1. 为什么“桌面 Agent”突然需要容器化？——从 Crayfish 到 WorkBuddy 的演进逻辑
你有没有遇到过这样的场景：在本地装好 WorkBuddy，刚配置完一个钉钉多维表同步任务，结果重启电脑后插件失效、历史对话丢失、自定义指令报错“找不到依赖路径”；或者在 Ubuntu 上用 snap 安装的版本，启动慢得像在加载整部《三体》全集，CPU 占用飙到 95%，日志里反复刷着EACCES: permission denied, mkdir '/home/user/.workbuddy/cache'；更别提团队协作时——A 同学用 macOS 部署了 Obsidian 连接器，B 同学在 CentOS 服务器上跑定时微信推送，C 同学想把本地记忆迁移到新机器，三人对着同一份workbuddy.yaml文件争论了两小时，最后发现根本不是配置问题，而是 Node.js 版本、Python 环境、SQLite 数据库锁机制、甚至$HOME路径解析规则在不同系统上完全不一致。
这正是 Crayfish 和 WorkBuddy 容器版诞生的真实土壤。不是为了赶“容器化”这个时髦词，而是被现实反复锤打出来的刚需：桌面级智能体（Desktop Agent）本质上是一套跨 OS、跨用户、跨生命周期的复杂运行时环境，而传统桌面应用的部署模型——直接写入用户主目录、硬编码路径、共享全局依赖、静默升级——已经彻底失能。
Crayfish 是早期探索者，它用 Rust 编写核心调度器，把 LLM 调用、文件操作、UI 自动化封装成可插拔的 Skill 模块，但它的安装包仍是.deb/.pkg形式，所有状态默认存放在~/.crayfish/下。WorkBuddy 在此基础上大幅扩展了连接器生态（钉钉、飞书、微信、Notion、Obsidian），支持自定义指令链和本地记忆持久化，但它依然沿用了 Crayfish 的部署范式——直到某次客户现场交付，运维同事指着监控面板说：“你们这个 workbuddy 进程，占用了 3.2GB 内存，还把/tmp塞满了临时 SQLite 文件，我们没法把它放进生产环境的 CI/CD 流水线。”那一刻，团队意识到：桌面 Agent 不再只是“个人效率工具”，它正在成为企业级自动化工作流的神经末梢节点——而神经末梢，必须有确定性的运行边界。
容器版不是简单地把 WorkBuddy 打个docker build包裹起来。它重构了三个底层契约：
- 环境契约：不再假设用户已安装 Python 3.11、Node.js 18、ChromeDriver 或特定版本的
libglib-2.0.so。容器镜像内嵌全部 runtime，包括 Chromium Headless、SQLite 3.42、LLM 推理引擎（如 llama.cpp 的量化版本）、以及为 UI 自动化定制的 Xvfb + x11vnc 虚拟显示栈； - 状态契约：所有用户数据（历史对话、技能配置、本地记忆、缓存文件）必须通过明确挂载的 volume 路径进出容器，禁止任何隐式写入宿主机任意位置。
~/.workbuddy/不再是魔法路径，而是/data这个 mount point 的别名； - 生命周期契约：WorkBuddy 不再是开机自启的 daemon 进程，而是由容器编排工具（Docker Compose / Podman Compose）按需启停。一次
docker-compose down就干净卸载，一次docker-compose up -d就完整复现，连~/.bashrc里加的 alias 都不用动。
这解释了为什么标题里要并列写出 “Crayfish 与 WorkBuddy 容器版”——Crayfish 是架构探路者，WorkBuddy 是功能集大成者，而容器版是它们共同抵达的工程成熟态。它解决的不是“能不能跑”，而是“能不能被信任地、可审计地、可迁移地、可协作地跑”。当你看到热词里反复出现 “workbuddy 本地部署”、“workbuddy linux 版本”、“workbuddy 启动非常慢”，你就该明白：用户不是在抱怨软件本身，而是在抗议旧部署模型带来的不确定性。容器版，就是这份抗议的正式回应。
提示：如果你现在还在用
curl -fsSL https://get.workbuddy.dev | sh这类脚本安装，说明你尚未进入容器时代。这不是技术淘汰，而是责任边界的重新划定——把环境不确定性，从你的笔记本上，转移到 Docker daemon 的可控沙箱里。
2. 容器版到底装了什么？——解剖一个最小可行 WorkBuddy 镜像
很多人以为“容器版 WorkBuddy”就是把二进制文件塞进 Alpine Linux 镜像里，然后docker run -p 3000:3000 workbuddy:latest。这种理解会直接导致你在实操中踩进三个深坑：UI 自动化失败、本地记忆无法持久、自定义指令调用外部命令超时。因为 WorkBuddy 的容器化，远不止是打包，而是一次对桌面 Agent 运行时本质的重定义。
我们以官方发布的ghcr.io/workbuddy/core:1.4.2镜像为例，用docker inspect和docker run -it --rm workbuddy:1.4.2 sh进入容器内部，逐层拆解其真实构成：
2.1 基础运行时：不是 Alpine，而是 Debian+Rust+Python 的混合体
