adongwanai/learn-workbuddy

adongwanai-Profil

Letzte erfasste Quellaktivität: 23. September 2026 um 14:37

SkillsMP-Katalog aktualisiert: 17. Oktober 2026 um 00:09

gesammelte Skills: 1

GitHub-Stars: 427
GitHub-Forks: 73

README des Repositorys

README-Quelldatei: README.md

README-Quelldatei lesen

Vollständige README anzeigen

# 🔥 从0手搓桌面AI助手 · 24节课复刻WorkBuddy架构 [中文](README.md) · [English](README.en.md) **一份开源教学蓝图 — 不是产品源码，是可以跑的 Agent 工程课。** > 模型是大脑，Harness 是操作系统。 <a href="./LICENSE"><img src="https://img.shields.io/badge/license-MIT-blue.svg" alt="License: MIT"></a> <a href="./docs/legal/clean-room.md"><img src="https://img.shields.io/badge/clean--room-yes-brightgreen.svg" alt="Clean room"></a> <img src="https://img.shields.io/badge/chapters-24-blue.svg" alt="24 chapters"> <img src="https://img.shields.io/badge/diagrams-28-orange.svg" alt="28 diagrams"> <img src="https://img.shields.io/badge/lang-中文-red.svg" alt="Chinese"> <a href="https://github.com/adongwanai/learn-workbuddy" target="_blank"> <img src="https://img.shields.io/github/stars/adongwanai/learn-workbuddy?style=social" alt="GitHub stars"> </a> <table align="center"> <tr> <td align="center">📚 24章 从 agent loop 到审计沙盒</td> <td align="center">📐 28张图 章节与示例架构图</td> <td align="center">⚡ 1条命令 离线跑完整链路</td> <td align="center">🔌 多Provider DeepSeek/OpenAI/Anthropic</td> </tr> </table> > ⭐ **如果这个项目对你有帮助，请给个 Star 支持我们继续出课！** ![Architecture Overview](./images/architecture-overview.svg) --- ## 🤔 你是不是也被这些卡住了你写过 CLI agent，能跑通 `while True` + tool calling，但一到桌面端就卡住了——**工程复杂度翻 10 倍**： - 😫 会话常驻、恢复、重连 —— 不是"跑完就关"，是长期活着的进程 - 😫 工具太多时上下文窗口秒炸 —— 模型还没干活就 OOM 了 - 😫 工具输出几 MB —— 塞不进 context，模型直接摆烂 - 😫 长期记忆放哪里、什么时候注入 —— 隐私和成本两头失控 - 😫 Agent 能执行命令 —— 权限怎么设计才不变成后门 - 😫 前端、sidecar、runtime、模型、工具 —— 六层架构的每一层怎么解耦 **这个仓库把这些问题拆成 24 课。每一课只新增一个机制，每一课都有一份 `code.py` 和一张图。** --- ## 🗺️ 为什么选这个 | 维度 | learn-workbuddy | learn-claude-code | 直接看 WorkBuddy | |---|---|---|---| | 定位 | 桌面 Agent 工程系统 | CLI Agent 起点 | 产品使用 | | 覆盖深度 | sidecar/记忆/审计/自动化 | 单进程/终端/MCP | 黑盒体验 | | 代码可见 | 24章原创Python教学代码 | 有 | 闭源 | | 多Provider | DeepSeek/OpenAI/Anthropic | Anthropic | 绑定 | | 离线可跑 | ✅ 无key跑全部demo | 部分 | ❌ | | 适合谁 | 想透彻理解桌面Agent架构 | 入门Agent编程 | 日常使用 | 两个项目合在一起，就是从 **CLI agent 到 desktop agent 的完整工程谱系**。 --- ## 🧠 30 秒看懂 ```sh python3 -m venv .venv source .venv/bin/activate pip install -r requirements.txt python3 examples/full_tour/code.py ``` 使用 Conda 管理 Python、uv 管理依赖时： ```bash conda env create -f environment.yml conda activate learn-workbuddy uv sync --python "$CONDA_PREFIX/bin/python" --no-python-downloads uv run python examples/full_tour/code.py ``` 环境已存在时，运行 `conda env update -f environment.yml --prune`，激活环境后再执行上面的 `uv sync` 命令即可同步。