EP01｜AI 除了聊天，还能替你干活吗？
写在前面
写这个合集，最初只是想送给妻子一份特别的礼物。
她是一名财务人员，经常需要和 Excel、报表打交道。我希望通过 AI，帮她减少一些重复劳动，让工作变得轻松一点。
而在网络安全工作中，我们同样面临大量的数据整理和分析任务。
所以，我决定以 WorkBuddy 为切入点，结合聊天大模型，通过两个实际场景，探索 AI 能做什么、不能做什么，以及如何更高效、安全地使用它。
这既是一份礼物，也是一次学习和实践。
如果这些探索也能帮助到其他人，那就更有意义了。
01｜你是否还把 AI 当成一个聊天工具？
自从 ChatGPT 横空出世，人工智能给各行各业带来的震撼可想而知。
有人带着豆包逛博物馆，边走边听 AI 讲解文物；有老年人在花卉市场拿着手机，向豆包请教如何养花；甚至连小学生，也开始用 DeepSeek 辅助完成作业、制作手工。
不知不觉间，AI 已经走进了我们的工作和生活。
但我想问大家一个问题：你平时是怎么使用 AI 的？
我们先从一个熟悉的场景开始。
一位财务人员，每个月都需要整理10份 Excel 表格：统一格式、核对金额、筛选数据，最后制作成一份汇总表。
AI 早已进入她的工作和生活。
和往常一样，她打开 DeepSeek，询问 Excel 公式，复制 AI 给出的答案，再回到 Excel 中一步步操作。
有了 AI 的帮助，原本需要几天的工作，现在可能一个下午就能完成。
听起来已经很不错了，对吧？
可到了下个月，她还得把这些工作重新做一遍。
就像小时候每逢暑假，电视里总会重播《还珠格格》和《西游记》一样。熟悉的剧情，熟悉的操作，只不过这次换了一批 Excel 文件。
既然 AI 已经能告诉我们怎么做，为什么不能再进一步，让它直接帮我们把活干了？
比如，把10份 Excel 放进一个文件夹，告诉 AI：
“帮我把这些表格合并起来，检查异常数据，按部门统计费用，最后生成一份汇总表。原始文件不要修改。”
然后，你去喝杯茶，回来检查它的工作成果。
这件事真的能实现吗？
答案是：可以尝试，而且这正是我们今天要认识的另一类 AI 工具——AI Agent。
不过，在介绍它之前，我们先来看看，如今五花八门的 AI 工具，到底有什么区别。
02｜AI 工具这么多，到底有什么区别？
相信大家对 AI 工具已经不陌生了。
有豆包、DeepSeek、ChatGPT、腾讯元宝，还有前段时间大家忙着“养”的小龙虾 OpenClaw。
今天一个新模型，明天一个新 Agent，后天又冒出来一个号称能替你干活的 AI 助手。
工具越来越多，名字越来越花哨，普通人反而不知道该选哪个了。
这些 AI 工具究竟有什么区别？我们真的需要把它们全部学会吗？
其实大可不必。
就像家里的工具箱，有螺丝刀、扳手、电钻，也有电锯。虽然都能帮我们干活，但解决的问题并不一样。
AI 工具也是如此。
为了方便理解，我按照它们主要解决的问题，把常见的 AI 工具大致分为五类。
第一类：通用 AI 助手——你身边的万能顾问
代表工具：DeepSeek、ChatGPT、豆包、腾讯元宝。
这一类大家最熟悉了。
工作中不会写的邮件，问它；Excel 公式不明白，问它；出去旅游想规划路线，也可以问它。
它们可以帮助我们理解问题、分析资料、编写内容，甚至生成代码。
当然，这些工具还有一个特别的本领：有时候不知道答案，也能说得头头是道，甚至编得像真的一样。
这种现象通常被称为“AI 幻觉”。
所以，AI 给出的答案，尤其是涉及专业知识和重要决策时，还需要我们自己核实。
第二类：AI 搜索与研究工具——帮你查资料的研究助理
代表工具：Perplexity、秘塔 AI 搜索。
传统搜索引擎通常给我们一堆网页链接，需要自己逐个打开、筛选、阅读。
AI 搜索工具则更进一步。
它能够围绕我们提出的问题检索资料，整理不同来源的信息，并生成一份相对完整的回答。
例如，你想了解某个行业的发展趋势，它可以帮助你收集资料、比较观点，部分工具还能提供信息来源。
但要记住：有引用来源，不代表结论一定正确。
第三类：执行型 AI Agent——真正开始帮你干活的助手
