WorkBuddy 与 AI Agent 工作台基础

学习要点

• 明确《融合新闻产品策划与制作》作为“内容研发中台与技术兵工厂”的定位，确立以“可署名责任”为核心的人机把关边界。
• 深刻理解认知负荷理论与分布式认知，掌握 WorkBuddy 工作台的目录隔离（Select Folder）与文件分层治理规范。
• 区分会话上下文、本地知识材料、记忆系统与 Skill 契约，掌握 .workbuddy/skills/ 项目级技能的编写与 @ 精准引用语法。
• 建立严格的数据安全与隐私底线，掌握人工核验日志（audit-log.md）的记录规程，守住人工负责终审卡点。

正文

在智能媒体与生成式人工智能（AIGC）深度重塑新闻传播业态的今天，融媒体内容生产正在经历一场深刻的工程化范式转移。传统的散漫式、凭灵感随兴发挥的写作习惯，已无法满足现代全媒体内容矩阵对于事实精度、生产节拍与跨模态适配的严苛要求。

本课程与《新媒体运营》形成紧密的双轨联动架构：运营课负责前台分发、长周期长跑、读者互动与数据留存；本课程则作为**“内容研发中台与技术兵工厂”**，重点训练大家掌握 AI Agent 协同流水线、结构化知识沉淀、多模态视听工程封装以及基于真实证据的敏捷迭代能力。

进入真实生产的第一步，绝非盲目让大模型批量生成几篇充斥陈词滥调的公关稿，而是建立起严谨的道、法、术、器四位一体工作台：

层面	需要回答的问题	在工作台搭建中的具体表现	不能被什么替代
道：目的与责任	为谁提供什么价值？哪些事不能为了效率而做？	坚持新闻专业伦理，恪守“可署名责任”，对事实真实与受众知情权负终极责任	不能被算法自动化或虚假流量替代
法：判断的方法	凭什么指挥 Agent？人机协作如何科学分工？	建立“意图—任务—输入—处理—验收”的人机闭环契约，实施分层把关	不能被“让 AI 自由发挥”的黑箱替代
术：可练习的动作	提示词如何契约化？Skill 如何编写？文件如何治理？	规范编写任务说明工单，建立标准化目录，运用 Markdown 与表格进行外部表征	不能被死记硬背提示词技巧替代
器：工作的载体	哪个系统能稳定承接连续、复杂的长期生产流程？	WorkBuddy 本地工作区、Git 版本追踪、结构化 Markdown 知识库	不能替人承担最后的事实与法律责任

flowchart TD
    D["道：新闻专业伦理与可署名责任<br/>(主体性 · 事实敬畏 · 伦理底线)"] --> F["法：人机协同与闭环分工<br/>(计算把关 vs 价值把关 · 分层治理)"]
    F --> S["术：结构化指令与 Skill 契约<br/>(Prompt工程 · 外部表征 · 校验清单)"]
    S --> Q["器：WorkBuddy 智能工作台<br/>(本地文件 · Git追踪 · 记忆系统)"]
    Q --> E["专业融媒体内容产品<br/>(诊断案 · 选题库 · 分镜脚本 · 数据看板)"]
    E -->|人工终审与核对| D

本讲义对应四个 45 分钟小节，课间休息另计。正文既供课堂跟做，也供课后查阅复做；扩展操作不要求当堂全部完成。

小节	课时时长	核心维度	重点突破	当堂留下什么
第一小节：从“聊天框”到“内容工程中台”	45 分钟	道、法为主	破除聊天依赖，确立可署名责任与协同把关边界	一份人机分工定位契约
第二小节：工作区物理隔离与目录工程治理	45 分钟	术、器为主	WorkBuddy 目录选定、外部表征与输入输出物理隔离	标准化个人账号项目目录树
第三小节：从一次性 Prompt 到项目级 Skill 契约	45 分钟	术、器为主	.workbuddy/skills 编写、YAML 元数据头与 @ 精准引用	第一个概念研学 Skill 与运行产物
第四小节：区分记忆、资料与上下文：人机终审闭环	45 分钟	道、法为主，术落实	厘清四类存储边界、数据脱敏防线与人工复核卡点	一份脱敏规则与初始 audit-log.md

