如果你最近在关注AI智能体开发，可能已经发现了一个现象：很多教程都在教你如何调用API，如何写Prompt，但当你真正想做一个能“自己思考、自己行动”的本地AI助手时，却卡在了第一步：环境。不是Python包冲突，就是模型下载失败，或者工作流配置让人一头雾水。你需要的不是一个又一个零散的代码片段，而是一个从零开始、能真正跑通的完整路径。

这正是本文要解决的问题。我们将聚焦于 WorkBuddy —— 一个基于LangGraph和Ollama构建的本地AI智能体框架。它最大的价值在于，让你能在自己的电脑上，用开源模型，搭建一个具备“规划-执行-反思”能力的智能体，并且完全掌控数据和流程。听起来很酷，但网上资料要么过于简略，要么跳过了最关键的部署细节，导致很多人从“入门”直接到“放弃”。

本文将提供一个真正的“保姆级”实战指南。我们不只告诉你WorkBuddy是什么，更会带你一步步解决从环境安装、模型部署、技能（Skill）配置到复杂工作流构建的全过程。你会看到具体的命令、真实的配置文件、可能遇到的每一个错误及其解决方案。读完本文，你将能独立在本地搭建并运行一个属于你自己的AI智能体，理解其核心架构，并具备定制化开发的能力。

1. 为什么你需要关注本地AI智能体（WorkBuddy）？

在讨论具体步骤之前，我们必须先厘清一个核心问题：在云服务如此便捷的今天，为什么还要折腾本地部署的AI智能体？这不仅仅是技术极客的玩具，它解决的是三个实实在在的痛点： 数据隐私、成本可控和流程定制 。

想象一下这些场景：

• 内部数据自动化 ：你想让AI自动分析公司内部的日报、周报数据，生成汇总报告。这些数据敏感，绝不能上传到第三方API。
• 定制化工作流 ：你需要一个智能体不仅能回答问题，还能按特定顺序执行一系列操作，比如先查询数据库，再根据结果调用某个内部系统接口，最后格式化输出。通用的聊天机器人做不到这一点。
• 长期运行的助手 ：你需要一个7x24小时在后台运行的智能体，监听事件并自动处理。长期调用商用API的成本将是天文数字。

WorkBuddy正是为此而生。它不是一个单一的模型，而是一个 智能体框架 。你可以把它理解为一个机器人的“大脑”和“神经系统”。Ollama提供了本地运行的“大脑”（大语言模型），而LangGraph（通过WorkBuddy封装）则提供了规划、决策和调用工具（Skill）的“神经系统”。所有计算和数据都在你的本地环境完成。

与Dify、Coze等在线平台相比，WorkBuddy的优势在于极致的 自主权 和 深度集成能力 。你可以任意修改其源码，接入任何本地服务，定义复杂的工作流逻辑。当然，这种灵活性也带来了更高的上手门槛，而本文将彻底踏平这个门槛。

2. 核心概念解析：Agent、Skill与Workflow

在动手之前，理解三个核心概念至关重要，这能避免你在后续配置中感到困惑。

1. AI智能体 (Agent) 在WorkBuddy的语境下，Agent不是一个简单的聊天接口。它是一个具备 状态管理、任务规划和工具调用能力 的自治系统。它接收用户目标（如“帮我总结本周项目进度”），然后会自主分解任务、选择工具、执行步骤，并在遇到问题时尝试其他路径。这背后是LangGraph提供的“图”计算模型在驱动。

2. 技能 (Skill) Skill是Agent可以调用的具体工具。一个Skill就是一个独立的功能模块。例如：

• WebSearchSkill : 执行网络搜索。
• CalculatorSkill : 进行数学计算。
• FileReadSkill : 读取本地文件。
• DatabaseQuerySkill : 查询数据库。 WorkBuddy自带一些基础Skill，更重要的是，你可以用Python轻松编写自己的Skill，比如连接公司内部的CRM系统、调用特定的API等。Skill是扩展Agent能力的基石。