镜像并非基于极简的 Alpine（因其 musl libc 与 Chromium 兼容性差），而是基于debian:bookworm-slim，并预装：
- Rust Runtime (1.76)：Crayfish 核心调度器编译为静态链接二进制，但调试符号和 profiler 依赖 glibc，故必须用 glibc 发行版；
- Python 3.11.9：所有 Skill 插件（如钉钉连接器、微信消息发送器）均以 Python 包形式存在，要求 pip、venv、setuptools 全套可用；
- Chromium 124 (Headless)：UI 自动化（如自动填写网页表单、截图生成报告）依赖 Puppeteer-Python 绑定，必须匹配 Chromium 版本；
- Xvfb 1.20.14 + x11vnc 0.9.16：为无 GUI 环境提供虚拟显示服务，使 Chromium 能正常渲染，这是
workbuddy skill ui-capture能工作的前提； - SQLite 3.42.0：本地记忆（Local Memory）模块强制使用 WAL 模式，并设置
journal_mode = WAL和synchronous = NORMAL，平衡性能与崩溃恢复能力。
这个组合不是随意堆砌。例如，若你尝试用python:3.11-slim作为 base image，会发现pip install puppeteer-python失败，报错chromium-browser not found；若你强行用apk add chromium安装 Alpine 版 Chromium，则 Puppeteer 启动时会因GLIBCXX_3.4.29 not found崩溃。官方镜像选择 Debian，正是为了在“轻量”与“兼容性”之间划出一条精确的工程分界线。
2.2 工作目录结构：一切皆可挂载，一切皆有契约
容器内/app是 WorkBuddy 主程序根目录，/data是唯一允许读写的用户数据区。其结构严格遵循以下契约：
/data ├── config/ # 用户配置文件：workbuddy.yaml, skills.yaml ├── memory/ # 本地记忆数据库：memory.db (SQLite) ├── cache/ # 临时缓存：LLM 响应缓存、网页截图、文件下载临时区 ├── logs/ # 运行日志：workbuddy.log, skill-execution.log └── uploads/ # 用户上传文件：通过 Web UI 上传的 PDF、Excel 等关键点在于：所有路径都通过环境变量注入，而非硬编码。例如，memory.db的实际路径由WORKBUDDY_MEMORY_PATH=/data/memory/memory.db决定；cache/的清理策略由WORKBUDDY_CACHE_TTL=3600（秒）控制。这意味着，你可以用-v /mnt/nas/workbuddy:/data把数据挂载到 NAS，也可以用-v $(pwd)/config:/data/config把配置文件外置做 Git 版本管理——而 WorkBuddy 程序本身对此毫无感知，它只认环境变量。
这直接解决了热词中高频出现的痛点：“workbuddy 目录前面有个 .”——旧版把~/.workbuddy当作隐藏目录，导致备份困难、权限混乱；容器版则把/data显式暴露，ls -la一目了然，chmod 750 /mnt/nas/workbuddy即可完成权限加固。
2.3 网络与 IPC：如何让容器里的 Agent 操作宿主机桌面？
这是最常被误解的一环。WorkBuddy 容器版不是“隔离”的，而是“受控协同”的。它通过三种机制与宿主机交互：
X11 Socket 透传：
启动命令必须包含-e DISPLAY=:0 -v /tmp/.X11-unix:/tmp/.X11-unix。这使得容器内的 Xvfb 能将渲染结果转发给宿主机的 X Server，从而实现真正的桌面截图、鼠标点击。没有这一项，ui-capture技能永远返回黑屏。D-Bus Session Bus 代理：
WorkBuddy 需要调用org.freedesktop.Notifications发送系统通知，或通过org.gnome.SessionManager控制休眠。容器内不运行完整 D-Bus daemon，而是用dbus-run-session启动一个临时 session bus，并将宿主机的DBUS_SESSION_BUS_ADDRESS注入容器。命令形如：dbus-run-session -- sh -c 'export DBUS_SESSION_BUS_ADDRESS=$DBUS_SESSION_BUS_ADDRESS; /app/workbuddy'Host Network 模式（可选）：
对于需要访问局域网设备（如打印机、NAS、IoT 网关）的 Skill，--network host比-p 3000:3000更可靠。它让容器共享宿主机网络命名空间，避免端口映射带来的延迟和防火墙干扰。这也是workbuddy network connection failed 3002错误的终极解法——错误码 3002 本质是容器内 DNS 解析失败，host network 模式下直接复用宿主机/etc/resolv.conf。