---

第一小节：从“聊天框”到“内容工程中台”

1. 聊天框陷阱与认知负荷失控

许多初学者将大语言模型（LLM）当成一个“无所不能的网页聊天框”：遇到任务时随手粘贴一段语焉不详的提示词，模型吐出一大段貌似华丽却充斥虚构事实的文学性文本；聊完后浏览器标签页一关，上下文彻底归零。下一次遇到类似任务，又得从头构思提示词。

这种“随手聊天式”用法在专业新闻生产中存在致命缺陷：

• 认知负荷失控（Cognitive Load Theory）：约翰·斯威勒（John Sweller, 1988）指出，人类工作记忆容量极其有限。无结构的聊天框将环境配置、格式要求、信源辨别和逻辑推理混在一起，制造了巨大的外在认知负荷（Extraneous Cognitive Load），导致创作者精疲力竭，无暇进行深度的生成性思考（Germane Cognitive Load）。
• 不可追溯与不可复现：聊天记录难以版本化管理，模型生成的依据来源不可见，无法满足新闻报道对“事实源头必须可逐字核实”的工业底线。

2. 人机协同把关与“可署名责任”

在新闻社会学中，戴维·曼宁·怀特（David Manning White）及后来的休梅克与沃斯（Shoemaker & Vos, 2009）提出了把关人理论（Gatekeeping Theory）。在 AI 原生时代，把关机制演进为人机协同双层把关：

• 初级计算把关（Computational Gatekeeping）由 Agent 承担：处理海量非结构化文本的实体抽取、多源报道时间线对齐、跨平台排版规范自适应校验、语法错别字初筛。
• 终极价值把关（Normative Gatekeeping）必须由人类记者牢牢掌握：判断公共价值、辨别利益冲突、核验信源真实性、决定是否发布。

这里引出融媒体内容生产的最高质检准则——可署名责任（Signable Responsibility）：

如果作品发布后出现失实指控、侵权纠纷或伦理危机，你敢不敢在作者栏端端正正署上自己的真实姓名？ 如果不敢，说明这篇由 AI 辅助生成的内容在事实核查、逻辑推理或价值取向上根本没有通过责任验收。工具永远无法替人类承担法律责任与道德声誉，责任永远留在人类账号主人身上。

flowchart LR
    subgraph Machine [初级计算把关：AI Agent]
        M1[大规模线索聚类] --> M2[多源格式清洗]
        M2 --> M3[草稿变体生成]
    end

    subgraph Boundary [边界契约：可署名责任]
        B1{人类记者终审}
    end

    subgraph Human [终极价值把关：人类团队]
        H1[一手事实逐字核验] --> H2[新闻伦理与价值定调]
        H2 --> H3[公开署名发布]
    end

    Machine --> B1
    B1 -->|审核通过并署名| Human
    B1 -->|存在幻觉/缺乏信源| M2

---

第二小节：工作区物理隔离与目录工程治理

1. 分布式认知与外部表征

埃德温·哈钦斯（Edwin Hutchins, 1995）在《野外认知》（Cognition in the Wild）中提出分布式认知理论（Distributed Cognition）：人类的认知活动不只发生在大脑内部，而是广泛分布在工具、物理符号、外部表征与协作流程构成的系统中。

在融媒体工程中，本地文件夹与规范的 Markdown 资产，就是我们大脑记忆与模型推理的外部表征。大模型没有固定的物理磁盘，只有通过清晰有序的物理目录结构，才能防止模型在多轮推理中产生上下文污染与文件覆盖事故。

