1. 从"工具收集癖"到"只留一个"：我的Agent软件折腾史
去年有段时间，我几乎每周都在装新的Agent工具。桌面上图标排了三四行，每个都号称能"自主规划、自动执行、多步推理"，结果真正用起来，十个里有八个是装完打开一次就再也没碰过。那阵子我甚至给自己起了个外号叫"Agent软件收藏家"——收藏得多，用得少。
事情的转折点是我接了一个需要长期维护的小项目。项目本身不复杂，但涉及大量重复性的信息整理、文件归类、定时任务触发，还有跨工具的流程串联。我一开始的想法很朴素：多装几个Agent，各司其职不就行了？结果现实狠狠教育了我——工具之间互相打架，缓存目录各占一块盘，配置格式五花八门，光是让它们"不互相干扰"就耗掉了我大半个周末。
折腾到第三周，我做了一个决定：把所有Agent软件全部卸载，只留一个。留下来的那个，就是WorkBuddy。
这篇不是软文，也不是官方文档的复读机。我想以一个真实折腾过一圈的人的身份，聊聊为什么在试过一堆同类工具之后，我最终把WorkBuddy留在了工作台上，以及在这个过程中踩过的坑、总结出的配置经验、还有那些官方文档不会告诉你的细节。如果你也正在Agent工具的选择里反复横跳，或者刚接触WorkBuddy不知道从哪下手，这篇应该能帮你少走点弯路。
顺便说一句，我本地跑模型用的是Ollama，所以文中会大量涉及WorkBuddy和Ollama配合使用的场景。这套组合在我看来是目前个人开发者和小团队最省心的方案之一，后面会详细展开。
2. 我评估Agent工具时真正在意的几个维度
2.1 不是功能越多越好，而是"不添乱"最重要
刚开始选工具的时候，我和大多数人一样，盯着功能列表看：支持多少种模型、能不能联网、有没有插件市场、支不支持多模态。但用久了才发现，这些"亮点"在真实工作流里的权重其实很低。真正决定一个Agent工具能不能长期留在你电脑上的，是它会不会给你添乱。
什么叫添乱？举几个我亲身遇到的例子。有的工具默认把缓存写到C盘用户目录下，跑几天就吃掉十几个G，系统盘直接告急；有的工具每次启动都要重新拉一遍配置，改过的参数下次打开又变回去了；还有的工具装完之后会偷偷改系统环境变量，导致我另一个项目的Python环境直接崩掉。这些都不是"功能"问题，而是"工程素养"问题，但恰恰是最影响日常使用的。
WorkBuddy在这方面的表现让我比较放心。它的缓存目录、配置路径、日志位置都是明确可查、可改的，不会偷偷往系统盘塞东西。这一点对Windows用户尤其重要——我见过太多人因为C盘爆红而被迫重装系统，起因就是一个不起眼的Agent工具。
2.2 本地模型支持：Ollama接入的顺畅程度是分水岭
我坚持用本地模型，原因很简单：数据不出本机，响应不受网络波动影响，长期成本可控。而本地模型这块，Ollama基本是绕不开的选择。所以我在评估任何Agent工具时，都会先看它跟Ollama的配合顺不顺。
这里有个很现实的对比。有些Agent工具虽然号称"支持本地模型"，但实际接入时要你手动填一堆API地址、端口、模型名，稍微填错一个字符就报错，而且报错信息极其模糊，你根本不知道是模型没起来还是地址写错了。更离谱的是，有的工具对Ollama的流式输出支持不好，模型明明在逐字生成，界面上却卡着一动不动，等全部生成完才一次性蹦出来，体验极差。
WorkBuddy接Ollama的流程相对干净。你只要确保Ollama服务在本地跑着（默认端口11434），在WorkBuddy里选本地模型，它就能自动识别到已拉取的模型列表。这个"自动识别"看着是个小功能，但省掉的是每次换模型都要手动敲名字的麻烦。我实测下来，从零开始到跑通第一个本地Agent任务，大概十分钟出头。