这些设计表明：容器版 WorkBuddy 并非退回到“纯 CLI 工具”，而是以更精细、更可审计的方式，继承了桌面 Agent 的全部能力。它把“我能做什么”变成了“我被允许做什么”，把“可能出错”变成了“错在哪里、怎么修复”。
3. 相比 RPA，WorkBuddy 容器版的真实优势在哪？——一场关于“意图”与“执行”的范式转移
当搜索热词里频繁出现 “使用 workbuddy 做 ui 自动化”、“workbuddy 和 rpa 区别”，说明大量用户正站在 RPA（Robotic Process Automation）的门口犹豫：既然 UiPath、影刀、来也都能点按钮、填表格、导 Excel，为什么还要学 WorkBuddy？这个问题的答案，不在功能列表对比，而在两个词的本质差异：RPA 是“流程自动化”，WorkBuddy 是“意图自动化”。
我们用一个真实案例说明：某建筑公司需要每周五下午 5 点，自动从钉钉多维表拉取本周施工进度，生成 PDF 报告，邮件发送给项目经理，并同步到公司 NAS 的/reports/construction/目录。
3.1 RPA 的典型实现路径（以影刀为例）
- 录制阶段：人工打开钉钉网页版 → 登录 → 导航到多维表 → 点击“导出为 Excel” → 保存到
C:\temp\progress.xlsx； - 编排阶段：添加 Excel 处理节点 → 读取 Sheet1 → 计算完工率 → 调用 Word 模板填充 → 导出 PDF → 调用 Outlook 发送邮件 → 调用 FTP 节点上传 NAS；
- 部署阶段：在指定 Windows 机器上安装影刀 Agent → 设置开机自启 → 配置账号密码 → 定时触发。
这个流程的问题在于：每一步都绑定具体 UI 元素、具体文件路径、具体软件版本。一旦钉钉网页版改版（如“导出为 Excel”按钮变成图标+Tooltip）、Word 模板字段名变更、Outlook 配置被 IT 部门策略重置，整个流程就中断。运维人员必须重新录制、重新测试、重新上线——这就是 RPA 的“脆弱性天花板”。
3.2 WorkBuddy 容器版的实现路径
# /data/config/skills.yaml - name: weekly_construction_report trigger: "every friday at 17:00" steps: - action: "dingtalk.multidimensional-table.query" params: app_id: "a1b2c3d4e5" table_id: "tbl_xyz123" filter: "status = 'completed'" - action: "llm.generate-report" params: template: "construction_weekly.j2" context: "{{ result }}" - action: "file.save-pdf" params: content: "{{ report_html }}" path: "/data/uploads/reports/weekly_{{ now|date('%Y%m%d') }}.pdf" - action: "email.send" params: to: "pm@company.com" subject: "【施工周报】{{ now|date('%Y-%m-%d') }}" body: "详见附件" attachments: ["/data/uploads/reports/weekly_{{ now|date('%Y%m%d') }}.pdf"] - action: "nas.upload" params: source: "/data/uploads/reports/weekly_{{ now|date('%Y%m%d') }}.pdf" target: "/reports/construction/"这个 YAML 文件的优势，不是语法多酷炫，而是它代表了一种声明式意图表达：
dingtalk.multidimensional-table.query不关心钉钉网页的 DOM 结构，它调用的是钉钉开放平台的 REST API（https://open.dingtalk.com/api/v1.0/tables/{table_id}/records），只要 API 不变，UI 怎么改都无关紧要；llm.generate-report不硬编码 Word 模板，而是用 Jinja2 模板引擎动态渲染 HTML，再转 PDF——模板更新只需改.j2文件，无需重录；nas.upload不依赖 FTP 客户端，而是调用 NAS 厂商提供的 WebDAV API 或 SMB 协议封装，路径/reports/construction/是逻辑路径，不是物理路径。
更重要的是，这个 YAML 文件本身就是可版本化的代码。你可以把它放进 Git 仓库，设置 PR Review 流程，每次修改都有审计日志；你可以用docker-compose run --rm workbuddy validate-skill weekly_construction_report在 CI 中做语法检查；你可以在测试环境用--env-file test.env注入模拟钉钉 token，验证流程是否通——而这一切，都在容器内完成，与宿主机环境解耦。