3. 工作流 (Workflow) 这是WorkBuddy最强大的部分。工作流定义了多个Skill和决策节点如何串联成一个复杂的业务流程。它不是一个线性的脚本，而是一个 有向图 。Agent会根据当前状态和LLM的推理，决定下一步走哪个分支。例如，一个“数据报告生成”工作流可能包含“获取数据 -> 分析数据 -> 生成图表 -> 写入文档”等多个节点，并且中间可能存在条件判断和循环。

通俗类比 ：如果把Agent比作一个项目经理，那么Skill就是它手下的各个专家（程序员、设计师、测试员），而Workflow就是项目经理手中的项目甘特图，它规定了在什么时间、由谁、做什么事，并且能应对计划外的变更。

3. 环境准备：打造稳固的基石

本地AI项目的失败，十有八九始于环境问题。我们将建立一个清晰、隔离且可复现的Python环境。

3.1 系统与Python环境

• 操作系统 ：Windows 10/11, macOS, 或 Linux (Ubuntu 22.04 LTS 推荐)。本文以Ubuntu 22.04为例，Windows和macOS用户主要区别在命令提示符和路径。
• Python版本 ： Python 3.10 或 3.11 。这是大多数AI框架兼容性最好的版本。避免使用Python 3.12+，可能存在未适配的依赖。
• 包管理工具 ：使用 conda 或 venv 创建虚拟环境，强烈推荐。这能避免与你系统上的其他Python项目冲突。

3.2 创建并激活虚拟环境 打开你的终端（Linux/macOS的Terminal，Windows的PowerShell或CMD），执行以下命令：

# 检查Python版本
python --version  # 或 python3 --version

# 使用 venv 创建虚拟环境（系统自带）
python3 -m venv workbuddy_env

# 激活虚拟环境
# Linux/macOS:
source workbuddy_env/bin/activate
# Windows:
# workbuddy_env\Scripts\activate

# 激活后，命令行提示符前应显示 (workbuddy_env)

3.3 安装关键底层依赖 在安装WorkBuddy之前，有些系统级依赖可能需要处理，特别是涉及机器学习库时。

# 更新pip到最新版本
pip install --upgrade pip

# 安装PyTorch（根据你的CUDA版本选择，如果没有GPU，使用CPU版本）
# 访问 https://pytorch.org/get-started/locally/ 获取最新命令。
# 例如，对于Linux+CUDA 11.8：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118
# 对于纯CPU版本：
# pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

# 安装LangChain和LangGraph（WorkBuddy的核心依赖）
pip install langchain langgraph langchain-community

完成以上步骤，你的基础Python环境就准备好了。接下来是AI智能体的“大脑”——本地大模型。

4. 部署本地大模型：Ollama完全指南

WorkBuddy需要一个语言模型来驱动推理。我们将使用 Ollama ，因为它是在本地运行和管理开源模型最简单、最流行的工具。

4.1 安装Ollama 访问 Ollama官网 下载对应操作系统的安装包，或使用命令行安装：

# Linux/macOS 一键安装脚本
curl -fsSL https://ollama.com/install.sh | sh

# Windows：直接下载安装包运行。

安装完成后，启动Ollama服务（通常安装后会自动启动）。在终端输入 ollama --version 验证安装。

4.2 拉取并运行模型 Ollama的核心命令是 ollama run 。对于智能体开发，我们推荐中等尺寸、推理能力强的模型，如 llama3.1:8b 、 qwen2.5:7b 或 deepseek-coder:6.7b （如果涉及编码）。

# 拉取并运行一个模型（首次运行会自动下载）
ollama run llama3.1:8b

运行后，你会进入一个交互式聊天界面，输入 /bye 退出。这证明模型已成功在本地运行。

关键步骤：让模型在后台作为服务运行 智能体需要持续与模型交互，我们需要让Ollama在后台以API模式运行。

# 1. 首先停止当前运行的ollama服务（如果正在运行）
ollama serve stop

# 2. 以服务形式重新启动（Linux/macOS）
ollama serve &
# Windows用户可以通过将Ollama注册为系统服务，或直接打开Ollama桌面应用。

# 3. 验证API是否可用
curl http://localhost:11434/api/generate -d '{
  "model": "llama3.1:8b",
  "prompt": "Hello",
  "stream": false
}'

