标签:#WorkBuddy #AI办公 #知识管理 #自动化 #第二大脑
我是制造业的精益工程师,2015 年入行到现在,硬盘里躺着 8717 份工作文档:月度报告、5S 推进资料、TPM 点检表、VSM 价值流图、模具管理台账、改善月方案、经营分析 PPT……分散在 E:\个人文档\、E:\改善月资料\、E:\下载的工作文档\、E:\来自备份\ 四个目录里,命名混乱,层级最深有 7 层。
痛点很具体:领导让我写 7 月工作计划,我知道去年写过类似的,但我找不到。
Windows 搜索对付不了这种场景——它能匹配文件名,匹配不了「去年那份关于压铸车间环保改善的方案」。全文检索工具装过几个,索引建到一半就卡死,而且检索出来还是一堆原始文件,我还得一份份打开看。
后来用 WorkBuddy 搭了一套三层结构,现在提一句「找今年的工作计划和相关项目文档」,30 秒内能拿到准确出处。这篇把整个过程和踩的坑写清楚,照着做就能搭起来。
一开始我的思路是错的:把 8700 份文档全喂给 AI 做向量检索。
结果两个问题:
改成三层结构后问题解决了:
第一层 MEMORY.md —— 我是谁、在做什么、常用目录在哪(约 500 字,每次必读)
第二层 INDEX.md —— 8717 份文件按 19 个主题分类的索引(只有路径+主题标签,不含正文)
第三层 CARDS/*.md —— 20 张核心主题知识卡片(把散落的知识提炼成结论)
↓ 兜底
E 盘原始文档 —— 前三层定位到具体文件后,按需读原文核心思路:让 AI 先读「地图」,再决定去哪里挖,而不是把整座山搬给它。
检索链路是:读 MEMORY 建立背景 → 读 INDEX 定位候选文件 → 读 CARDS 拿现成结论 → 不够再读原文。
大多数问题在第三层就解决了,根本不用碰原始文件。
在 WorkBuddy 里授权 E 盘目录,然后下这个指令:
扫描 E:\个人文档\、E:\改善月资料\、E:\下载的工作文档\、E:\来自备份\
四个目录下的所有 doc/docx/xls/xlsx/ppt/pptx/pdf 文件。
只读文件名、路径、修改时间、大小,不要读文件内容。
按主题归类,输出到 knowledge\INDEX.md,格式:
## 主题名
- 文件名 | 相对路径 | 修改日期
主题请你根据文件名自行归纳,不要超过 20 个。关键点:明确写「不要读文件内容」。 我第一次没写,AI 老老实实开始逐份解析 PPT,跑了十几分钟才被我叫停,白烧积分。文件名对制造业文档来说信息量已经够了——我们的命名习惯本身就带主题(「2024 年 5 月压铸车间 5S 检查表.xlsx」)。
最后归纳出 19 个主题:精益生产体系、设备与 TPM、模具工装检具、质量管理、成本与经营分析、组织绩效、改善月活动、环保安全、采购与供应链、培训与道场……
INDEX 只解决「在哪」,不解决「是什么」。所以针对高频主题做知识卡片:
读 knowledge\INDEX.md 里「模具工装检具」主题下的所有文件路径,
挑出其中 2023 年以后修改的、且文件名含「管理」「流程」「标准」的文档,
读取内容后提炼成一张知识卡片,写入 knowledge\CARDS\模具工装检具管理.md。
卡片结构:
1. 这个主题在我们公司的现状(一句话)
2. 已形成的制度/流程(列表,标注出处文件名)
3. 关键指标和口径
4. 历史上踩过的坑
5. 相关文件清单(路径)踩坑提醒:一次只做一张卡。我贪心让它一口气做 5 张,结果后面几张明显敷衍,内容互相串味。分批做,每张验收完再做下一张。
20 张卡片我分了 6 天做完,实际投入每天不到 20 分钟。
文档是活的,每周都有新的。用 WorkBuddy 的自动化任务做增量:
FREQ=WEEKLY;BYDAY=SU;BYHOUR=3扫描四个知识库目录,找出最近 7 天内新增或修改的文档。
1. 把新文件按主题追加到 knowledge\INDEX.md 对应章节
2. 如果某个主题本周新增超过 3 份文件,在 knowledge\CARDS\
对应卡片末尾追加「本周更新」小节,简述新增内容要点
3. 如果没有任何新增,不要创建文件,也不要输出「无事可做」的报告
保持 INDEX.md 原有的主题分类和格式,不要重排。最后那句「没有新增就别输出」很重要。不加的话,每周日都会收到一份「本周无新增文档」的推送,纯噪音,看两周就麻木了,真有更新时反而会忽略。
场景一:写月度工作计划
以前:翻 3 个目录 20 多分钟,找到去年同期的计划,还得回忆当时的背景。
现在:
「参考往年 7 月工作计划和当前在推的项目,帮我列 7 月工作计划框架」
AI 读 MEMORY 知道我的岗位职责 → 读 INDEX 找到近三年的 7 月计划 → 读改善月和 BSC 两张卡片拿到当前在推项目 → 输出框架,每条都标了参考出处。约 40 秒。
场景二:临时被问「我们模具报废的判定标准是什么」
以前:打电话问模具组。
现在:直接读卡片,30 秒给出标准 + 出处文件路径,能直接甩给对方。
场景三:新同事入职
把某个主题的 CARD 导出成 PDF 就是一份现成的岗位交接材料。这个是意外收获。
1. 不要让 AI 动原始文件
我在指令里始终强调「只读,不移动、不重命名、不删除」。11 年的文档没有第二份,任何自动整理都可能是灾难。知识库全部产物写到独立的 knowledge\ 目录,和原始文件物理隔离。
2. 中文路径 + PowerShell 脚本会乱码
让 AI 生成 .ps1 批处理脚本处理中文路径时出现过编码损坏。改成让它直接调用工具逐步执行,不落地脚本文件,问题消失。
3. INDEX 会越来越大
8717 行的 Markdown,AI 每次全读一遍不现实。后来按主题拆成 INDEX.md(总目录,只列 19 个主题和文件数)+ INDEX/主题名.md(分册)。AI 先读总目录判断该看哪一册,再精读那一册。
4. 积分要花在刀刃上
建索引阶段只读文件名(几乎不耗积分),提炼卡片阶段才读正文(耗积分但值)。搞反了会很贵。
不适合:文档量小于 500 份的,直接用文件夹分类就行,别折腾。
适合:
制造业、行政、财务、HR 这几类岗位命中率最高。
搭这套东西前后花了大概一周的碎片时间,现在每次写材料能省 20–40 分钟。更重要的是——那些 2015 年写的东西终于不再是死数据了。
AI 工具最大的价值不是替你写,是帮你想起来你自己写过什么。
如果你也有一堆躺尸的历史文档,建议从第一步 INDEX 开始试,成本极低,做完就能感受到差别。
运行近况(截至 2026 年 11 月):这套结构我一直在用,每周日凌晨的增量更新任务持续运行至今。INDEX 按主题拆成总目录加分册后,规模再大也不会拖慢检索;CARDS 里用得最多的是模具工装检具、改善月活动和经营分析三张——它们基本覆盖了我每月被问得最频繁的问题。文档总数还在涨,但检索时间没变。
本文为原创实战记录,2026 年 8 月初稿,2026 年 11 月校订。操作环境:WorkBuddy 桌面客户端 Windows 版,案例数据均已脱敏。
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。