2. WorkBuddy 核心机制：Select Folder 目录隔离

在 WorkBuddy（或同类 AI 工作台）中开始任何任务前，第一道也是最重要的安全防线是工作目录选定（Select Folder）。

• 常见致命错误：直接在桌面或用户根目录（如 C:/Users/Administrator/ 或 ~/）下启动 WorkBuddy。此时 Agent 拥有扫描整个硬盘的视野，不仅会读取无关的个人隐私文件，还会导致上下文检索陷入海量噪声。
• 标准操作范式：每一门课程、每一个实训账号必须建立一个独立的物理文件夹，在 WorkBuddy 新建任务界面的输入框右下角点击 Select Folder，明确锁定到该项目文件夹内部。

3. 标准化项目目录树规范

为保证人机协同的安全与可维护性，全班统一执行下列目录树分层规范：

my-media-project/                  # 个人实训项目根目录（通过 Select Folder 选定）
├── README.md                      # 项目定位、成员分工、当前阶段与版本记录
├── account-profile.md             # 账号主体定位、核心受众画像、平台约束（人工维护）
├── raw/                           # 【只读区】原始事实、采访录音笔录、公开统计表
│   └── data-202609.csv            # 严禁 Agent 修改或覆盖此目录下的任何文件
├── tasks/                         # 一次性任务说明工单
│   └── task-diagnose.md           # 明确输入、步骤、输出与验收判据
├── output/                        # 【写入区】Agent 专属草稿输出目录
│   └── draft-v1.md                # 所有生成物必须存放于此，等待人工审核
├── .workbuddy/                    # WorkBuddy 工作台配置目录
│   └── skills/                    # 本地工程化 Skill 沉淀目录
│       └── concept-mentor/        # 项目级技能示例
│           └── SKILL.md           # 技能定义文件
└── audit-log.md                   # 人工核验日志（记录修改理由、核验证据与裁决）

目录治理的三项铁律：

1. 输入与输出物理隔离：raw/ 存放未经篡改的事实原材料，设置只读保护；output/ 是 AI 的沙盒草稿间。AI 绝不允许直接覆写 raw/ 中的输入源。
2. 所有文件纯文本化（Markdown First）：拒绝封闭的 .docx 或乱码二进制格式，全流程使用 UTF-8 编码的 Markdown 与 CSV，确保跨工具、跨平台、Git 版本控制完全透明。
3. 日志化追踪：任何 AI 生成结果在合并进正式作品前，必须在 audit-log.md 留下核验痕迹。

---

第三小节：从一次性 Prompt 到项目级 Skill 契约

1. Skill 的本质：程序性边界对象

苏珊·利·斯塔与詹姆斯·格里瑟默（Star & Griesemer, 1989）提出了边界对象理论（Boundary Objects）：在不同专业社群或角色之间，需要一种既足够稳定以维系协同规范、又足够灵活以适应局部操作的共享媒介。

在人机协同中，Skill 就是连接新闻记者业务需求与大语言模型概率计算的边界对象：

• 一次性 Prompt：像在走廊随口交代一句话，说完就忘，下次容易漏项。
• 项目级 Skill：像新闻编辑部白纸黑字打印出的《深度报道采编 SOP 操作规程》。它把业务经验、格式限制、负面约束与防呆清单固化为代码级文件，每次唤起时强制加载。

2. .workbuddy/skills/ 规范与结构解析

WorkBuddy 原生支持项目级 Skill 体系。在项目根目录下创建 .workbuddy/skills/<skill-name>/SKILL.md。其标准结构分为两部分：

• 顶部 YAML 元数据（Frontmatter）：告诉 WorkBuddy 该技能的名称、调用场景、描述与输入参数声明。
• 正文 Markdown 执行规程：规定角色定位、严格处理步骤、输出格式规范、负面禁令与自检清规。

