腾讯版「龙虾」Workbuddy上线当天，我用它搭了一套行业情报日报系统
写在前面
最近 AI 圈最火的词大概是「龙虾」。
OpenClaw 掀起了一波桌面 AI Agent 的热潮——不再是聊天窗口里你一句我一句的问答，而是让 AI 直接在你的电脑上干活：操作文件、执行脚本、联网搜索、交付结果。
3 月 9 日，腾讯发布了 WorkBuddy，被称为「腾讯版龙虾」。完全兼容 OpenClaw 的 Skills 技能体系，但有一个关键差异：不需要自己买服务器部署，不需要自己购买 API token，安装即用。如果你用企微，1 分钟就能连上，手机发条消息就能远程让它在办公电脑上干活。
当晚我就下载试了。
不是因为想写评测，而是因为我手上正好有一个真实需求：我需要一套系统，每天自动帮我搜集全球数据平台行业的最新动态，整理成一份结构化的情报简报，推送到企微群。
这个需求我已经用手动方式做了很久——每天花 30-40 分钟刷 Twitter、LinkedIn、各厂商博客和分析师报告，再整理成笔记分享。
WorkBuddy 上线当天，我决定试试看：用桌面 AI Agent 能不能把这件事自动化。
结果是：1 小时跑通了第一个可用版本，1 天反复优化，3 天后稳定运行。
这篇文章完整记录整个搭建过程——怎么设计、怎么实现、踩了哪些坑、怎么解的。如果你也想用 AI Agent 搭一套自己行业的信息自动化系统，这篇可以当一个实操参考。
一、先看效果：这份日报长什么样
在讲怎么做之前，先看产出物。
每天早上 8 点，一份《Data+AI 全球日报》准时出现在我们的企微群里，覆盖全球 10+ 大数据平台厂商、5 个板块、8-12 条高质量情报。
推送方式
推送分两步：
先发一条精简摘要（Markdown 格式，控制在 4096 字节内），在企微内直接可读
再发一份 HTML 完整版，打开后是一份带精美排版、可点击来源链接的完整报告
💡 为什么分两步？企微 Webhook 单条消息限制 4096 字节（注意是字节，一个中文 3 字节），但完整日报通常 8000+ 字符。这个限制在 Day 1 就把我教做人了，后面会讲。
内容结构
每份日报严格按 5 个板块组织：
板块 | 内容 | 示例 |
|---|---|---|
| A. Top Signals | 当天最重大的 3 条行业动态 + 影响分析 | Gartner 峰会定调 AI FinOps |
| B. Product & Tech | 4-6 条产品/技术更新，只取一手信源 | Databricks Asset Bundles GA |
| C. People & Views | 关键人物的原始发言 | Snowflake CEO 谈 AI Agent 战略 |
| D. Analyst Insights | Gartner/Forrester/IDC 研报核心数据 | 44% 组织缺乏 AI FinOps |
| E. Watchlist | 值得持续跟踪但尚未定论的信号 | GTC 2026 推理加速 |
每条信息都标注了一手信源链接。
公开版
除了企微群，每期日报同时部署到 GitHub Pages：
🔗 https://haiyangchenbj.github.io/data-ai-daily/
HTML 版本有蓝色渐变头部、卡片式板块布局和可点击的来源超链接，阅读体验比企微内的 Markdown 好得多。
二、为什么选 WorkBuddy
搭这套系统，需要 AI 工具同时具备三个能力。我来拆解一下选型逻辑，也顺便说说 WorkBuddy 作为「腾讯版龙虾」和 OpenClaw 的异同。
能力 1：联网搜索 + 结构化输出
日报的本质是信息搜集和整理。AI 必须能实时联网搜索，而不是只靠训练数据回答问题。每次生成日报，WorkBuddy 会执行 10+ 次搜索——中英文双语，覆盖厂商官方博客、GitHub 仓库、分析师报告等信源——然后按我定义的模板结构化输出。
能力 2：本地文件操作
整个系统涉及大量文件操作：读取 JSON 配置文件、生成 MD 和 HTML 两种格式的日报、调用 Python 脚本推送。这要求 AI 能直接操作本地文件系统。WorkBuddy 作为桌面智能体，可以读取授权文件夹、生成文件、执行脚本。
能力 3：多步骤任务链
"生成今日日报"是一句话，但实际包含 5 个步骤：读取配置 → 联网搜索 → 生成内容 → 推送企微 → 部署 GitHub Pages。WorkBuddy 可以自主拆解和执行这个任务链。
