# 从DeepSeek到WorkBuddy，我和国产AI Agent折腾了两年

2024年年初我在DeepSeek的对话框里敲下第一个问题，心里想的就一句，这玩意儿回答得挺快。
两年后的今天，我对WorkBuddy说「帮我整理桌面文件、生成一份工作周报、帮我生成一份关于XX的PPT文档」，它就真的，一步步，全做了。
从「问一个问题得到一个答案」到「说一句话完成一整件事」，中间隔了两年，隔了好几个产品，隔了一个我当初完全没想到的转变。
我把这两年的体验写下来，就是一个用户的真实感受，有些地方可能不够客观。

----
## DeepSeek和豆包，那个AI只负责回答的年代

2024年年初，DeepSeek几乎一夜刷屏。
朋友圈那时候的画风，有人让它写诗，有人让它算数学题，有人拿它跟ChatGPT对比。结论一般都差不多，中文能力很强，推理能力不差。
我也试了，第一反应确实惊喜。DeepSeek的中文表达流畅，不像早期国产模型总带翻译腔。我拿它写过方案、润色过文案、做过数据分析的辅助思考。那种感觉怎么说呢，你有了一个知识面很广、回答速度很快的同事，但它只能坐在工位上等你提问。
DeepSeek给我的核心体验就三个字，答得好。
但你很快会发现一个问题。它只能回答。你问它一个问题，它给你一段文字。你想要它帮你做点什么？不好意思，它只能告诉你怎么做，不能替你做。
就像你问一个顾问「这个方案怎么改」，他给你一份详细的修改建议，但不会动手帮你改文件。
后来豆包出来了。
豆包定位更下沉更日常，界面友好上手门槛低，很多人拿它当生活助手用，写周报做攻略翻译文档甚至陪聊。我身边不少非技术背景的朋友第一次用AI就是从豆包开始的。它的语音功能做得不错，手机上用起来很自然，体验上更像一个聊天对象。
但说真的，从产品能力的角度看，豆包和DeepSeek还是在同一个范式里，你问，它答。
区别只是回答的质量、速度、产品包装的方式。底层逻辑没变，AI是一个被动的信息提供者，它不会主动行动。
那时候我有个模糊的期待，什么时候AI能直接帮我做，而不是只告诉我怎么做？
这个问题的答案，2025年年中才慢慢浮上来。

----
## TCADP和工作流，AI终于开始做事了
​
2025年年中，一个叫TCADP的平台进了我的视野。
TCADP的核心能力是搭建工作流，你可以把AI的能力通过可视化方式串联起来，做成自动化流程。比如用户在企业微信里发一条消息，AI理解意图，调用知识库检索，生成回复，自动发送回去。
这不是科幻。这是我真实搭过的东西。
那段日子我折腾了挺多。
接入企业微信和钉钉是最先搞的。以前AI只活在独立对话框里，跟我的工作环境完全割裂。接入之后AI直接出现在工作群里，同事@它就能得到回复。听着是小事，但体验上一下就不一样了，AI终于在我工作场景里有了存在感。
![94b667403bff4826a9cd653669717cc8.png](https://developer.qcloudimg.com/http-save/yehe-12415874/1d537f088261e2f94c74a5ea7e1f443f.png)
提示词写了好几版。反复调试迭代，定义它的人设、回答风格、知识边界、错误处理方式。写提示词的过程说白了就是在编程一个AI的行为逻辑。那时候「提示词工程师」这个概念还挺火，我也觉得自己算半个。后来回头看，其实就是反复试反复改，没那么多方法论。
![ac918763fb854442acee041e3e45628b.png](https://developer.qcloudimg.com/http-save/yehe-12415874/699f8229ab8057f6409bcfab5d200074.png)
创建知识库是最折腾的一步。你要把公司产品文档、FAQ、业务规则整理成结构化数据喂给AI。知识库质量直接决定AI回答准确性，而整理知识库这件事，说实话，比大多数人想象的要累得多。我当时花了大概两周时间才把公司的资料梳理好，中间还踩了好几个坑，比如版本冲突、信息冗余、格式不统一，每个坑都得手动修。
搭完工作流之后的成就感很难形容。就好像你造了一个机器人，它能在你不在线的时候替你回答客户问题，帮你处理重复性工作。
![05e66dca819d45aab5f969733fe7d572.png](https://developer.qcloudimg.com/http-save/yehe-12415874/8ce22ac1a0b94d63271682f7a99c4d81.png)
但问题也摆在那。
工作流是固定的。你设计了一条流水线，它就沿着这条线走。用户请求超出你预设的路径，工作流就卡住了。它像按剧本演戏的演员，剧本写好的时候表现不错，即兴发挥能力为零。
搭建工作流的门槛也不低。你要理解API、理解流程编排、理解知识库结构。对非技术用户来说，这还是能用但不好用的阶段。
但不管怎样，这是个重要转折。AI开始从被动回答走向主动执行。虽然这种主动还很笨拙很受限，但方向已经变了。