下面是本课程要求全员掌握的第一个项目级 Skill——**概念研读与认知解构助手（concept-mentor）**的完整源码：

---
name: concept-mentor
description: "新闻传播与技术交叉概念的深度研读助手。采用苏格拉底式启发与反常识案例，将抽象技术概念解构为道法术器四维图式，严禁给出现成空洞套话。"
parameters:
  type: object
  properties:
    concept:
      type: string
      description: "需要研读的新闻技术概念名称（如：Agent、上下文窗口、把关人）"
  required:
    - concept
---

# 角色定位
你是一位精通新闻传播学与软件工程的跨学科导师。你的使命是帮助文科背景学生彻底透视技术概念背后的工作机制，消除认知盲区，建立工程直觉。

# 核心执行准则
1. **拒绝抽象黑话**：严禁使用“赋能”、“颠覆”、“矩阵”等空洞公关词汇。解释必须落脚在可观察的文件、信号、字节或动作上。
2. **认知负荷保护**：每次先给出一个真实融媒体生产场景的具象案例，再推导概念定义。
3. **道法术器结构化解构**：强制按照以下四个维度输出概念解析：
   - **道（本质与责任）**：这个技术解决了什么底层冲突？人类创作者需守住什么伦理底线？
   - **法（规律与机制）**：底层工作机制是什么？存在哪些物理或数学上的边界限制？
   - **术（可操作动作）**：在日常采编中，记者如何通过具体动作（指令、文件操作）使用它？
   - **器（系统与载体）**：当前行业中最主流的承载系统是什么？工具有哪些局限？
4. **反常识与高频陷阱提示**：指明初学者最容易犯下的一个直觉性错误（如把“上下文”当“长期记忆”）。

# 输出格式规范
输出必须保存为 Markdown 格式，层级清晰，包含上述四维表格及一条针对实操的自检清单（Checklist）。

3. @ 上下文精准引用与 Lost in the Middle 抑制

大语言模型的注意力机制受限于输入长度与位置偏置。学术界著名的**“中间遗忘（Lost in the Middle）”效应（Liu et al., 2023）**证明：当向模型输入长篇大论时，模型往往对首尾信息敏感，而严重忽略中间的核心事实。

在 WorkBuddy 中，我们利用 @ 语法实施精准上下文注入：

• 禁止行为：在对话框输入“你帮我看看项目里的文件，写个总结”。（此时 Agent 缺乏明确指针，容易产生幻觉）
• 规范行为：使用 @ 明确圈定输入：

  “读取 @account-profile.md 中的受众定位，调用 .workbuddy/skills/concept-mentor/SKILL.md，对概念【智能体任务上下文】进行四维解构，将结果输出到 output/concept-context-study.md。”

flowchart TD
    U["学生指令：挂载明确指针"] --> A["@account-profile.md (业务现状)"]
    U --> S["@.workbuddy/skills/... (程序性规程)"]
    A --> LLM["WorkBuddy 引擎 (注意力聚焦于精准片段)"]
    S --> LLM
    LLM --> R["output/ 规范化成果 (避免中间遗忘)"]

---

第四小节：区分记忆、资料与上下文：人机终审闭环

1. 澄清四类知识存储载体

在人机协同开发中，“资料、会话、知识库、记忆不是一回事”。很多同学以为“在对话里说了一句话，AI 就会永远记住”，这是对计算机底层体系的根本误读。必须在脑中建立严格的区分图式：