和 OpenClaw 的关系
WorkBuddy 完全兼容 OpenClaw 的 Skills 技能体系。如果你之前给 OpenClaw 写过 Skill，可以直接导入使用。不同的是：
部署门槛：OpenClaw 需要自建服务器或购买 API token；WorkBuddy 安装即用，免费额度覆盖日常使用
企业连接：WorkBuddy 原生支持企微、飞书、钉钉，1 分钟连上
模型切换：国内版支持混元、DeepSeek、Kimi 等模型无缝切换, 国外版基本上主流模型都在。
对于我的场景来说，"安装即用 + 企微原生连接"是决定性的。我不想为一个每天跑一次的日报系统维护一台服务器。
三、核心设计：一份 3000 字的「情报宪法」
这套系统最核心的部分，不是代码，是一份 Prompt 配置文件。
我把它叫做「情报宪法」（daily-brief-config.json）——它定义了 AI Agent 的所有行为准则。
在做数据平台产品时，我有一个强烈的认知：系统的产出质量不取决于引擎多强大，取决于规则定义得多清晰。同样的逻辑放到 AI Agent 上——模型是底座，但产出取决于你给它的约束。
下面展开说这份配置的几个关键设计。
3.1 核心过滤原则
"core_filter": "每条信息必须能明确回答：这会影响企业数据平台的 产品路线、架构设计、成本结构、治理方式、运维效率或 Agent 在 数据场景的落地吗？如果不能明确回答'是'，一律不纳入。"这是整份配置里最重要的一条。没有它，AI 会把每天铺天盖地的 AI 新闻全塞进来——大模型刷新 benchmark、创业公司融资——这些跟「数据平台」这个垂直领域无关。
AI 不缺生成能力，缺的是判断力。你的判断力，需要通过 Prompt 注入 AI。
3.2 排除规则
光说"数据平台优先"不够，必须明确告诉 AI 什么不碰：
"exclusions": [ "纯 AI 新闻：纯模型发布、纯 benchmark、纯消费级 AI 产品", "财经媒体的二手报道（Bloomberg、36氪、虎嗅的转述和评论）", "搬运号、标题党、无来源转述、无法验证的爆料" ]为什么排除财经媒体？因为我只要一手信源。Databricks 发了什么，我去看 Databricks 官方博客原文，不看科技媒体的二手解读。
这和做数据产品的逻辑一样——你宁可要一条干净的一手数据，也不要十条加工过的二手数据。
3.3 厂商优先级
"tier_1": ["AWS", "Google Cloud", "Azure", "Databricks", "Snowflake", "阿里云", "腾讯云", "华为云", "火山引擎"], "tier_2": ["Confluent", "MongoDB", "ClickHouse", "dbt Labs", "Fivetran"], "conditional": ["NVIDIA", "Intel", "AMD"]每次生成日报约执行 10+ 次联网搜索。不设优先级，搜索资源会被分散到太多方向。分层之后，确保头部厂商的重要动态不会被遗漏。
3.4 信源标准
"accepted_sources": [ "官网、官方博客、Release Notes、GitHub 仓库", "论文原文、官方 Keynote", "创始人/CEO/CTO/核心开源 Maintainer 的原始发言", "Gartner、Forrester、IDC 官方报告", "PR Newswire/Business Wire 官方新闻稿" ], "rejected_sources": ["财经媒体、大众媒体的二手分析和转述"]这套信源标准让同事说"比付费信息服务都好用"——因为很多付费服务也在搬运二手信息。
3.5 时间窗口
"time_window": "严格只覆盖过去 24 小时内首次公开的信息。 原始发布日期早于窗口的，即使刚被搜索引擎收录，也不纳入。"这条是踩坑后加的——Day 1 的日报混入了一周前的旧闻，因为搜索引擎刚重新收录。加了这条规则后，「新鲜度」大幅提升。
四、技术实现：完整搭建教程
这一节是实操教程，可以直接照着做。整个系统只需要2 个 Python 脚本 + 0 个第三方依赖。
4.1 系统架构