这就是 WorkBuddy 容器版相对于 RPA 的真实优势：它把自动化从“操作录像带”，升级为“业务意图说明书”。RPA 解决的是“怎么做”，WorkBuddy 解决的是“做什么”。前者需要 UI 工程师持续维护，后者需要业务分析师定义需求、开发者编写 Skill、运维工程师保障容器运行——职责分离，各司其职。
注意：WorkBuddy 并非取代 RPA，而是向上兼容。你可以用
ui-automation.clickSkill 做 RPA 式操作（如点击某个网页按钮），但它的定位是“兜底方案”，仅用于尚无 API 的遗留系统。官方文档明确建议：优先使用 API-based Skill，其次才是 UI-based。
4. 从零部署一个生产级 WorkBuddy 容器实例——避坑指南与实操细节
光看原理不够，真正价值在于落地。下面我带你一步步部署一个可投入生产的 WorkBuddy 容器实例，全程基于 Ubuntu 22.04 LTS（Linux 环境最常见，也是热词workbuddy ubuntu、workbuddy linux的集中地），并重点标注那些官方文档不会写、但你一定会踩的坑。
4.1 环境准备：Docker 与权限的隐形战争
很多用户卡在第一步：docker run hello-world成功，但docker run workbuddy报错Permission denied: /data/config。这不是 WorkBuddy 的 bug，而是 Linux 用户权限模型与 Docker 默认行为的冲突。
标准做法是：
# 创建专用用户组和数据目录 sudo groupadd workbuddy sudo usermod -aG workbuddy $USER sudo mkdir -p /opt/workbuddy/data sudo chown :workbuddy /opt/workbuddy/data sudo chmod 775 /opt/workbuddy/data但这里有个致命陷阱：Docker 默认以 root 运行容器，容器内进程 UID 是 0，而/opt/workbuddy/data的组权限是workbuddy（GID 1001），UID 0 不属于该组，因此无权写入。正确解法是强制容器以宿主机用户 UID/GID 运行：
# 获取当前用户 UID 和 GID id -u # 假设输出 1000 id -g # 假设输出 1001 # 启动容器时指定用户 docker run -d \ --name workbuddy-prod \ --user 1000:1001 \ -v /opt/workbuddy/data:/data \ -e DISPLAY=:0 \ -v /tmp/.X11-unix:/tmp/.X11-unix \ -e DBUS_SESSION_BUS_ADDRESS=unix:path=/run/user/1000/bus \ -v /run/user/1000/bus:/run/user/1000/bus \ -p 3000:3000 \ --network host \ ghcr.io/workbuddy/core:1.4.2--user 1000:1001是关键。它让容器内 WorkBuddy 进程以你的普通用户身份运行，自然拥有/opt/workbuddy/data的读写权限。没有这行，你只能chmod 777，这是安全红线。
4.2 配置文件初始化：绕过 Web UI 的静默部署
首次启动时，WorkBuddy 会检测/data/config/workbuddy.yaml是否存在。如果不存在，它会启动 Web UI（http://localhost:3000）引导配置。但在生产环境，你需要静默初始化——尤其当你用 Ansible 或 Terraform 批量部署时。
官方提供workbuddy initCLI 命令，但需先进入容器：
# 生成初始配置（不启动 Web UI） docker exec -it workbuddy-prod /app/workbuddy init \ --api-key "sk-xxx" \ --llm-provider "ollama" \ --ollama-model "qwen2:7b" \ --web-port 3000 # 生成后，配置文件位于 /data/config/workbuddy.yaml # 可用 docker cp 复制出来编辑 docker cp workbuddy-prod:/data/config/workbuddy.yaml ./config.yaml编辑config.yaml时，务必注意三个易错字段：
storage.local.path: 必须是绝对路径，且以/data/开头，如/data/memory/memory.db。填./memory.db会导致容器内路径解析错误；skills.enabled: 默认为[]（空数组），必须显式列出启用的 Skill，如["dingtalk", "email", "nas"]，否则所有 Skill 都不加载；logging.level: 生产环境建议设为"warn"，避免info级日志刷爆磁盘。/data/logs/workbuddy.log默认按天轮转，最大 10MB。
4.3 UI 自动化实战：让容器里的 Chrome 真正“看见”桌面
热词中 “workbuddy ui 自动化” 高频出现，但多数人失败是因为没配好显示栈。我们以一个真实需求为例：每天上午 9 点，自动登录公司内部 OA 系统，截图首页，保存到/data/uploads/oa_screenshot.png。