代表工具：Codex、Claude Code、WorkBuddy。
这类工具，我愿意称之为“天选打工人”。
以前，我们问 AI：“如何合并10份 Excel？”
AI 给我们一段教程，或者一段 Python 代码。
现在，我们可以尝试直接告诉 Agent：
“帮我把这10份 Excel 合并，检查数据，并生成一份统计报告。”
在获得必要权限后，它可以分析任务、规划步骤、调用工具，甚至通过编写和执行代码来完成工作。
它们不仅可以告诉你怎么做，还能在一定范围内替你动手。
当然，会干活不代表永远干得对，更不代表可以放心地让它随意操作所有文件。
这也是本系列教程后面要重点讨论的问题。
第四类：可扩展的个人 Agent——尝试培养自己的数字助手
代表工具：Hermes Agent、OpenClaw，以及一些强调个人化和持续协作的 AI 助手产品。
如果说上一类 Agent 主要展示的是完成具体任务的能力，那么这一类产品更强调长期使用和个性化扩展。
例如，让 AI 记住你的工作习惯，接入日常使用的工具，定期整理任务，甚至通过不同的消息渠道与你交流。
借助记忆、Skills、工具扩展和自动化机制，我们可以逐渐把它配置成符合自己需求的数字助手。
有些产品还能设定角色和交流风格，让助手更有个性。
不过，个性化不等于真的拥有人格；长期记忆也不意味着它能准确记住每一件事。
而且，这一类与执行型 Agent 存在大量交叉，并不是更高级的另一代产品。
第五类：AI 应用与工作流平台——给 AI 建一条流水线
代表工具：Dify、Coze（扣子）、n8n。
大家可以想象一下工厂里的流水线。
第一个工位负责准备材料，第二个工位负责加工，第三个工位负责检查，最后一个工位负责包装。
AI 工作流也可以采用类似的方式。
例如，我们想自动制作一段短视频：
搜集资料 → 整理文案 → 生成配音 → 制作画面 → 合成视频。
每个步骤都可以通过一个或多个节点连接起来，由不同的工具或 AI 模型协同完成。
其中，有些流程按照事先设计好的固定步骤运行，有些则允许 Agent 根据情况自主选择工具和下一步操作。
这类平台特别适合把重复出现的工作组织成可以复用的流程。
看到这里，你可能已经发现了一个问题：
这些工具的能力，好像有很多是重叠的？
没错。
ChatGPT 不只是聊天，Codex 不只是写代码，WorkBuddy 也不只是处理 Excel，而 OpenClaw 同样能执行任务。
所以，上面的分类不是给 AI 工具划定严格的界限，更不是把它们分成三六九等。
它只是帮助我们理解：面对不同的问题，应该优先选择什么样的工具。
本节不做复杂的模型性能排名，也不讨论哪个产品绝对最强。
因为对于大多数普通人来说，最好的 AI 工具，不一定是参数最多、功能最复杂的那个，而是能够解决自己问题、容易上手、成本可以接受的那个。
03｜从回答问题到动手干活，AI 到底进化了什么？
前面我们介绍了五类 AI 工具，看起来五花八门，但仔细想想，它们其实都在解决一个问题：如何让 AI 帮我们完成更多工作？
不妨继续拿前面那位财务人员举例，看看 AI 是如何一步步从“聊天搭子”变成“工作搭子”的。
第一阶段：我有问题，你能告诉我答案吗？
代表工具：ChatGPT、DeepSeek。
最初，我们使用 AI 的方式很简单：有问题，就问它。
比如，财务人员问：
Excel 如何使用 SUMIFS 函数统计各部门费用？
AI 立刻给出公式，还贴心地解释每个参数是什么意思。
网络安全工程师也一样：
FortiGate 防火墙策略不生效，应该如何排查？
AI 可以列出一套排查步骤，甚至告诉你应该执行哪些命令。
答案有了，可问题是：活还得自己干。
第二阶段：你能不能直接帮我把活干了？
代表工具：Codex、Claude Code、WorkBuddy。
既然 AI 知道怎么做，为什么不能让它直接动手呢？
于是，我们开始尝试提出这样的要求：
帮我把这10份 Excel 合并，统一日期格式，检查重复记录，最后生成一份汇总表。
或者：