WorkBuddy │ ├── 读取 daily-brief-config.json（情报宪法） │ ├── 执行 10+ 次联网搜索 │ ├── 厂商官方博客（中英文双语） │ ├── GitHub 仓库 │ └── 分析师报告 │ ├── 生成文件 │ ├── Data+AI全球日报_YYYY-MM-DD.md │ └── Data+AI全球日报_YYYY-MM-DD.html │ └── 分发 ├── send_daily_v3.py → 企微群 └── deploy_to_github.py → GitHub Pages4.2 Step 1：编写情报宪法
创建daily-brief-config.json，内容就是上一节讲的过滤规则、厂商分层、信源标准、输出模板。这是整个系统的灵魂，花多少时间打磨都不过分。
4.3 Step 2：企微推送脚本
send_daily_v3.py，222 行，全部用 Python 标准库（urllib、json、re），不需要pip install任何东西。
核心逻辑 1——智能摘要提取：
def extract_summary_from_md(md_path): """保留日报骨架，去掉详细内容，控制在 4096 字节内""" lines = content.split("\n") summary_lines = [] for line in lines: stripped = line.strip() # 保留标题行 if stripped.startswith("# "): summary_lines.append(stripped) # 保留今日变化和总判断 if stripped.startswith("## 今日") or stripped.startswith("> 总判断"): summary_lines.append(stripped) # 保留板块标题 ## A. ~ ## E. if re.match(r"^## [A-E]\.", stripped): summary_lines.append(stripped) # 保留事件标题（### 1. xxx） if re.match(r"^###\s+\d+\.", stripped): summary_lines.append(stripped) # 硬性限制 summary = "\n".join(summary_lines) if len(summary.encode("utf-8")) > 3900: summary = summary[:3850] + "\n... (完整版见 HTML 文档)" return summary这段代码的设计思路：保留日报的「骨架」（标题、板块名、事件标题），去掉「肉」（来源链接、详细分析），确保精简版在企微字节限制内。
核心逻辑 2——文件上传（纯标准库实现）：
def upload_file_to_wecom(filepath): """不用 requests，用 urllib 手工构建 multipart/form-data""" boundary = "----PythonBoundary7MA4YWxk" filename = os.path.basename(filepath) with open(filepath, "rb") as f: file_data = f.read() body = ( f"--{boundary}\r\n" f'Content-Disposition: form-data; name="media"; ' f'filename="{filename}"\r\n' f"Content-Type: application/octet-stream\r\n\r\n" ).encode("utf-8") + file_data + f"\r\n--{boundary}--\r\n".encode("utf-8") req = urllib.request.Request(upload_url, data=body) req.add_header("Content-Type", f"multipart/form-data; boundary={boundary}") resp = urllib.request.urlopen(req) return json.loads(resp.read())["media_id"]为什么不用requests？因为这个脚本每天只跑一次，生命周期可能很长。零依赖意味着在任何有 Python 的环境里都能直接跑——不用装包，不用配环境，不用担心版本冲突。对于「每天跑一次 + 长期运行」的脚本，零依赖就是零维护。
