WorkBuddy 实战：把每天 30 分钟的重复操作压成一条命令

一个把 AI Agent 当"系统管理员"用的实践记录。所有脚本都在 Windows 本机跑通，思路与平台无关。

引子：重复劳动最贵的不是时间，是注意力

我每天有一批固定动作：看日志有没有报错、清理临时目录、把散落的截图归档、确认几个定时任务有没有真的跑。单次几分钟，加起来半小时，但它把整块注意力切碎了。

后来换了个做法：不追求"少点几次鼠标"，而是让机器每天自己跑一遍，我只在结果不对时介入。核心就三件事——摸清现状、写成幂等脚本、挂上计划任务并自检。

一、第一步不是写脚本，是把现状摸成一张表

上来就写代码的人，通常三天后自己都看不懂。我现在会先花十分钟做一张"现状表"：

• 哪些目录在长垃圾，增长速率多少
• 哪些进程常驻、各自的日志落哪
• 哪些任务本该定时跑，实际上次成功是什么时候

这张表决定脚本的边界。经验是：能被一行命令查出来的东西，别写进脚本逻辑里，否则维护成本翻倍。

二、脚本要幂等，失败要吵

幂等是所有自动化的前提。同一段逻辑跑一次和跑十次，结果必须一样。下面是我清理临时文件的写法，重复执行不会误删：

# 只删 3 天前的文件，且保留最近 20 个
find /path/tmp -type f -mtime +3 | sort | head -n -20 | xargs -r rm -f

定时任务最容易出的事不是报错，是静默空跑。所以我给每个任务都加一段自检：跑完回头查一次"该发生的事有没有发生"，没发生就重试一次并写日志。

done_flag=/tmp/job.done
run_job && touch "$done_flag"
sleep 30
if [ ! -f "$done_flag" ]; then
    echo "第一次未生效，重试" >> /var/log/job.log
    run_job && touch "$done_flag"
fi

这段东西救过我很多次：任务显示"成功"，但产物根本没生成，只有自检能发现。

三、把 Agent 当成"会写脚本的同事"，而不是搜索框

用 WorkBuddy 这一年，最大的转变是提问方式。早期我问"怎么批量重命名文件"，它给一段示例；现在我把上下文直接给全——目录结构、命名规则、失败样例，让它产出的脚本能直接跑。

三个具体好用的场景：

• 日志巡检：把 30 天日志丢进去，让它找出"出现次数突增但不在白名单"的错误码，输出一张按小时分布的统计
• 文档批处理：把几十份 Markdown 汇总成一份目录索引，保留原有锚点
• 环境体检：让它对比"当前进程/计划任务/开机启动项"和上次快照的差异，直接告诉我今天多了什么

共同点是：输入可以被机器读取，判断标准能被写成规则。这类任务交给 Agent，比人肉扫快一个数量级。

四、让 AI 干活的前提：给它可见的状态

自动化的天花板不在模型能力，在于你给它多少"可观测性"。我的做法是给每个关键对象都留一份可回读的状态：

# 每天存一份快照，第二天只比差异
schtasks /query /fo CSV > "$BACKUP/tasks-$(date +%F).csv"
ps -ef > "$BACKUP/procs-$(date +%F).txt"

有了快照，"今天有什么变化"就从一道问答题变成一道 diff 题。这一步做完，Agent 的输出质量会明显不一样——它不再靠猜，而是有据可查。

五、几个踩过的坑

• 抢前台：后台任务弹控制台窗口，会打断正在全屏的窗口。Windows 上要用静默方式启动（pythonw/隐藏窗口），并给任务加"仅当可用时启动"
• 编码：脚本里有中文时，PowerShell 5.1 按 GBK 解析无 BOM 的 UTF-8 会静默丢变量。要么存成带 BOM，要么注释全用英文
• 并发：同一个任务被触发两次会互相踩。加"多实例：忽略新实例"，或者用锁文件
• 权限：需要管理员权限的动作，别让主流程去提权，拆成单独任务，失败只影响那一块

结语

自动化真正省下的不是半小时，是"随时要惦记着"的那部分心智。判断标准很简单：如果一件事你每周做三次以上、且每次步骤一样，它就值得被写成脚本。写完之后你会发现，剩下能交出去的部分，正好是最适合 Agent 的那部分。