2.3 缓存与目录管理：一个被严重低估的刚需
热词里有个词条是"workbuddy缓存目录怎么更改"，说明这不是我一个人的痛点。Agent工具跑起来之后，缓存、日志、临时文件、模型索引这些东西会迅速膨胀。如果默认路径在系统盘，用不了多久你就会发现C盘莫名其妙少了几十个G。
WorkBuddy允许你把缓存目录迁到其他盘，而且迁移过程不算复杂。我自己的做法是专门划了一个盘符给AI相关的工具用，WorkBuddy的缓存、Ollama的模型文件、还有其他几个工具的临时目录全放那儿。这样既不影响系统盘，备份和清理也方便——哪天想重置，直接把这个盘格式化就行，不用担心误删系统文件。
2.4 跨平台一致性：Windows下的表现是试金石
我用Windows为主，偶尔在Linux上跑一些任务。很多Agent工具在Linux上跑得好好的，一到Windows就各种水土不服：路径分隔符处理不对、权限问题频发、后台服务起不来。WorkBuddy在Windows下的表现算是比较稳的，安装、启动、任务执行这几个核心环节我没遇到什么致命问题。当然小毛病也有，后面会专门讲。
3. WorkBuddy与Ollama的配合：从安装到跑通第一条任务
3.1 Ollama的安装位置选择，别等C盘红了才后悔
先说Ollama。很多人装Ollama就是一路下一步，装完发现模型文件默认存在C盘，一个7B的模型动辄四五个G，拉两三个模型C盘就告急。所以我的第一条建议是：装Ollama之前，先想好模型存哪。
Windows下安装Ollama时，安装程序本身占的空间不大，大头是模型文件。你可以在安装完成后，通过设置环境变量OLLAMA_MODELS来指定模型存储路径。具体做法是新建一个系统环境变量，变量名OLLAMA_MODELS，值填你想存放模型的目录，比如D:\ai-models\ollama。设置完之后重启Ollama服务，之后拉取的模型就会存到你指定的位置。
这里有个坑要注意：如果你在设置环境变量之前已经拉过模型，那些旧模型不会自动迁移，你得手动把原来目录下的文件挪过去，或者干脆重新拉一遍。我第一次就是没注意这点，设完变量发现模型列表空了，还以为出bug了，折腾半天才反应过来是路径变了。
Linux下相对简单，装完之后模型默认在/usr/share/ollama/.ollama/models或者用户目录下的.ollama/models，取决于你的安装方式。想改的话同样是设OLLAMA_MODELS环境变量，写进systemd服务文件或者shell配置里都行。
3.2 拉模型这件事，慢是常态，别硬等
热词里"ollama下载太慢了"是个高频抱怨。这个确实没办法完全避免，模型文件动辄几个G，网络条件一般的话拉半天很正常。我的经验是：优先选量化版本。同样是7B模型，q4量化版可能只有4G左右，而全精度版能到十几个G，效果差距在日常使用中没那么明显，但下载时间和磁盘占用差了一大截。
另外，拉模型的时候别盯着进度条看，该干嘛干嘛去。Ollama支持断点续传，网络断了重新执行ollama pull会接着下，不会从头开始。我一般晚上睡前挂上，第二天早上基本就好了。
拉完之后用ollama list确认一下模型在不在，然后用ollama run 模型名跑一句试试，确保模型本身没问题。这一步别省，不然后面WorkBuddy连不上你还得回头排查。
3.3 WorkBuddy里配置本地模型的几个关键参数
Ollama跑起来之后，打开WorkBuddy，找到模型配置的地方。这里通常需要填几个东西：服务地址、模型名称、以及一些生成参数。