核心逻辑 3——两步推送：
# Step 1: 推送精简摘要 summary = extract_summary_from_md(md_path) send_markdown_to_wecom(summary) # Step 2: 推送完整版 HTML 文件 media_id = upload_file_to_wecom(html_path) send_file_to_wecom(media_id)4.4 Step 3：GitHub Pages 部署脚本
deploy_to_github.py，198 行，通过 GitHub API 将 HTML 日报部署到 GitHub Pages：
# 1. 读取 HTML 并 Base64 编码 encoded = base64.b64encode(html_content.encode("utf-8")).decode("ascii") # 2. 上传到 index.html（最新版，覆盖写入） api_request("PUT", file_url, { "message": f"Deploy: Data+AI daily {date_str}", "content": encoded, "sha": existing_sha, # 幂等更新：先获取旧文件 SHA }) # 3. 同时归档到 archive/{date}.html（历史版本） api_request("PUT", archive_url, { "message": f"Archive: {date_str}", "content": encoded, }) # 4. 启用 GitHub Pages api_request("POST", pages_url, { "source": {"branch": "main", "path": "/"} })几个工程细节：
安全：GitHub Token 从环境变量
GITHUB_TOKEN读取，不硬编码在脚本里幂等：上传前先 GET 获取文件 SHA，有则更新、无则创建，重复执行不报错
双重存储：
index.html始终是最新版，archive/目录保留全部历史
4.5 Step 4：写一条 SOP 规则
最后一步，把完整流程写成一条 WorkBuddy 的 SOP 规则文件。以后只需要说一句"生成今日报告"，AI 就会按标准流程执行全部 5 步。
五、迭代实录：1 小时 → 1 天 → 3 天
这套系统不是规划出来的，是跑出来的。
第 1 小时：跑通最小可用版
WorkBuddy 上线当晚，我把之前手动整理日报时积累的过滤规则写成了一份 JSON 配置文件（也就是「情报宪法」的初版），然后让 WorkBuddy 联网搜索并生成了第一份日报。
Markdown 格式的日报生成出来后，直接扔到企微——报错了。超过 4096 字节限制。
临时方案：手动截取前 3000 字符发送。虽然粗暴，但至少跑通了「配置 → 搜索 → 生成 → 推送」的完整链路。
这一步的意义不是产出有多好，而是验证了「用桌面 AI Agent 搭日报系统」这条路走得通。
Day 1：解决三个阻塞性问题
问题 1：PowerShell 中文乱码
最开始用 PowerShell 调企微 Webhook，群里收到的全是乱码。原因：PowerShell 默认编码不是 UTF-8。折腾半小时后切换 Python，一行# -*- coding: utf-8 -*-解决。
问题 2：消息长度限制
这个问题倒逼出了后来被证明体验更好的方案——「摘要 + 完整版」双推策略。先发精简摘要（企微内直接可读），再传 HTML 完整版（精美排版 + 超链接）。实际使用中发现，大多数人只看摘要就够了，想深入了解的再打开 HTML。
问题 3：过旧信息混入
第一版日报混进了一周前的 Databricks 旧闻——搜索引擎会重新收录旧页面。在 Prompt 里加了严格的 24 小时时间窗口后解决。
Day 2：从「能用」到「有用」
新增 D 板块（分析师洞察）：把 Gartner、Forrester 的数据单独成板块，日报从"搬运新闻"升级成"情报分析"
写了自动摘要提取函数：替代 Day 1 的手动截取，保证摘要保留所有事件标题
GitHub Pages 上线：写了