帮我分析这500条防火墙策略，找出疑似重复和过于宽泛的规则，生成一份复核清单。
这时候，AI 不再只是给出操作说明，而是可以在获得授权后，调用工具、处理文件、执行任务，最后交付工作成果。
这就是我们经常听到的 AI Agent（智能体）。
简单理解，就是让 AI 从“告诉你怎么做”，进一步变成“帮你动手做”。
当然，今天的 ChatGPT 等通用助手也具备部分任务执行能力，二者并没有一条泾渭分明的界线。
第三阶段：下个月，能不能别让我再教你一遍？
工作完成了，财务人员很满意。
可是到了下个月，又是10份 Excel，又是同样的处理规则。
难道还要重新解释一遍？
这时候，就轮到 Skills（技能） 登场了。
你可以把它理解成一本交给 AI 的工作操作手册。
比如，提前告诉它：日期怎么统一、重复数据怎么标记、报表按照什么格式生成。
下次再遇到类似任务，就可以复用这套方法，而不是每次从头交代。
对于网络安全工程师也是如此，固定的日志分析步骤、防火墙策略检查规则，都有机会整理成可以重复使用的技能。
第四阶段：你能不能自己去拿资料？
现在，AI 会干活，也知道怎么干了。
但还有一个问题：数据可能散落在不同软件和系统中。
总不能每次都让人手动下载、上传，再复制粘贴吧？
于是，我们希望 AI 能在授权范围内连接这些工具。
这里就要认识另一个概念：MCP（模型上下文协议）。
简单理解，它提供了一种标准化的工具连接方式，让 AI Agent 可以使用外部工具和数据源。
当然，MCP 不是唯一的连接方法，接入系统也不意味着可以随意读取其中的数据。
第五阶段：你能不能主动帮我工作？
走到这里，我们的要求越来越高了。
既然 AI 已经能够执行任务、复用工作方法、连接外部工具，那么：
每个月月底，你能不能主动提醒我整理报表，按照既定规则生成汇总结果，再把异常项目交给我检查？
对于网络安全工程师，也可以尝试让 AI 定期汇总安全检查结果，提醒需要关注的问题。
这就进一步涉及自动任务、长期记忆和工作状态管理等能力。
像 Hermes Agent、OpenClaw，以及具备相关功能的 WorkBuddy 等工具，都可以在不同程度上帮助我们实现这些目标。
不过，能自动执行，不代表可以完全放手不管。 重要的财务数据和生产网络配置，仍然需要人工把关。
回头看看，我们对 AI 的期待其实一直在变化：
告诉我怎么做 → 帮我做完 → 记住怎么做 → 连接工具 → 持续帮我做。
这并不是五代严格递进的 AI 产品，而是我们逐步提出的五种工作需求。
从最初的聊天工具，到今天可以执行任务的 Agent，真正改变的或许不只是 AI 的能力，还有我们使用 AI 的思路。
以前，我们学习如何使用工具完成工作；现在，我们开始学习如何把工作交给工具完成。
04｜WorkBuddy、Codex、Hermes、OpenClaw，应该选谁？
介绍了这么多 AI 工具，你可能已经有点眼花缭乱了。
有的会聊天，有的会写代码，有的能操作文件，还有的可以24小时运行。
那么问题来了：到底哪个工具最好？
其实，这个问题就像问：电钻和电饭煲哪个更好用？
当然是看你准备干什么。
我们不妨按照日常工作场景来选择。
当然，这些工具的能力并不是完全独立的。
Codex 也可以处理 Excel，WorkBuddy 也可能编写和执行代码，Hermes 和 OpenClaw 同样可以完成文件整理工作。
区别更多在于：它们主要为谁设计，擅长什么场景，以及需要多少学习和维护成本。
这里顺便认识两个经常出现的技术名词：Skills 和 MCP。
Skills（技能），可以理解成写给 AI 的工作操作手册，让它能够重复使用一套经过验证的方法。
MCP（模型上下文协议），则像是给 AI 准备的工具接口，让它能够以标准化的方式连接外部工具和数据源。
WorkBuddy、Codex 等 Agent 都可以具备这些扩展能力，只是具体支持范围和配置方法有所不同。
至于怎么安装、怎么配置，我们后面再慢慢研究。
毕竟，我们的目的是让 AI 帮忙干活，而不是先给自己找一堆活干。
05｜为什么这套合集选择 WorkBuddy？