载体类型	物理存放位置	生命期与时效	适用场景与典型内容	常见认知误区
会话上下文 (Session Context)	模型推理显存中的临时 Token 序列	极短。会话关闭或窗口超出即被抹去清零	当前轮次正在处理的一批文本与直接指令	误以为“昨天聊过的内容今天模型还能自动知道”
本地资料 (Files & Data)	个人电脑硬盘（如 raw/ 目录）	永久。由创作者手动维护与版本管理	采访音频脱敏文本、统计报表、平台官方规则	误以为“文件存在文件夹里就等于 AI 已经读过”
项目知识库 (Wiki / Knowledge)	经过结构化整理的索引与卡片集合	长期持续维护。支持按关键词或向量检索	经过提炼的概念卡、避坑指南、行业优秀案例	误以为“建了知识库 AI 就能自动百分之百准确调用”
智能体记忆 (Agent Memory)	宿主软件配置文件（如用户全局偏好）	中长期。跨会话保存的简要偏好或摘要	创作者身份习惯、固定输出风格偏好、默认输出路径	误以为“记忆可以替代原始证据事实”

2. 数据安全与脱敏防线

将本地材料发送给大语言模型时，必须清醒认识到：大多数商用 AI 引擎运行在云端服务器。本地文件夹只是你电脑上的视图，一旦点击发送，涉及的文件内容将被传输至服务商机房进行矩阵计算。

因此，课堂与实际生产中必须坚决遵守三不输入安全底线：

1. 绝不输入账号密码、Session Cookie、Token 与 API 密钥；
2. 绝不输入涉及受访者真实姓名、身份证号、手机号、家庭住址的未脱敏材料（统一使用“受访者A”、“兰州某高校在校生李某”代替）；
3. 绝不输入未公开的内部采编策划、商业机密或存在版权争议的非公开数据。

3. 人工核验日志（audit-log.md）维护规程

每一次 Agent 产生输出后，必须经过人工审核才能进入生产环节。我们在项目根目录建立 audit-log.md，每次审核强制记录以下字段：

# 人工核验日志 (audit-log.md)

## [2026-09-02] 概念研学助手初次运行核验
- **核验对象**：`output/concept-context-study.md`
- **调用技能**：`concept-mentor`
- **人工检查发现的问题**：
  1. 事实核查：AI 生成的内容中，将“上下文窗口限制为 128k”写成了普遍绝对真理，未指出不同模型版本窗口差异。已手动修正。
  2. 格式规范：表格中缺少“器”一栏的具体软件名称。已补充 WorkBuddy 与 VS Code。
- **裁决结论**：【通过并归档】/【打回重算】
- **核验人**：张三（确认对该文本的真实性承担可署名责任）

---

实践示例：在 WorkBuddy 中搭建个人第一个融媒体中台

场景说明

你负责一个名为“甘肃文旅青年观察”的新闻实训账号。面对团队成员对“什么是 AI Agent 的上下文窗口”产生的模糊理解，你需要利用 WorkBuddy 工作台，使用规范流程产出一份工业级的概念研习卡，并完成人工终审。

步骤 1：建立项目目录树并准备环境

打开终端或文件管理器，建立干净的项目文件夹：

mkdir -p gansu-travel-media/{raw,tasks,output,.workbuddy/skills/concept-mentor}
cd gansu-travel-media
touch README.md account-profile.md audit-log.md

在 account-profile.md 中填入账号基础定位：

# 账号基本概况表 (account-profile.md)
- 账号名称：甘肃文旅青年观察
- 定位：面向大学生与背包客的深度甘肃非遗与小众旅行信息服务
- 主理人：融媒体实验团队第 3 组
- 协作模式：WorkBuddy 辅助采编，人工负责全部事实核实与终审
- 数据安全等级：已脱敏，无私密商业信息

步骤 2：注入 Skill 契约

在 .workbuddy/skills/concept-mentor/SKILL.md 中写入前文给出的完整技能规范代码。

步骤 3：编写标准任务工单 tasks/task-01.md

新建 tasks/task-01.md，内容如下：

# 任务工单：研学概念【上下文窗口与中间遗忘】
- 目标：产出一份通俗严谨、新闻传播学视角的概念研读卡。
- 输入依据：读取 `@account-profile.md`。
- 执行规则：严格调用 `.workbuddy/skills/concept-mentor/SKILL.md` 的规范。
- 输出目标：保存为 `output/concept-context-study.md`。
- 验收判据：必须包含甘肃文旅采编的具象案例，必须包含道法术器四维表格，必须明确标注模型的物理限制。

