）

环节	传统办法	WorkBuddy 方案
找笔记	手动搜 3 组关键词 × 翻 2 小时	一次 Prompt，34 条自动召回
读笔记	逐条读 × 记 Excel（约 3 小时）	Skill 自动抽型号/优缺点/避坑
打分	靠感觉 + 反复回翻笔记	Prompt 里数值化权重，一次成型
生成给老婆的报告	又要额外整理半小时	Agent 直接吐 Markdown 表格 + 分场景建议
累计耗时	≈ 6 小时	≈ 40 分钟

而且不只是省时间，决策质量也肉眼可见变好：

每个型号都有 2–3 条原始笔记链接做溯源，不是拍脑袋（Agent 给的 source_notes 字段可以直接点开验证）
打分逻辑（口碑 40% / 参数 30% / 价格 20% / 热度 10%）写死在 Prompt 里，不会看到某个"网红爆款"就头脑发热
Agent 主动给了分场景建议（噪音党 / 性价比党 / 十字门党 / 极限预算党）和两条避坑提醒（国补覆盖、包装尺寸过门）——老婆问"你为什么选这台"，我能按她关心的维度一条条讲清楚
剩下 7 个品类照方抓药：预估每个品类 40 分钟，一个周末就能全部跑完，人只出现在"审阅榜单"这一步

八、番外：给 WorkBuddy 换一个引擎——蓝耘 MaaS

前面第 5 节末尾我埋过一句伏笔——这套流程好用，但也有代价：Agent 每跑一个品类就要拆多个子任务、召回几十条笔记、还要逐条阅读打分，WorkBuddy 官方模型下算下来一个品类几百积分不算夸张。冰箱这一轮 + 前期我调 Prompt 反复试错，账户余额几乎见底。想到剩下 7 个品类都要这么跑一遍，我就琢磨着得给这套流程换个更便宜、也更快的底座。

好在 WorkBuddy 支持自定义模型接入，任何兼容 OpenAI 协议的第三方模型都能接进来。我最近的做法是：把底座换成蓝耘 MaaS，官方模型只在少数需要长上下文或强推理的时候临时切回来。换完之后同样跑一次冰箱：结果质量没有变化，账单便宜了一大截，响应速度还更快一点。

8.1 蓝耘 MaaS 是什么

一句话：兼容 OpenAI 协议的模型即服务平台，主打高吞吐、低延迟、稳定，尤其适合 WorkBuddy 这种"Agent 高频调用、单次请求还可能触发工具循环"的场景。

我实际用的是 /maas/minimax/MiniMax-M2.5。

AIPing 榜单上这个型号的服务商指标：

指标	数值
吞吐	约 123.26 tokens/s
平均延迟	约 0.19 s
近 6 小时可靠性	100%
上下文长度	足够塞下我第四节的大段 Prompt

对我这种"选购顾问"专家（一次请求要吐 5 个候选 + 分场景建议 + 避坑提醒，动辄几千字）来说，速度和稳定性直接决定体感——越快越顺，越稳越省重试。

8.2 三步把蓝耘接进 WorkBuddy

第一步：注册蓝耘 + 生成 API Key

打开注册页

https://console.lanyun.net/#/register?promoterCode=41c01378ce

注册登录后在控制台生成 API Key，先复制留档（后面填 WorkBuddy 要用）。

第二步：把三项配置抄进 WorkBuddy

打开 WorkBuddy → 左下角个人中心 → 设置 → 模型 → 添加模型，选自定义 / Custom，填这三项：

配置项	填写内容
接口地址	`https://maas-api.lanyun.net/v1`
API Key	上一步刚生成的 Key
模型名称	`/maas/minimax/MiniMax-M2.5`

高级配置里的工具调用、图片输入、推理模式先默认，跑通再按需打开。

第三步：切到新模型 → 验证一次

保存后回到 Claw / 新建任务界面，把当前模型切到刚加的这个自定义模型，随手发一句：

请用三句话介绍一下你能帮我做什么。

只要返回是正常结构化的三句，就说明底座接好了。这时候再回过头去跑"家电选购顾问"专家，选下一个品类（比如洗衣机），就是走蓝耘 MaaS 出结果了——Prompt 一个字不用改，脚本一个字不用改，等于给整套流程"换了个引擎"。

8.3 我的分工：官方 & 蓝耘怎么搭配

我不觉得非要"二选一"，实际用下来两者可以互补：

日常品类跑批（洗衣机 / 油烟机 / 燃气灶 / 洗碗机……）：全走蓝耘，便宜且快
需要长上下文或复杂推理的任务（例如让 Agent 把 8 个品类的 JSON 汇总成一份总结报告）：临时切回官方模型，稳一点

一个账号里配两个模型来回切，加起来的花销远低于全程用官方。这也是为什么我说"这套流程可以持续跑"——如果每跑一个品类都要心疼一次积分，我肯定跑不动全屋 8 件。

九、反思：WorkBuddy 到底强在哪

用了半个月后，我对 WorkBuddy 的判断是四句话：

它不是给你信息，是给你"能做决定的信息"。
ChatGPT 给你一段话，WorkBuddy 给你一份带来源的清单——这两件事完全不是一个物种。
Skill 生态才是它真正的护城河。
参考文章里有句话我印象很深：“Skill 是 Agent 的手和眼。” 装上"小红书爆款笔记查询"它就能批量搜内容，装上"小红书内容研究助手"它就能深读每一篇。你的场景多复杂，把 Skill 拼起来就有多强。
工作空间改变了"AI 每次都是陌生人"的体验。
我把偏好档案写进工作空间里的 我的家电选购偏好.md，之后选婴儿车、选保险、选装修公司，Agent 全部自动带上"厨房 90cm"“老婆讨厌噪音”"爸妈不会用触屏"这些约束。它开始像我的私人助理，而不是在线客服。
它没把你锁死在官方模型上。
在个人中心 → 设置 → 模型里可以接任意兼容 OpenAI 协议的第三方底座——这个开关比很多同类产品都更慷慨。我把日常品类跑批切到蓝耘 MaaS 的 MiniMax-M2.5 之后，成本压下来一大截、响应还更快，才敢承诺"一个周末跑完全屋 8 件"。想长期用 WorkBuddy 当工作台，一定要把这个开关拉起来，否则光靠官方积分很快就会跑不动。

附录：完整目录结构（方便你直接复现）

appliance-agent/
├── prompts/
│   └── system_prompt.md          # 第四节的 Prompt 全文
├── workbuddy_outputs/            # WorkBuddy 每个品类导出的 JSON
│   ├── 冰箱.json
│   ├── 洗衣机.json
│   └── ...
├── appliance_report.py           # 60 行处理脚本
├── dashboard.py                  # 20 行 Streamlit 看板
├── 采购单.md                     # 最终产物
└── 采购单.xlsx                   # 下单用

如果这篇教程帮到了你，欢迎点赞收藏。