项目依赖安装在 `.venv`，其 Python 解释器来自 Conda 环境。这条命令会离线跑完整 harness tour：provider adapter、session、记忆、工具、权限、外部化、JSONL、HTTP、审计和 artifacts 全部走一遍。想按课程学，走 [Learning Guide](./docs/learning-guide.md)；想先看图，走 [Visual Tour](./docs/visual-tour.md)。 --- ## 🏗️ Harness 总图 ```mermaid flowchart TB UI["Desktop UI renderer / chat / tasks"] Bridge["Preload + IPC narrow bridge"] Main["Main Process window / auth / config"] AppServer["Local App Server routing / connector proxy"] Sidecar["Sidecar Manager spawn / reconnect / lifecycle"] Runtime["Session Runtime HTTP / ACP-like protocol"] Agent["Agent Loop model -> tools -> result"] Tools["Tool Registry built-in / skills / MCP"] Memory["Memory System workspace / user / remote profile"] Store["Persistence SQLite / JSONL / artifacts / logs"] Guard["Safety permissions / hooks / sandbox / audit"] UI --> Bridge --> Main --> AppServer --> Sidecar --> Runtime --> Agent Agent --> Tools Agent --> Memory Agent --> Store Agent --> Guard Tools --> Guard Memory --> Store ``` 一句话版本： ```text 桌面 Agent = 用户界面外壳 + Sidecar / 会话运行时 + Agent 循环 + 工具注册表 + 上下文与记忆管理 + 持久化存储 + 权限与审计 ``` 模型只是"大脑"。Harness 是让大脑能够长期工作、使用工具、保持上下文、交付文件、接受治理的操作系统。仓库里还放了一个标准库实现的最小 harness —— [Mini WorkBuddy](#mini-workbuddy)，便于你理解完整请求链路。 --- ## 📐 六层架构 ```text Layer 1: 用户界面目标: 功能丰富但不压垮用户 Layer 2: Agent 推理目标: 自主决策但可被编排 Layer 3: 工具执行目标: 能力强大但有安全边界 Layer 4: 扩展系统目标: 开放生态但可治理 Layer 5: 记忆系统目标: 长期记忆但控制隐私和成本 Layer 6: 安全治理目标: 本地执行但可审批、可审计、可回滚 ``` 这六层不是"画得好看"的分层，而是产品工程里的责任边界：UI 不直接执行世界动作，Agent 不直接绕过权限，工具输出不直接淹没上下文，记忆不无脑塞进 prompt，扩展不天然可信，所有高风险动作都需要留下证据。 --- ## 🤖 Agent 角色分工不同产品会有不同的内部 Agent 数量和命名。教程不要求你死记数字，真正值得学的是分工方法： | 类别 | 职责 | 典型模型槽位 | 工具权限 | |---|---|---|---| | 主 Agent | 面向用户，做最终决策和交付 | craft | 完整但受权限控制 | | 通用子 Agent | 承接可隔离的探索、分析、规划任务 | default | 继承或受限 | | 轻量辅助 Agent | 记忆筛选、Hook 评估、内容分析 | lite | 通常无工具 | | 压缩/摘要 Agent | 上下文压缩、标题、会话总结 | default/lite | 通常无工具 | 设计原则是三句话：**最小权限**，不需要工具的 Agent 不给工具；**成本匹配**，轻任务交给便宜模型；**上下文隔离**，子 Agent 的完整推理不要直接污染主窗口。 --- ## 🔄 SubAgent 通信 ```text 模式 A: asTool 函数调用主 Agent -> 子 Agent -> 返回高密度结果模式 B: Team 黑板协作多个 Agent -> 共享 TaskList / Plan / 状态摘要 -> 各自认领和回写 ``` asTool 适合"帮我探索这个目录""分析这段代码""给一个计划"这类可封装任务；Team 更适合长任务，把多个 Agent 的状态写到共享黑板，而不是让它们互相发送无限消息。关键点是：主 Agent 最好只看到结果、状态和摘要，而不是每个子 Agent 的全部思考过程。 --- ## ⚡ 三大根本矛盾 | 根本矛盾 | 直接后果 | 对应机制 | |---|---|---| | 上下文有限 vs 信息无限 | 工具输出、历史、记忆和 schema 会挤爆窗口 | 延迟加载、输出外部化、JSONL、压缩、记忆筛选 | | 自主执行 vs 安全可控 | Agent 越有用，越像本地执行系统 | 权限 hooks、沙盒边界、请求头、审计 hash chain | | 模型成本 vs 任务复杂度 | 全部用最强模型成本太高，全部用轻模型质量不稳 | lite/default/craft 路由、多 Agent 分工 | 24 章其实都在回答这三件事：怎么让有限上下文承载无限工作，怎么让自主 agent 不越界，怎么把不同模型和不同 Agent 放到正确的位置。 --- ## 代码架构图 ```mermaid flowchart LR A["Learner"] --> B["24 Lessons"] B --> C["mini_workbuddy"] C --> D["tests / verify.py"] D --> E["Clean-room Tutorial"] ``` --- ## 📚 学习路径 | 阶段 | 章节 | 你会搭出来什么 | |---|---|---| | Agent 基础 | [s01](./s01_agent_loop/) - [s04](./s04_permission_hooks/) | 循环、工具分发、延迟加载、权限 hook | | 桌面运行时 | [s05](./s05_electron_shell/) - [s09](./s09_jsonl_transcript/) | Electron 分层、sidecar、session、模型路由、JSONL | | 记忆系统 | [s10](./s10_workspace_memory/) - [s12](./s12_cloud_memory/) | 工作区记忆、用户记忆、远端 profile/search | | 上下文管理 | [s13](./s13_output_externalization/) - [s15](./s15_prompt_assembly/) | 大输出外部化、压缩、prompt 组装 | | 扩展生态 | [s16](./s16_skills_system/) - [s18](./s18_experts_system/) | Skills、MCP connectors、Experts | | 产品化能力 | [s19](./s19_visualizer/) - [s24](./s24_comprehensive/) | 可视化、交付、SQLite、自动化、安全审计、综合版 | 更细的模块划分见 [Chapter Map](./docs/chapter-map.md)。每章代码如何继承上一章、只新增一个核心机制，见 [Progression Contract](./docs/progression-contract.md)。外部资料的推荐阅读路径见 [Further Reading Map](./docs/further-reading.md)。对标 learn-claude-code 后的代码质量取舍见 [Code Quality Review](./docs/code-quality-review.md)。 --- ## 📖 章节目录 | 章节 | 主题 | 关键机制 | |---|---|---| | [s01 Agent Loop](./s01_agent_loop/) | 一个循环就是 agent 的心脏 | `while True` / `tool_use` / `tool_result` | | [s02 Tool Dispatch](./s02_tool_dispatch/) | 工具注册和分发 | dispatch map / 并发工具 | | [s03 Deferred Loading](./s03_deferred_loading/) | 工具按需展开 | `ToolSearch` / `DeferExecuteTool` | | [s04 Permission Hooks](./s04_permission_hooks/) | 先划边界，再给自由 | permission rule / hook evaluator | | [s05 Electron Shell](./s05_electron_shell/) | 一个进程不够，要分层 | main / renderer / preload | | [s06 Sidecar Server](./s06_sidecar_server/) | 主进程不跑 agent | local RPC / sidecar lifecycle | | [s07 Session Management](./s07_session_management/) | 逻辑会话可恢复，运行时必须重建 | session create/resume/close | | [s08 Model Routing](./s08_model_routing/) | 用模型管理模型成本 | lite / default / craft | | [s09 JSONL Transcript](./s09_jsonl_transcript/) | 追加写入，崩溃可恢复 | event log / replay | | [s10 Workspace Memory](./s10_workspace_memory/) | 每天的工作要记下来 | append-only workspace log | | [s11 User Memory](./s11_user_memory/) | 跨项目偏好放用户级 | user memory / preference distill | | [s12 Cloud Memory](./s12_cloud_memory/) | 远端 profile 和历史召回 | profile injection / recall history | | [s13 Output Externalization](./s13_output_externalization/) | 大输出写磁盘，上下文留指针 | tool-result swap | | [s14 Context Compact](./s14_context_compact/) | 上下文总会满 | truncate / prune / summarize | | [s15 Prompt Assembly](./s15_prompt_assembly/) | Prompt 是运行时组装出来的 | context blocks / budget | | [s16 Skills System](./s16_skills_system/) | 技能先列目录，用到再展开 | `SKILL.md` / lazy load | | [s17 MCP Connectors](./s17_mcp_connectors/) | 外接工具要有标准协议 | discovery / trust / call | | [s18 Experts System](./s18_experts_system/) | 领域专家整包加载 | expert pack / routing | | [s19 Visualizer](./s19_visualizer/) | 不只是文字，还能画图 | SVG / HTML widget | | [s20 Result Presentation](./s20_result_presentation/) | 做完要交付 | artifacts / file cards | | [s21 SQLite Database](./s21_sqlite_database/) | 会话、用量、任务要可查询 | WAL / schema / usage | | [s22 Automation Scheduler](./s22_automation_scheduler/) | 到点自动跑 | recurring / once / queue | | [s23 Audit Sandbox](./s23_audit_sandbox/) | 每步留痕，不可篡改 | hash chain / command policy | | [s24 Comprehensive](./s24_comprehensive/) | 机制很多，循环一个 | RAG-memory harness 端到端与重启回放 | --- ## 🚀 快速开始 ```sh git clone https://github.com/adongwanai/learn-workbuddy cd learn-workbuddy python3 -m venv .venv source .venv/bin/activate pip install -r requirements.txt ``` 先跑完全离线的章节，不需要 API key： ```sh python3 s01_agent_loop/code.py --demo python3 s03_deferred_loading/code.py python3 s08_model_routing/code.py MINI_WORKBUDDY_HOME=.tmp/mini python3 examples/mini_workbuddy_demo/code.py --mode offline # 轨迹蒸馏 -> 评测 -> 人工批准 -> 版本化 Skill（完全离线）： python3 examples/self_evolving_skills/code.py --approve # 重复失败 + 成功恢复 -> 评测 -> 人工批准 -> Reflection Memory（完全离线）： python3 examples/reflection_memory/code.py --approve # Skill / Memory / Reflection 检索路由评测（完全离线）： python3 examples/retrieval_routing_eval/code.py # Markdown 摄取、增量索引、BM25、安全门禁和可验证引用（完全离线）： python3 examples/source_grounded_rag/code.py # RAG + Skill/Memory/Reflection routing + S15 总预算的端到端组合（完全离线）： python3 examples/context_pipeline_walkthrough/code.py # 回答 Claim、引用完整性、gold source 对齐和无证据拒答评测（完全离线）： python3 examples/answer_grounding_eval/code.py # 分层 Memory 写入、去重、隔离、召回、压缩和跨重启恢复（完全离线）： python3 examples/layered_memory_walkthrough/code.py # Memory 并发、身份冲突、作用域、损坏存储与重启召回故障注入（完全离线）： python3 examples/memory_resilience_eval/code.py # 一次跑遍所有 harness 层（provider/session/记忆/权限/外部化/JSONL/HTTP/审计），产出 artifacts： python3 examples/full_tour/code.py python3 scripts/verify.py ``` `scripts/verify.py` 会覆盖： - 所有 Python 文件语法检查 - pytest 行为测试：mini harness、REST/ACP 协议、章节 smoke、文档资产 - 离线章节 demo：延迟加载、模型路由、JSONL、输出外部化、mini harness - 24 个章节的 `--demo` 离线学习入口 - 离线交互模式：关键章节 `--interactive` 能正常进入和退出 - mini HTTP server smoke - 24 章目录、每个 README 的代码架构图、所有配图引用、clean-room 脱敏扫描像 learn-claude-code 一样填 key 在线跑，推荐先用 DeepSeek。每个章节都有两种入口： - `python3 sXX_xxx/code.py --provider deepseek`：进入章节自己的交互式教学 CLI。 - `python3 sXX_xxx/code.py --eval --provider deepseek`：跑统一的模型评测入口，写出 model/tool JSONL trace。 ```sh cp .env.example .env # 编辑 .env，只填 DEEPSEEK_API_KEY 即可开始 python3 examples/mini_workbuddy_demo/code.py --mode real --provider deepseek python3 scripts/run_real_smoke.py --provider deepseek --targets mini python3 s01_agent_loop/code.py --provider deepseek python3 s01_agent_loop/code.py --eval --provider deepseek python3 s24_comprehensive/code.py --provider deepseek python3 scripts/run_real_smoke.py --provider deepseek --targets all-lessons ``` 教学章节的运行状态默认写入 `~/.learn_workbuddy/`，不会碰你本机真实 WorkBuddy 的 `~/.workbuddy/`。需要指定目录时可以设置 `WORKBUDDY_HOME=/tmp/learn-workbuddy python3 s24_comprehensive/code.py --provider deepseek`。也可以使用 Anthropic 或 OpenAI： ```sh # Anthropic-compatible lessons python3 s01_agent_loop/code.py --provider anthropic # OpenAI Responses API provider adapter（mini harness / full tour / 章节 eval 路径） python3 examples/mini_workbuddy_demo/code.py --mode real --provider openai python3 examples/full_tour/code.py --provider openai python3 s01_agent_loop/code.py --eval --provider openai # OpenAI-compatible 网关，例如 Sub2API /v1/chat/completions OPENAI_CHAT_BASE_URL=https://your-openai-compatible-gateway.example/v1 \ OPENAI_CHAT_MODEL=gpt-5.5 \ python3 examples/mini_workbuddy_demo/code.py --mode real --provider openai-chat OPENAI_CHAT_BASE_URL=https://your-openai-compatible-gateway.example/v1 \ OPENAI_CHAT_MODEL=gpt-5.5 \ python3 scripts/run_real_smoke.py --provider openai-chat --targets mini full all-lessons ``` 边界说明：章节自己的交互式 CLI 多数保留 Anthropic-compatible `tool_use/tool_result` 形状，便于对标 learn-claude-code；统一 `--eval` 路径则通过 `mini_workbuddy.providers` 归一化 DeepSeek/Anthropic/OpenAI/OpenAI-compatible gateway，所以 24 章都能进入模型评测并写出 trace。 --- ## 🧪 Mini WorkBuddy 仓库里还放了一个标准库实现的最小 harness，便于你理解完整请求链路： ```sh MINI_WORKBUDDY_HOME=.tmp/mini python3 -m mini_workbuddy.server --port 8765 curl --noproxy '*' \ -H 'X-Mini-WorkBuddy-Request: 1' \ -H 'Content-Type: application/json' \ -d '{"cwd":".","prompt":"list files"}' \ http://127.0.0.1:8765/api/v1/runs ``` 它包含： - `mini_workbuddy.agent`: deterministic agent loop - `mini_workbuddy.tools`: bash/read/tool-search + permission guard - `mini_workbuddy.storage`: JSONL transcript + memory + externalized tool results - `mini_workbuddy.audit`: append-only hash chain audit log - `mini_workbuddy.server`: REST + ACP-like JSON-RPC - `mini_workbuddy.sidecar`: session runtime 启停管理示例 - `mini_workbuddy.providers`: 多 provider 适配层（DeepSeek / Anthropic / OpenAI / 离线 mock） ### 为什么教程同时支持 DeepSeek / OpenAI / Anthropic 多 provider learn-claude-code 用 Anthropic SDK 很自然，因为 Claude 的 `tool_use/tool_result` 形状和 Claude Code 教程天然贴合。但本项目叫 **learn-workbuddy**，重点是 **桌面 agent harness**，不该绑定某一家模型。所以我们做了两层适配： - 章节路径：`--provider deepseek` 会把 DeepSeek 的 Anthropic-compatible API 映射成章节已有的 `tool_use/tool_result` 运行环境。 - mini harness 路径：Provider Adapter 把 DeepSeek/Anthropic 的 `tool_use/tool_result`、OpenAI Responses API 的 `function_call/function_call_output`、以及 OpenAI-compatible Chat Completions 的 `tool_calls` 归一成同一个 `ToolCall`/`ModelTurn`。