----
## OpenClaw和WorkBuddy，Agent真正动了
![e40874300fb24557bcc104e6476b341b.png](https://developer.qcloudimg.com/http-save/yehe-12415874/f800b7fa0ade9de62220612dde4b4f46.png)
2026年年初，OpenClaw火了。
OpenClaw走的是Agent平台的路线。Agent跟聊天机器人的区别在哪？Agent能调用工具、能执行任务、能自主决策。
在OpenClaw里你可以给Agent配备各种工具，搜索引擎、代码执行器、文件操作、API调用。Agent收到任务之后会自己判断需要用哪些工具、按什么顺序执行、怎么处理异常。
这跟TCADP的工作流有什么不同？
说到底就是自主性。工作流是你预先设定好的路径，Agent是它自己规划路径。打个比方，工作流是导航仪，你输入目的地它给你路线；Agent是司机，你告诉它目的地，它自己看路况选路线绕拥堵找车位。
从体验上说，OpenClaw确实让你感受到AI在帮你做事而不是回答你的问题。但OpenClaw也有它的问题，上手门槛依然存在，配置工具的过程需要一定的技术理解力，Agent的自主决策有时候会跑偏——我记得有一次让它帮我查数据，它自己决定先写了个Python脚本去爬网页，结果爬了半天也没爬到，Token烧了一堆，最后还得我手动介入。这种跑偏的情况不算罕见。

![2fc7390b0dbe4f7ea28a4dabced3447b.png](https://developer.qcloudimg.com/http-save/yehe-12415874/a0dff52c496265230c72244836d59d67.png)
然后就是现在我在用的WorkBuddy。
说一个最直接的感受，WorkBuddy是我用过的国产AI产品里第一个让我觉得它真的像一个同事的。
为什么？
它能操作我的电脑。是真的能在本地环境里执行命令、读写文件、安装软件、运行代码。我在WorkBuddy里说「帮我整理桌面」，它就能把桌面上的文件按类型分类归档。这已经不是回答了，这是行动。
它有记忆。我之前跟它说过的工作习惯、偏好、项目背景，下次它还记得。不用每次从头解释一遍。听着简单，但你想象一下之前每次跟AI对话都得重新介绍自己是什么感觉——那种失忆体验真的让人崩溃。有了记忆之后整个感觉就不一样了。
它有技能。这是我觉得最关键的一点。WorkBuddy的Skill系统让我不需要每次从零开始写提示词，它已经有现成的技能包，写周报、生成PDF、数据分析、代码调试、部署网站。我只需要触发对应的技能，它就知道怎么做。
从DeepSeek到WorkBuddy，国产AI的进化路线其实很清晰。能答，能连，能动。三个字，但背后是整个产品思路的彻底变盘。