服务地址默认是http://localhost:11434，如果你改过Ollama的端口就填改后的。模型名称就是ollama list里显示的那个名字，比如qwen2.5:7b这种，注意要带tag，不能只写qwen2.5。
生成参数里，temperature控制输出的随机性，做严谨任务时调低一点（0.2到0.5），做创意类任务可以调高（0.7到1.0）。num_ctx是上下文窗口大小，这个值直接影响模型能"记住"多少内容，但调太大会吃内存，7B模型一般设4096或8192就够用。我一开始图省事全用默认值，结果处理长文档时模型老是"忘事"，后来把num_ctx调到8192才正常。
配置完之后，WorkBuddy一般会有一个"测试连接"的按钮，点一下确认能通。如果报错，先检查Ollama服务是不是在跑（ollama serve或者看系统托盘图标），再检查地址和模型名有没有写错。这两个是最常见的问题源。
3.4 跑通第一条任务的完整流程
配置好之后，我建议先跑一个最简单的任务验证链路：让WorkBuddy调用本地模型，做一次简单的文本总结。
具体操作是新建一个任务，输入一段几百字的文本，指令写"总结这段话的核心要点"。如果模型正常返回了总结结果，说明整条链路是通的。这一步看着简单，但能一次性验证Ollama服务、模型加载、WorkBuddy调用、结果回传这几个环节，比一上来就搞复杂任务高效得多。
我第一次跑通的时候还挺激动的，因为之前用别的工具折腾了两天才让本地模型正常工作。WorkBuddy这套流程走下来，从装Ollama到跑通任务，一个下午就搞定了。
4. 那些官方文档不会写的实操细节
4.1 缓存目录迁移的正确姿势
前面提到WorkBuddy允许改缓存目录，这里说具体怎么做。一般在设置里能找到"缓存路径"或"数据目录"的选项，改完之后一定要重启WorkBuddy，不然它可能还在用旧路径。重启之后，建议手动去新目录看一眼，确认文件确实生成在那儿了。
迁移的时候有个细节：如果旧目录里已经有缓存文件，直接改路径不会自动搬过去。你要么手动复制过去，要么就让新目录从空开始，旧目录回头再删。我建议是后者，因为缓存文件本来就是可再生的，没必要费劲迁移，重新生成就行。
另外，改缓存目录之前先确认目标盘有足够空间。Agent跑起来之后缓存增长可能比你想象的快，尤其是处理大量文件或者频繁调用模型的时候。我一般会留出至少20G的余量。
4.2 多模型切换时的上下文陷阱
WorkBuddy支持配置多个模型，本地和远程的可以混着用。但这里有个容易踩的坑：切换模型时，之前的对话上下文可能不会自动清空。
这意味着什么呢？假设你用模型A聊了半天，积累了一堆上下文，然后切到模型B继续。如果上下文没清，模型B会带着模型A的对话历史来回答，而不同模型的上下文格式、token计算方式可能不一样，轻则回答跑偏，重则直接报错。
我的做法是：切换模型时手动开一个新会话，或者找找有没有"清空上下文"的选项。这个习惯能省掉很多莫名其妙的bug。
4.3 任务失败时的排查顺序
Agent任务失败是常事，关键是排查要有章法。我总结的顺序是：先看模型，再看配置，最后看任务本身。
先确认Ollama服务在跑、模型能正常响应（用ollama run直接测一下）。如果模型没问题，再检查WorkBuddy里的配置有没有被改动，特别是地址和模型名。最后才去怀疑任务指令本身是不是写得太模糊、或者输入数据有问题。
这个顺序的逻辑是：从底层往上排查，先排除最基础的问题。很多人一遇到失败就去改任务指令，结果折腾半天发现是Ollama服务挂了，白费功夫。
4.4 Windows下的路径与权限问题
Windows用户可能会遇到路径相关的问题。比如缓存目录设在一个需要管理员权限的位置，WorkBuddy可能写不进去；或者路径里有中文、空格，某些工具处理不好。