这本身就是 harness 教学的一课：loop 稳定，provider 可换。 ```sh # 离线 mock（无需 key，确定性，CI 与无 key 读者用） python3 examples/mini_workbuddy_demo/code.py --mode real --provider offline # 真实 DeepSeek / Anthropic / OpenAI / OpenAI-compatible gateway python3 examples/mini_workbuddy_demo/code.py --mode real --provider deepseek python3 examples/mini_workbuddy_demo/code.py --mode real --provider anthropic python3 examples/mini_workbuddy_demo/code.py --mode real --provider openai python3 examples/mini_workbuddy_demo/code.py --mode real --provider openai-chat # 一键真实 API 冒烟（可选，需 key） python3 scripts/run_real_smoke.py --provider deepseek --targets mini full s01 s24 python3 scripts/run_real_smoke.py --provider openai-chat --targets mini full all-lessons ``` 真实模型 benchmark 会批量跑 DeepSeek 和 OpenAI-compatible gateway，并把成绩单、stdout 证据、JSONL 轨迹、失败改进建议写到 `benchmark-runs/<name>/`。默认矩阵是每个 provider 跑 `mini + full + s01-s24 eval`，也就是两个 provider 共 52 个 case。这是给开源读者和维护者看的"考试"，不是 CI 默认项： ```sh DEEPSEEK_MODEL=deepseek-v4-pro \ OPENAI_CHAT_BASE_URL=https://your-openai-compatible-gateway.example/v1 \ OPENAI_CHAT_MODEL=gpt-5.5 \ python3 scripts/model_benchmark.py --providers deepseek openai-chat # 快速检查矩阵与 trace 文件，不调用模型 python3 scripts/model_benchmark.py --providers deepseek openai-chat --max-lessons 3 --dry-run ``` 配置见 `.env.example`（`PROVIDER=deepseek|anthropic|openai|openai-chat|offline|auto`）。协议对照与设计说明见 [docs/appendix/provider-adapter.md](./docs/appendix/provider-adapter.md)。 --- ## 🧠 记忆系统重点本项目把桌面 agent 的记忆拆成五层： | 层 | 职责 | 教学章节 | |---|---|---| | Workspace memory | 当前项目的事实、决策、每日工作日志 | [s10](./s10_workspace_memory/) | | User memory | 跨项目偏好、习惯、长期约束 | [s11](./s11_user_memory/) | | Remote profile/search | 服务端 profile 和历史检索的抽象模型 | [s12](./s12_cloud_memory/) | | Transcript | 会话事件追加写入，可恢复可回放 | [s09](./s09_jsonl_transcript/) | | Tool-result swap | 大输出外部化，history 只保留摘要和指针 | [s13](./s13_output_externalization/) | 核心心法：**上下文窗口是 RAM，JSONL、SQLite、记忆文件和 tool-results 是磁盘。** 想看五类状态如何在不混淆所有权的前提下协作，可以运行完全离线的 [Layered Memory Walkthrough](./examples/layered_memory_walkthrough/)。它直接串联 S09–S14，演示写入、重复事实蒸馏、用户隔离、带来源召回、Artifact 引用、压缩不变量和 fresh-process 恢复，不新增第二套 Memory 包。想验证 Memory 在并发、身份冲突、跨用户读取、损坏 JSONL 和进程重启下能否 fail closed，可以运行 [Memory Resilience Evaluation](./examples/memory_resilience_eval/)。它复用 S12 的公开存储与召回契约，逐 case 输出可检查证据；任何安全边界失败都不能被其他通过项平均掉。想验证“检索正确之后，回答是否真的被证据支持”，可以运行 [Answer-grounded RAG Evaluation](./examples/answer_grounding_eval/)。它把 evidence-set/citation 完整性与 fixture-backed claim/source 对齐分开评测，并覆盖无证据拒答、引用洗白和跨 query 回答重放。 --- ## 🛡️ Clean-room 边界这个仓库只包含原创教学代码和架构解释，不包含 WorkBuddy 的闭源代码、包体资源、私有 prompt、私有协议密钥或用户数据。允许的材料： - 公开可观察的产品行为 - 本地运行时目录的结构性观察，已脱敏 - 通用协议和开源生态知识，例如 HTTP、JSON-RPC、MCP、SQLite、Electron - 作者原创的教学实现、伪代码和图示不接受的材料： - 闭源代码片段或 decompiled material - 私有密钥、token、用户路径、用户 ID、日志原文 - 可用于绕过授权、安全机制或商业限制的细节更多说明见 [NOTICE.md](./NOTICE.md) 和 [docs/legal/clean-room.md](./docs/legal/clean-room.md)。 --- ## 📁 项目结构 ```text learn-workbuddy/ images/ # README 总图 mini_workbuddy/ # 标准库最小 harness s01_agent_loop/ # 24 章课程，每章 README + code.py + SVG ... s24_comprehensive/ docs/architecture/ # clean-room 架构说明 docs/appendix/ # 迁移后的本地观察笔记 docs/evidence/ # 已脱敏的证据摘要 docs/legal/ # 公开边界和贡献规则 examples/ # 可独立运行的小型示例 scripts/verify.py # 本地/CI 验证入口 skills/ # 示例 skill ``` --- ## 🔗 与 learn-claude-code 的关系 [learn-claude-code](https://github.com/shareAI-lab/learn-claude-code) 更像 CLI agent harness 的起点：单进程、终端、文件系统、MCP。 `learn-workbuddy` 继续往桌面产品化走：多进程、sidecar、长期记忆、自动化、审计、可视化交付。两个项目合在一起，就是从 CLI agent 到 desktop agent 的完整工程谱系。 --- ## 🌟 Star History <a href="https://star-history.com/#adongwanai/learn-workbuddy&Date" target="_blank"> <img src="https://api.star-history.com/svg?repos=adongwanai/learn-workbuddy&type=Date" alt="Star History Chart" width="600"> </a> --- ## 👥 谁在学 > 这个板块正在收集中 — 如果你是早期读者，欢迎在 [Discussions](https://github.com/adongwanai/learn-workbuddy/discussions) 分享你的学习笔记，我们会把你的 GitHub 头像和心得贴在这里。 --- ## 💬 社区 - 📮 **讨论 & 答疑**：[GitHub Discussions](https://github.com/adongwanai/learn-workbuddy/discussions) - 🐛 **Bug & 建议**：[GitHub Issues](https://github.com/adongwanai/learn-workbuddy/issues) - 💡 **贡献代码**：欢迎提交 PR，详见下方 [贡献](#贡献) 章节 --- ## 🤝 贡献欢迎提交 Issue 和 PR，尤其欢迎： - 修正章节中不准确或过度具体的产品表述 - 增加不依赖 API key 的离线 demo - 改进 SVG 图和章节导航 - 增加新的 clean-room harness 机制 - 翻译成英文、日文、韩文提交前请运行： ```sh python3 -m pytest -q python3 scripts/verify.py ``` --- ## 📄 License [MIT](./LICENSE) WorkBuddy is a trademark or product name of its respective owner. This project is an independent educational clean-room reimplementation and is not affiliated with or endorsed by WorkBuddy. 本教程基于 WorkBuddy 的架构设计与公开文档编写。代码为 Python 教学实现，非源码提取。 --- ⭐ 如果这个项目对你有帮助，请给个 Star 支持我们继续出课！ ⭐

README des Repositorys wird geladen…

Skills in diesem Repository

Klassifizierung ausstehend

Skill

Beruf

Beschreibung

Aktualisiert

excel-workbook

nicht klassifiziert

使用此 Skill 创建、检查、编辑和验证 XLSX 工作簿。用户提到 Excel、xlsx、工作簿、工作表、表格，或要求修改、汇总、检查 Excel 文件时使用。只支持基础 XLSX 操作，不处理宏、VBA、图表、数据透视表或外部工作簿引用。

Quellsprache: Chinesisch

2026-09-23

Es werden 1 von 1 gesammelten Skills angezeigt.

Mit einem KI-Assistenten installieren

Diesen Prompt kopieren und in den verwendeten KI-Assistenten einfügen.

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/adongwanai/learn-workbuddy.