----
## Token消耗，没人跟你说的那笔账

![dff01aad39f141d19b8c2330ef373c37.png](https://developer.qcloudimg.com/http-save/yehe-12415874/8af83a73f9dad1f8c270aee545e321b6.png)
这部分必须聊Token。
很多人对AI使用成本没有直观感受。问答时代，你问一句话AI回一段话，消耗Token大概几百到几千。行动时代，你说一句「帮我做个数据看板」，AI可能要理解需求、搜索文件、读取数据、分析数据、生成图表、写代码、调试、部署预览、反复修改。整个过程里每一次思考和操作都在烧Token。
一个复杂任务的Token消耗，可能是简单问答的50到200倍。
![29549c82-e4d1-4024-b210-0afdf406fcef.jpg](https://developer.qcloudimg.com/http-save/yehe-12415874/631d98accc7779e215275b0777f71f63.jpg)
我拿自己真实遇到过的场景算一笔账。有一次我让AI帮我生成一份带数据可视化的运营周报，它光理解需求规划任务就烧了两千到三千Token，搜索和读取数据文件五千到一万，分析数据提炼关键指标三千到五千，撰写周报正文四千到六千，生成图表代码五千到八千，调试修正三千到一万（这个环节最不稳定，有时候一次过有时候反复改），格式化输出生成文件两千到三千。合计两万四到四万五。
而一个普通问答交互，Token消耗大概五百到两千。
Agent帮你做一件真正的事，消耗的Token是一次普通对话的10到90倍。这个数字我第一次算出来的时候自己也吓了一跳。
但换个角度想，这事你自己做可能要两三个小时。按时薪一百算就是两三百的人力成本，Agent消耗的Token成本换算下来可能只要几块到十几块。
所以Token消耗这事其实挺简单，Agent贵，但贵得有道理。它把人力成本变成了算力成本，而算力成本的趋势在持续下降。三五年后回头看，现在的Token价格可能跟当年手机流量费的降幅差不多。
当然也有坑。有些Agent执行任务时会陷入死循环，反复尝试同一个错误操作，Token哗哗烧但问题没解决。我遇到过好几次这种状况，看着Token计数往上跳心里是真的焦虑。这时候你就真切感受到，Token是Agent世界的燃料，烧完了就没了。
好的Agent产品会通过缓存、上下文压缩、任务拆分优化来降低Token消耗。差的产品一路烧到底，最后账单让人肉疼。
我自己用不同产品的时候感受最深的一点，Token效率决定了一个Agent做事到底利索还是磨叽。用户可能感知不到具体消耗了多少Token，但能明显感觉到这个Agent几步就搞完了，那个Agent磨了半天还在原地转圈。