我的建议是：缓存目录尽量用纯英文路径，别放桌面或者文档这种带中文的目录下。如果非要放，至少确保路径里没有特殊字符。权限方面，如果遇到写入失败，可以试试以管理员身份运行WorkBuddy，或者把目录权限改成当前用户完全控制。
5. 从"能用"到"好用"：我的WorkBuddy工作流配置
5.1 把重复任务做成模板
WorkBuddy用顺手之后，我开始把一些高频重复的任务做成模板。比如每周的信息汇总、文件批量重命名、固定格式的文档生成，这些任务的结构是固定的，只是输入数据在变。做成模板之后，每次只要换输入就行，不用重新写指令。
模板的关键是把指令写得足够具体。模糊的指令比如"帮我整理一下文件"，模型不知道你要按什么规则整理。具体的指令比如"把当前目录下所有.jpg文件按修改日期重命名，格式为YYYYMMDD_序号.jpg"，模型就能准确执行。这个道理说起来简单，但真到写的时候，很多人还是习惯性地写得很笼统。
5.2 本地模型和远程模型的搭配策略
我现在的配置是本地模型处理日常任务，远程模型处理复杂任务。本地模型响应快、不花钱、数据不出本机，适合总结、分类、格式转换这类活儿。遇到需要强推理或者本地模型搞不定的任务，再切到远程模型。
这个搭配的好处是成本可控。如果所有任务都走远程，token消耗很快，账单看着心疼。而大部分日常任务其实本地7B模型完全够用，没必要动用大模型。
5.3 定时任务与自动化触发
WorkBuddy支持一定程度的自动化，可以把任务设成定时触发。我用它来做每日的信息抓取和整理，设定好时间，到点自动跑，跑完把结果存到指定目录。这样早上到工位的时候，前一天的信息已经整理好了。
定时任务要注意的是错误处理。如果任务失败了，你得知道。我一般会让任务在失败时写一个错误日志到固定位置，或者干脆让它在失败时发个通知。不然任务默默失败了你还以为它在正常跑，等发现的时候可能已经积了一堆问题。
6. 折腾一圈后的真实体会
6.1 工具是拿来用的，不是拿来收集的
回头看那段疯狂装Agent软件的日子，我最大的教训就是：工具的价值在于用，不在于有。装十个工具，每个都用不明白，不如把一个工具用透。WorkBuddy之所以留下来，不是因为它功能最多，而是因为它在我真实的工作流里最不添乱、最稳定、最容易配置。
这个道理放在任何工具选择上都成立。功能列表再漂亮，如果日常使用中频繁出问题、配置复杂、维护成本高，那它就不适合长期留在你的工作台上。
6.2 本地模型这条路，值得走
用Ollama跑本地模型这半年多，我越来越觉得这条路是对的。数据安全、成本可控、响应稳定，这些好处在长期使用中会越来越明显。当然本地模型也有局限，复杂推理任务确实不如大模型，但通过合理的任务分配，大部分需求都能覆盖。
如果你还在犹豫要不要搞本地模型，我的建议是：先装个Ollama，拉一个7B的量化模型试试。硬件要求不高，普通带独显的机器就能跑，体验一下再决定要不要深入。
6.3 配置这件事，一次做对省心半年
最后说个容易被忽视的点：初始配置值得多花时间。缓存目录、模型路径、环境变量这些东西，装的时候顺手设好，后面能省掉无数麻烦。我见过太多人图快一路默认，结果用了一个月发现C盘满了、模型找不到了、配置丢了，回头再改反而更费劲。
WorkBuddy和Ollama这套组合，配置项其实不多，花半个小时认真设一遍，后面基本就不用再动了。这笔时间投入，回报率极高。
如果你也在Agent工具的海洋里漂着，不妨试试把范围收窄，认真把一个工具用透。WorkBuddy加Ollama这个组合，至少对我来说，是折腾一圈之后最不后悔的选择。