步骤 4：在 WorkBuddy 中执行与核对

1. 打开 WorkBuddy，在右下角点击 Select Folder，选中 gansu-travel-media 目录。
2. 在对话框中输入：

   “请读取 @tasks/task-01.md，严格按照工单要求执行任务，将生成文件写入 output/concept-context-study.md。”

3. 检查右侧 Artifacts 与 Changes 面板，确认生成的文件没有超出 output/ 范围，确认未改动 account-profile.md。

sequenceDiagram
    autonumber
    actor Student as 学生主理人
    participant WB as WorkBuddy 交互界面
    participant Skill as concept-mentor Skill
    participant FS as 本地文件系统 (output/)

    Student->>WB: Select Folder 锁定项目根目录
    Student->>WB: 发送 @tasks/task-01.md 指令工单
    WB->>Skill: 自动匹配并解析程序性规程
    Skill-->>WB: 注入道法术器结构与反常识约束
    WB->>FS: 写入 output/concept-context-study.md
    Student->>FS: 打开 Changes 面板执行人工审查
    Student->>FS: 记录核验结论至 audit-log.md

---

练习

1. 基础练习（目录搭建与环境闭环）： 在个人电脑建立个人实训项目的标准化目录树，在 WorkBuddy 中通过 Select Folder 正确加载，并编写一份包含 5 项关键字段的 account-profile.md。
2. 进阶练习（Skill 调试与防呆）： 将 concept-mentor 技能部署在本地。尝试向它提问一个生僻概念（如“向量嵌入 Embedding”）。检查其输出是否包含了具体的场景和道法术器表格；如果输出泛化套话过多，修改 Skill 中的负面约束条款并重新测试。
3. 综合练习（端到端可署名交付）： 使用本课工作流，完成一次完整的“任务下发 $\to$ 输出草稿 $\to$ 人工查证错误 $\to$ 修正并记录 audit-log.md”闭环，要求在日志中至少挑出一条 AI 生成内容中的“模糊表述”或“潜在线索缺陷”，并附上人类核验后的修正版本。

---

本章小结

• 以道驭术：工具是算力延伸，人类主理人恪守“可署名责任”，对公共伦理与新闻事实承担终身责任。
• 认知减负：通过物理目录治理与结构化外部表征，将混乱的思维转化为有序文件，极大降低外在认知负荷。
• 物理隔离：严格通过 WorkBuddy Select Folder 划分安全边界，严守 raw/ 只读与 output/ 写入隔离。
• 程序契约：Skill 是新闻采编 SOP 的代码化，取代脆弱的一次性 Prompt，通过 @ 语法抑制注意力衰减。
• 四类存储：明确区分临时会话、持久文件、结构化知识库与系统记忆，严守数据安全脱敏底线。

---

延伸阅读

• Sweller, J. (1988). Cognitive load during problem solving: Effects on learning — 认知负荷理论奠基之作，系统阐述工作记忆边界与外部表征对问题求解的决定性影响。
• Hutchins, E. (1995). Cognition in the Wild — 分布式认知理论经典著作，揭示能力如何分布于人、工具与物理载体之中。
• Star, S. L., & Griesemer, J. R. (1989). Institutional Ecology, Translations’ and Boundary Objects — 深入理解 Markdown 规范与 Skill 契约作为跨学科边界对象的协同本质。
• Shoemaker, P. J., & Vos, T. P. (2009). Gatekeeping Theory — 现代把关人理论权威专著，为理解 AI 时代人机双层把关提供新闻传播学理论依据。
• Tencent WorkBuddy 官方技术架构与使用指南 — 规范核对工作目录管理、权限模式（Permission Modes）与上下文引用机制。