既然 AI 工具这么多，为什么我们偏偏选择 WorkBuddy？
原因其实很简单。
首先，为什么不只用 DeepSeek？
DeepSeek 已经能够帮助我们解决很多问题，但这套教程希望再往前走一步。
不仅让 AI 告诉我们 Excel 公式怎么写，还希望它直接整理文件、处理数据，最后交付一份可以检查的工作成果。
其次，为什么不直接使用 Codex？
说到这里，可能有人会问：Codex 不也能操作文件、处理 Excel 吗？
确实如此。从实际操作来看，Codex 和 WorkBuddy 的学习门槛并没有想象中那么大。即使不懂编程，也可以通过自然语言让它们完成不少工作。
真正的问题在于，Codex 对国内普通用户来说，存在服务访问、账号和订阅等现实门槛。
而像 Qwen Code 这类主要通过命令行使用的编程 Agent，虽然功能强大，但对于没有编程基础的人来说，可能还需要先了解终端、文件路径和运行环境等知识。
相比之下，WorkBuddy 提供了更贴近国内用户使用习惯的桌面交互方式，也减少了服务访问方面的麻烦。
我们选择 WorkBuddy，并不是因为普通人学不会 Codex，而是希望读者少折腾工具，把更多时间花在解决实际问题上。
最后，为什么不从 Hermes 或 OpenClaw 开始？
这类工具的扩展能力很有吸引力，但环境部署、工具接入、日常维护，往往也需要投入更多精力。
我们只是想让 AI 帮忙整理几份 Excel，总不能先花好几天研究怎么部署一个 Agent 吧？
所以，这套教程选择 WorkBuddy 作为主要实践工具。
不是因为它一定比其他工具强，而是我们想验证一个问题：
一个不懂编程的普通人，能不能借助 WorkBuddy，真正让 AI 帮自己完成日常工作？
接下来，就用一个简单的实验试试看。
06｜让 AI 做同一件工作，会有什么不同？
假设现在有一位财务人员，手里有一份20条记录的费用明细表。
表格看起来很普通，却藏着几个小问题：日期格式不统一、有些记录重复，还有一些数据缺失。
我们的任务也不复杂：
把日期统一起来，找出重复和缺失的记录，按部门汇总费用，最后生成一份 Excel 汇总表和异常清单。
这一次，我们准备让 DeepSeek 和 WorkBuddy 分别试试。
第一位选手：DeepSeek。
看看它如何理解数据、提出处理方法，以及我们需要手动操作多少次。
第二位选手：WorkBuddy。
看看它能否在获得必要权限后，直接处理 Excel 文件，并生成需要的结果。
实验完成后，我们主要比较四件事：
两个工具是否正确完成任务？
需要我们亲自动手多少次？
处理过程中有没有出现错误？
最终生成的文件是否符合要求？
这里先不着急宣布谁赢谁输。
毕竟，我们需要的是一个能把工作做对的助手，而不是一个看起来很忙的助手。
至于一次性整理10份 Excel 到底是什么体验，我们留到下一篇再详细展示。
07｜AI 能执行任务，就意味着可以完全相信它吗？
看到这里，你可能已经有些心动了。
以后整理 Excel，是不是只需要动动嘴，剩下的全部交给 AI？
先别急。
想象一下：AI 花了几分钟，整理好了所有数据，还生成了一份漂漂亮亮的报表。
结果，你仔细一看，金额少算了两千块。
更麻烦的是，它还一本正经地告诉你：“任务已成功完成。”
所以，无论使用 DeepSeek 还是 WorkBuddy，我们都需要检查几个问题：
- 规则对了吗？ AI 是否真正理解了我们想要什么？
- 数据对了吗？ 金额、记录数量、异常数据是否准确？
- 原始文件还在吗？ 有没有误删、覆盖或者修改原始数据？
- 数据安全吗？ AI 是否只接触了完成任务所必需的数据？数据传输是否在可控范围内？
尤其是财务数据、客户资料和网络安全配置，并不是所有内容都适合直接交给云端 AI。
我们可以使用模拟数据，也可以根据数据的敏感程度，选择必要字段、受控环境或本地处理方式。
保护数据，并不意味着放弃 AI 带来的效率。
AI 能帮我们完成工作，但不意味着我们可以不检查它的工作。
下一篇，我们就正式让 WorkBuddy 上岗，看看它能不能把10份 Excel 整理得明明白白。