Skill 配置如下：
- name: daily_oa_screenshot trigger: "at 09:00" steps: - action: "ui-automation.open-url" params: url: "https://oa.company.com/login" - action: "ui-automation.fill-field" params: selector: "#username" value: "{{ secrets.oa_username }}" - action: "ui-automation.fill-field" params: selector: "#password" value: "{{ secrets.oa_password }}" - action: "ui-automation.click" params: selector: "button[type='submit']" - action: "ui-automation.wait-for-selector" params: selector: ".dashboard-header" timeout: 30000 - action: "ui-automation.screenshot" params: path: "/data/uploads/oa_screenshot_{{ now|date('%Y%m%d_%H%M%S') }}.png"要让它成功，必须满足三个条件：
- X11 透传正确：启动命令中
-e DISPLAY=:0 -v /tmp/.X11-unix:/tmp/.X11-unix缺一不可； - Chrome 启动参数合规：WorkBuddy 内置 Chromium 启动时，默认加了
--no-sandbox（因容器内无 root 权限）。但某些 OA 系统的 JS 会检测 sandbox 状态，导致页面白屏。此时需在config.yaml中覆盖：ui_automation: chrome_args: ["--no-sandbox", "--disable-dev-shm-usage", "--disable-gpu", "--window-size=1920,1080"] - 等待时机精准：
wait-for-selector的timeout必须大于页面完全加载时间。我们实测某 OA 系统在 4G 网络下平均加载 22 秒，故设30000（30 秒）。设太短会超时失败，设太长会拖慢整个流程。
实测下来，这套配置在 Ubuntu 22.04 + Intel i5-8250U 笔记本上，成功率 99.2%（1000 次运行失败 8 次，均为网络抖动导致）。失败时，日志会明确记录TimeoutError: waiting for selector ".dashboard-header" failed，便于快速定位。
4.4 故障排查黄金法则：日志、状态、网络三步定位
当 WorkBuddy 容器出现异常（如热词中的 “workbuddy network connection failed 3002”、“workbuddy 启动非常慢”），不要盲目重启。按以下顺序排查：
查容器状态：
docker ps -a | grep workbuddy # 看 STATUS 是否为 Up 或 Exited docker logs -t --tail 100 workbuddy-prod # 查最后 100 行日志，-t 加时间戳进容器查内部状态：
docker exec -it workbuddy-prod sh # 检查进程 ps aux | grep workbuddy # 检查端口占用 netstat -tuln | grep :3000 # 检查磁盘空间（/data 是否满） df -h /data # 检查内存（OOM Killer 是否杀过进程） dmesg | grep -i "killed process"网络诊断：
# 测试 DNS nslookup open.dingtalk.com # 测试 API 连通性（以钉钉为例） curl -v https://open.dingtalk.com/api/v1.0/health # 测试 D-Bus 通信 dbus-send --session --dest=org.freedesktop.DBus /org/freedesktop/DBus org.freedesktop.DBus.Ping
我们曾遇到一个典型案例：workbuddy network connection failed 3002。日志显示Failed to resolve hostname 'open.dingtalk.com'。排查发现，宿主机/etc/resolv.conf被公司 DNS 策略重定向到内网 DNS，而该 DNS 无法解析公网域名。解决方案不是改 WorkBuddy 配置，而是启动时强制指定 DNS：
docker run ... --dns 8.8.8.8 --dns 114.114.114.114 ...这印证了一个经验：WorkBuddy 容器版的故障，90% 是宿主机环境问题，而非 WorkBuddy 本身。容器化不是万能药，而是把问题暴露得更清晰——它让你一眼看出，到底是代码错了，还是你的网络、权限、磁盘出了问题。
5. WorkBuddy 容器版的未来：从“桌面 Agent”到“边缘智能体”的演进路径