----
## 从Prompt到Skill，提示词工程师的消亡

![8a80d8abdc6b4910b9e714df960295a0.png](https://developer.qcloudimg.com/http-save/yehe-12415874/ad171325634c5ca71ff2a381f25a4a0c.png)
2024年到2025年上半年，「提示词工程师」是个很热的词。我也花了不少时间研究编写提示词。
好的提示词确实有用，精心设计的提示词能让AI输出质量提升一个档次。但提示词有个问题我一直不太舒服，就是它太依赖个人经验了。你写了一个很好的提示词解决了当下的需求，换个场景换个用户换个需求，可能就不好使了。而且提示词的编写质量严重依赖你对AI模型能力的理解，这种理解是隐性的，没法标准化也没法批量传授。
我在TCADP搭工作流的时候花了很多时间写提示词，每个场景都不一样还要反复调试。那时候我的感觉就是，我每天都在驯化AI。每次写提示词就像训练一个新员工，告诉它该说什么不该说什么遇到什么情况怎么处理。一天下来光调提示词就花了大半时间，真正用AI产出东西的时间反而少。
有成就感，但更多的是疲惫。
![eff427eb54bb4b728bbe528f8bb4b840.png](https://developer.qcloudimg.com/http-save/yehe-12415874/77619c27ab81be793e338e50dc170e35.png)
Skill的出现改变了这个局面。
在WorkBuddy体系里，Skill是一个封装好的能力单元，包含预定义的指令、工具调用逻辑和执行流程。你不需要从头写提示词，触发对应的Skill就行。
打个比方。Prompt时代，你要教一个新员工怎么做事，从头讲公司流程规范注意事项，每次来新任务都要重新教一遍。Skill时代，你给一个有经验的员工一本操作手册，他翻到对应章节就知道怎么干，你只需要说「执行第3章的流程」。
![3f634aef47a54af69b73f760fc211df5.png](https://developer.qcloudimg.com/http-save/yehe-12415874/8160072e252fca74621533b6f08264f1.png)
![43ee049ac54445ed9ecd3fda8dfe5efc.png](https://developer.qcloudimg.com/http-save/yehe-12415874/bbd503a1672cadc18609b54bf1d9f5fa.png)
从Prompt到Skill，其实就是从教AI怎么做变成给AI装配能做的能力。你不用再一行一行告诉它每步该干什么了，它已经有了做事的能力框架，你只需要激活对应的技能。
对用户来说门槛大幅降低了。你不需要是提示词工程师，不需要理解AI推理逻辑，不需要反复调试。知道自己想要什么，触发对应技能就行。
能力的标准化和可复用也变得可能了。一个好的Skill可以被成千上万人使用，每个人不需要重新发明轮子。
但Skill也有它的局限。不是所有场景都有现成Skill覆盖，遇到新场景还是得自定义。不同Skill编写质量差异很大，好用的和不好用的体验差距巨大。多个Skill需要协同工作时编排和冲突处理依然是个挑战，目前这块的体验还不够顺畅。



2024年年初我在DeepSeek的对话框里敲下第一个问题，心里想的就一句，这玩意儿回答得挺快。两年后的今天，我对WorkBuddy说「帮我整理桌面文件、生成一份工作周报、帮我生成一份关于XX的PPT文档」，它就真的，一步步，全做了。从「问一个问题得到一个答案」到「说一句话完成一整件事」，中间隔了两年，隔了好几个产品，隔了一个我当初完全没想到的转变。我把这两年的体验写下来，就是一个用户的真实感受，有些地方可能不够客观。

Token消耗真相+从Prompt到Skill：一个Agent用户的深度体验报告

2024年年初我在DeepSeek的对话框里敲下第一个问题，心里想的就一句，这玩意儿回答得挺快。两年后的今天，我对WorkBuddy说「帮我整理桌面文件、生成一份工作周报、帮我生成一份关于XX的PPT文档」，它就真的，一步步，全做了。从「问一个问题得到一个答案」到「说一句话完成一整件事」，中间隔了两年，隔了好几个产品，隔了一个我当初完全没想到的转变。我把这两年的体验写下来，就是一个用户的真实感受，

人工智能

职业发展

从DeepSeek到WorkBuddy，作者亲历国产AI两年进化：从问答式AI到能执行任务的智能助手。2024年DeepSeek惊艳亮相，2025年TCADP实现工作流自动化，2026年WorkBuddy突破性实现本地操作。AI从被动回答到主动执行，Token成本虽高但效率显著提升，Skill系统让AI使用更便捷。见证国产AI从"能答"到"能动"的质变。

数据可视化

聊天机器人

结构化数据

数据分析

WorkBuddy 

OpenClaw

ChatGPT

Python

Agent

2026年中大促 | AI 领航 智绘未来

lexiang

腾讯云BI新客户首次购买9.9元起！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

从DeepSeek到WorkBuddy，作者亲历国产AI两年进化：从问答式AI到能执行任务的智能助手。2024年DeepSeek惊艳亮相，2025年TCADP实现工作流自动化，2026年WorkBuddy突破性实现本地操作。AI从被动回答到主动执行，Token成本虽高但效率显著提升，Skill系统让AI使用更便捷。见证...

Token消耗真相+从Prompt到Skill：一个Agent用户的深度体验报告-腾讯云开发者社区-腾讯云

Token消耗真相+从Prompt到Skill：一个Agent用户的深度体验报告

Token消耗真相+从Prompt到Skill：一个Agent用户的深度体验报告

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