
写给被"项目一上手就乱"困扰的同学:别再一次性硬写完整脚本。把一个模糊需求丢给 WorkBuddy(会自己动手的 AI 智能体(Agent)),靠"先拆任务、再逐项生成代码、最后拼装验证",今天就能跑通你的第一个小工具。
很多同学想用 AI 提效,却卡在"管项目"这一步。典型画面是:
根因就一句:我们只把 WorkBuddy 当"写代码的",没把它当"管项目的搭档"。它擅长的是"你给一个清楚的小任务,它还你一段能跑的代码";你该做的,是先当架构师把项目拆开,再派活。
下面用一个真实能跑的例子,把"拆任务 + 生成代码"的全过程摊开。
核心思路一句话:需求 → 任务树 → 逐项交给 WorkBuddy 生成代码 → 拼装验证。你定"拆成哪几块、每块输入输出是什么",它负责把每块写成代码。
别急着要代码。先用这段话,让它帮你把目标拆成最小任务清单:
我要做一个 Python 小工具,把"下载文件夹"按文件类型自动分类整理。
请把它拆成最小任务清单,每个任务标清:输入是什么、输出是什么。
它会回你一张任务清单。我们拿"整理下载文件夹"为例,拆出来长这样(每个叶子都是一个能独立验证的小活):

flowchart TD
G["项目目标: 整理乱糟糟的下载文件夹"] --> T1["任务1 读取目录文件清单<br />输入: 目录路径 / 输出: 文件清单"]
G --> T2["任务2 按扩展名分类<br />输入: 文件+扩展名 / 输出: 文件→分类"]
G --> T3["任务3 创建分类子目录<br />输入: 分类名 / 输出: 图片/文档/视频...目录"]
G --> T4["任务4 安全移动文件<br />输入: 文件+目标目录 / 输出: 移动且不覆盖同名"]
G --> T5["任务5 生成整理报告<br />输入: 移动结果 / 输出: 每类几个+文件名清单"]
T1 -.先行.-> T2
T2 -.驱动.-> T3
T3 -.接收.-> T4
T4 -.汇总.-> T5注释(判定标准):每个叶子任务的粒度,必须一句话说清"输入是什么、输出是什么"——说不清的,说明还没拆到位,要继续往下切,直到能直接交给 WorkBuddy 生成。
任务拆清后,逐项派活。小工具可以直接给一段整合指令(带齐约束),也能按任务一个个来。我给的整合指令是:
用 Python 标准库写一个脚本 organizer.py:
1. 扫描目标目录下的文件(不处理子目录);
2. 按扩展名分到 图片/文档/视频/压缩/其他 子目录;
3. 分类目录不存在就创建;
4. 同名文件不覆盖,自动加序号;
5. 最后打印每类整理了几个、分别是哪些文件。
只使用标准库(pathlib/shutil/os),不要第三方依赖,加必要注释。WorkBuddy 生成的代码我已用托管 Python 3.13 实际跑通(见 2.3 输出),可直接复制使用:
"""
下载文件夹整理工具(WorkBuddy 代码生成实战示例)
功能:按文件类型把目标目录里的文件分到 图片/文档/视频/压缩/其他 子目录,
同名冲突自动改名,最后打印整理报告。
用法:python organizer.py <要整理的目录>
依赖:仅 Python 标准库(pathlib / shutil / os),无需安装任何第三方包
"""
import sys
import shutil
from pathlib import Path
from collections import defaultdict
# 扩展名 -> 分类 的映射表(新增类型只需在这里加一行)
CATEGORY_MAP = {
"图片": {".jpg", ".jpeg", ".png", ".gif", ".webp", ".bmp", ".svg"},
"文档": {".pdf", ".doc", ".docx", ".txt", ".md", ".xlsx", ".pptx", ".csv"},
"视频": {".mp4", ".mov", ".avi", ".mkv", ".webm"},
"压缩": {".zip", ".rar", ".7z", ".tar", ".gz"},
}
DEFAULT_CATEGORY = "其他"
def classify(ext: str) -> str:
"""根据扩展名返回分类名;不在映射表里的归到「其他」。"""
ext = ext.lower()
for cat, exts in CATEGORY_MAP.items():
if ext in exts:
return cat
return DEFAULT_CATEGORY
def organize(target: Path) -> dict:
"""扫描 target 下的文件,按类型移动到对应子目录,返回 {分类: [文件名,...]}。"""
moved = defaultdict(list)
for f in target.iterdir():
if not f.is_file():
continue # 跳过子目录,只整理「文件」
cat = classify(f.suffix)
dest_dir = target / cat
dest_dir.mkdir(exist_ok=True) # 分类目录不存在就建
dest = dest_dir / f.name
# 同名冲突:追加序号,绝不覆盖原文件
if dest.exists():
stem, suffix = f.stem, f.suffix
i = 1
while dest.exists():
dest = dest_dir / f"{stem}_{i}{suffix}"
i += 1
shutil.move(str(f), str(dest))
moved[cat].append(f.name)
return moved
def main():
if len(sys.argv) < 2:
print("用法: python organizer.py <要整理的目录>")
sys.exit(1)
target = Path(sys.argv[1])
if not target.is_dir():
print(f"目录不存在: {target}")
sys.exit(1)
result = organize(target)
print(f"\n整理完成:{target}")
if not result:
print("(目录里没有可移动的文件)")
return
for cat, files in result.items():
print(f"\n【{cat}】{len(files)} 个")
for name in files:
print(f" - {name}")
if __name__ == "__main__":
main()把上面脚本存成 organizer.py,对一个乱目录跑一下:
python organizer.py "C:/Users/你的名/Downloads"我在测试目录(含 png/jpg/pdf/xlsx/mp4/zip/txt 共 8 个文件)实跑,输出如下,分类与报告都正确:
整理完成:C:\...\mess
【压缩】1 个
- archive.zip
【视频】1 个
- clip.mp4
【文档】3 个
- data.xlsx
- note.pdf
- readme.txt
【图片】2 个
- photo1.png
- scan.jpg跑通这一步,你的第一个"WorkBuddy 管的"小项目就成了。下面两张图把"怎么管"和"怎么验证"固化成可复用的流程:

flowchart LR
R["模糊需求<br />如:整理下载文件夹"] --> S["让 WorkBuddy 拆任务树"]
S --> P["逐项派活·拿代码<br />带约束:语言/库/异常处理"]
P --> V["每段先单独跑通"]
V -->|全过| M["拼装成完整项目"]
M --> D["交付 + 复盘归档"]
V -.|报错| B["回灌错误信息给 WorkBuddy"]
B --> P注释(管控要求):箭头是单向推进;只有"每段先单独跑通"全过,才进"拼装"。这是质量门禁——攒一堆再调试,最容易互相甩锅、查不出错在哪。

flowchart TD
Q["拿到一个小任务"] --> W["把任务+约束写给 WorkBuddy"]
W --> G["它生成代码"]
G --> Y{"你本地运行?"}
Y -->|通过| OK["标记完成·并入项目"]
Y -->|报错| F["把报错信息原样回灌"]
F --> W
OK --> Q2["下一个任务"]
Q2 --> W注释(判定标准):报错不要"重写整段",只把报错信息原样回灌给 WorkBuddy 让它改——这是单任务 生成-验证 小循环,保证每段都独立可跑、可控。
1. 智能体(Agent)擅长"单点任务",不擅长"一次性宏大目标"。 WorkBuddy 这类带手脚的 Agent 强在"你给一个边界清楚的小活,它还你一段能跑的代码"。目标一旦宏大且模糊,它容易产出"看着对、跑不通"的半成品——不是它弱,是你没给它够清晰的边界。
2. 小任务边界清晰,生成的代码才可控、易验证。 每个叶子任务都有明确输入/输出,你一眼能判断"这块对不对"。对比"一次性写 200 行",拆开后的每段都短、都跑得动,错了也知道错在哪一段。
3. 你做"架构师",它做"施工员",注意力花在刀刃上。 真正值钱的判断——"拆成哪几块、每块输入输出是什么、约束是什么"——由你做;重复搬砖的写码交给它。你的认知资源从"怎么写这行"转移到"拆得对不对",这正是 AI 编程(code generation)提效的本质。
声明:本文由作者基于真实使用 WorkBuddy 管理项目的经验撰写,使用 AI 工具辅助润色;文中含 AI 生成内容,经作者审核修订。核心观点、工作流与示例代码均由作者负责。示例代码基于 Python 标准库,已用托管 Python 实际运行验证;具体操作与界面以 WorkBuddy 当前版本为准。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。