deploy_to_github.py，一行命令部署到公开网站，方便分享给外部同行
Day 3：从「有用」到「稳定可复用」
修复摘要提取 Bug：函数不识别
### 数字.格式的三级标题，导致摘要丢失事件标题。排查后补了一条正则流程标准化：把五步操作写成 SOP 规则文件，以后一句"生成今日报告"触发全流程
质量稳定：连续推送 3 天，同事反馈信息覆盖度和信源质量稳定，没有再出现过旧信息混入的问题
六、几点设计思考
做完这套系统，技术层面其实没什么难的——代码总共不到 600 行。但过程中有几个认知层面的收获，觉得值得分享。
1. 定义问题 > 解决问题
整个系统里，我花最多时间的不是写代码，是打磨那份 3000 字的 Prompt 配置。什么值得关注？什么要排除？信源标准怎么定？时间窗口怎么设？
这些「定义问题」的工作才是核心。如果你做过数据产品，对这一点会有共鸣：平台的价值不在引擎多快，在规则定义得多好。
2. AI 擅长执行，判断力需要你来注入
AI 可以在 3 分钟内搜索 10+ 个信源、生成 8000 字结构化报告。但如果你不设过滤规则，它会把搜到的东西全塞进来。排除规则写得越细，产出质量越高。
这不是 AI 的缺陷，这是协作方式。你提供判断力，AI 提供执行力。
3. 桌面 Agent 的真正价值：缩短从「想法」到「跑通」的路径
过去做类似的自动化项目，光是搭建环境、调试 API、处理依赖就要花半天。WorkBuddy 这类桌面 Agent 工具把这个过程压缩到了小时级——我从动手到跑通第一个版本只花了 1 小时。
不是因为技术变简单了，而是因为大量中间步骤被 Agent 代劳了。你只需要描述意图、定义规则、审核产出。
在我之前的文章里讨论过 AI Agent 如何重塑企业数据平台。那篇是从行业视角看趋势。这次是亲自下场，用一个具体项目验证了一个判断：Agent 改变的不是能力边界，而是人与系统的协作方式。
七、复用指南：搭你自己行业的日报
这套方案的技术门槛不高，核心逻辑可以迁移到任何垂直领域。你需要：
一个支持联网搜索 + 本地文件操作的 AI Agent（我用的 WorkBuddy，OpenClaw 或其他类似工具也行）
一份 Prompt 配置文件（你的行业版「情报宪法」）
两个 Python 脚本（推送 + 部署，总共不到 400 行，全部在本文中给出了核心代码）
把"数据平台"替换成你关心的领域——AI 基础设施、半导体、新能源、生物医药——方法论是一样的：
明确覆盖范围（你关心哪些厂商/信源） ↓ 定义排除规则（什么不要） ↓ 规定信源标准（只要一手） ↓ 设定输出模板（结构化、可行动） ↓ 自动化分发（推送到你的消费场景）可以先从最简单的开始——写一份你所在行业的「情报宪法」，让 AI 每天帮你搜索和整理，发到你的群里或笔记里。有了初版再迭代，比从零规划要快得多。
八、下一步
目前系统还是半自动——每天需要手动说一句"生成今日报告"来触发。接下来计划：
接入 Windows 任务计划程序，实现全自动定时触发（3月12日更新后在Automation已实现）
增加日报质量评分（信息覆盖率、信源多样性、时效性）
开发周报自动汇总——把 5 天日报聚合成一份周度趋势分析
探索语音版日报（通勤路上听）
如果你有类似的想法或已经在做了，欢迎交流。
写在最后
回看整个过程，真正花时间的不是写代码——代码不到 600 行。而是想清楚「什么值得关注、什么不值得关注」——这个判断力是 AI 替代不了的，也是行业认知的一部分。
桌面 AI Agent 正在成为一种新的生产力工具。OpenClaw 开了头，WorkBuddy 降低了门槛。但工具本身不是壁垒，你对自己所在领域的理解才是。
📊 日报公开地址：https://haiyangchenbj.github.io/data-ai-daily/
欢迎围观，也欢迎提建议。
WorkBuddy 由腾讯于 2026 年 3 月 9 日正式发布，目前可在官网免费下载使用。新用户注册送 5000 Credits，无门槛https://www.codebuddy.cn/profile/usage
也可直接到GitHub下载使用：https://github.com/haiyangchenbj/data-ai-daily-brief-skill本文仅为基于个人使用经验的记录分享。
✍️ 科里笔记 Coralyx Notes，
Written by 科里（Coralyx），发表于「边界层」