写到这里，你可能已经感受到：WorkBuddy 容器版的价值，远不止于解决“启动慢”、“配置难”、“迁移烦”这些表层问题。它正在悄然重塑桌面智能体的技术坐标系——从“运行在个人电脑上的工具”，转向“运行在任意边缘节点上的智能体”。
这个转向，体现在三个正在发生的事实中：
5.1 架构重心上移：Skill 从本地执行，走向云端协同
当前 WorkBuddy 的 Skill（如llm.generate-report）默认在容器内调用本地 Ollama 模型。但最新版已支持llm.provider: "openai"和llm.provider: "azure-openai"，这意味着 Skill 的执行单元可以是远程 API。更进一步，官方 SDK 已开放skill.register_remote("my-custom-skill", "https://api.mycompany.com/skill/v1")接口——你可以把耗 CPU 的 PDF 生成、视频转文字、图像识别等重负载 Skill，部署在 GPU 服务器上，WorkBuddy 容器只负责调度和编排。
这直接回答了热词中 “workbuddy 和 codebuddy 区别” 的疑问：CodeBuddy 专注代码领域，是垂直 Skill 集；WorkBuddy 是通用调度框架，其容器版正是为这种“混合执行模型”而生——轻量 Skill 在本地容器执行，重型 Skill 调用远程服务，统一由/data/config/skills.yaml编排。你不再需要为每个任务部署独立服务，WorkBuddy 就是那个“智能路由中枢”。
5.2 部署形态下沉：从 Docker Desktop，走向 MicroK8s 与 K3s
随着workbuddy local deployment需求增长，用户不再满足于单机 Docker。我们观察到，越来越多的中小团队开始用 MicroK8s（Ubuntu 官方支持的轻量 Kubernetes）部署 WorkBuddy：
# workbuddy-deployment.yaml apiVersion: apps/v1 kind: Deployment metadata: name: workbuddy spec: replicas: 1 selector: matchLabels: app: workbuddy template: metadata: labels: app: workbuddy spec: containers: - name: workbuddy image: ghcr.io/workbuddy/core:1.4.2 volumeMounts: - name: data mountPath: /data volumes: - name: data hostPath: path: /opt/workbuddy/data type: DirectoryOrCreateMicroK8s 的优势在于：它自带kubectl、helm、dns、storage插件，一条microk8s enable dns storage就搞定集群基础服务。WorkBuddy 容器在此环境下，天然获得滚动更新、健康检查、资源限制（resources.limits.cpu: "1"）等企业级能力。而workbuddy ubuntu用户，只需sudo snap install microk8s --classic，5 分钟即可完成集群初始化。
5.3 生态边界外扩：从“技能市场”，走向“Agent 协同网络”
最后一个信号，来自热词 “workbuddy 钉钉多维表定期同步”、“workbuddy obsidian”、“workbuddy 建筑”。这些不是孤立需求，而是行业场景的切片。WorkBuddy 官方已启动 “Industry Agent Program”，为建筑、医疗、教育等行业提供预置 Skill 包和最佳实践 YAML 模板。例如，“建筑版” WorkBuddy 镜像内置：
bim.model-checkSkill：调用 Revit API 检查模型碰撞；tender.document-genSkill：根据招标文件自动生成投标书章节；site-report.auto-uploadSkill：将现场照片 GPS 信息提取后，自动上传至项目管理平台。
这些行业 Agent 不是独立软件，而是 WorkBuddy 容器的配置变体。你只需docker pull ghcr.io/workbuddy/industry/construction:1.0，再挂载/data，就能获得开箱即用的专业能力。这标志着 WorkBuddy 容器版的终极形态：它不再是一个软件，而是一个可定制、可组合、可演化的智能体操作系统（Agent OS）。Crayfish 是内核，WorkBuddy 是发行版，容器是它的安装媒介——而你，是这个生态的构建者。
我在实际项目中做过一个测试：用同一套skills.yaml，分别部署在开发者的 MacBook（Docker Desktop）、测试服务器的 MicroK8s、以及客户现场的树莓派 5（Podman + cgroups v2）。三个环境，同一份配置，全部 100% 功能一致。那一刻我确认：容器版 WorkBuddy 已经越过技术验证期，进入工程普及期。它不承诺“一键解决所有问题”，但它承诺“问题发生时，你知道错在哪里、怎么修”。这，或许就是桌面智能体最该有的样子。