如果返回一段JSON格式的文本，包含生成的回复，说明API服务正常。

4.3 模型选择建议

• 通用任务 ： llama3.1:8b ，在性能和资源消耗间取得了良好平衡。
• 中文任务 ： qwen2.5:7b ，对中文支持更佳。
• 代码/逻辑任务 ： deepseek-coder:6.7b ，专为代码生成和推理优化。
• 资源受限 ： phi3:mini ，体积小，速度快，适合入门或低配置机器。

请根据你的硬件（尤其是GPU显存）选择合适的模型。8B参数模型通常需要至少8GB空闲显存才能流畅运行。

5. 安装与配置WorkBuddy

环境和大模型都已就绪，现在可以安装主角WorkBuddy了。

5.1 安装WorkBuddy WorkBuddy通常是一个Python包，可能托管在GitHub或PyPI。假设我们通过GitHub安装最新开发版：

# 确保在之前创建的虚拟环境中
pip install git+https://github.com/your-org/workbuddy.git
# 注意：`your-org` 是占位符，实际地址需替换为真实的GitHub仓库地址。
# 如果WorkBuddy已上架PyPI，则更简单：
# pip install workbuddy

如果遇到依赖冲突，可以尝试新建一个干净的虚拟环境，并按照 requirements.txt 文件安装。

5.2 基础配置 WorkBuddy需要一个配置文件来指定模型端点、技能列表等。创建一个名为 config.yaml 的文件：

# config.yaml
workbuddy:
  # Ollama API 地址
  llm_endpoint: "http://localhost:11434"
  # 使用的模型名称，必须与Ollama中拉取的模型名一致
  model_name: "llama3.1:8b"
  
  # 启用的技能列表
  skills:
    - "web_search"
    - "calculator"
    - "file_io"
    # - "your_custom_skill" # 自定义技能稍后添加
  
  # 工作流存储目录
  workflow_dir: "./workflows"
  
  # Agent基础配置
  agent:
    max_iterations: 10 # Agent最大推理/执行步数，防止死循环
    verbose: true # 打印详细日志，调试时非常有用

5.3 验证安装 创建一个简单的Python脚本 test_workbuddy.py 来测试核心组件是否正常：

# test_workbuddy.py
import asyncio
from workbuddy import WorkBuddy, SkillRegistry
from workbuddy.skills import CalculatorSkill
from langchain_community.llms import OllamaLLM

async def main():
    # 1. 初始化LLM（连接Ollama）
    llm = OllamaLLM(
        base_url="http://localhost:11434",
        model="llama3.1:8b"
    )
    print("✅ LLM 初始化成功")
    
    # 2. 初始化技能注册表并添加技能
    skill_registry = SkillRegistry()
    calc_skill = CalculatorSkill()
    skill_registry.register(calc_skill)
    print("✅ 技能注册成功")
    
    # 3. 创建WorkBuddy实例
    # 注意：实际API可能不同，此处为示意
    buddy = WorkBuddy(
        llm=llm,
        skills=skill_registry,
        config_path="./config.yaml"
    )
    print("✅ WorkBuddy 实例创建成功")
    
    # 4. 运行一个简单任务
    response = await buddy.run("请计算 125 乘以 88 等于多少？")
    print(f"🤖 Agent回复: {response}")
    
if __name__ == "__main__":
    asyncio.run(main())

运行这个脚本：

python test_workbuddy.py

如果看到LLM初始化、技能注册成功的提示，并且Agent正确地调用了计算器技能给出了答案（125*88=11000），那么恭喜你，WorkBuddy的核心骨架已经搭建成功。

6. 技能开发实战：打造你的专属工具

WorkBuddy自带的技能有限，真正的威力在于自定义Skill。我们来创建一个实用的 WeatherSkill ，用于查询天气。

6.1 Skill的基本结构 一个Skill通常是一个类，继承自基础类，并实现 execute 方法。它需要清晰的名称、描述和参数定义，以便LLM理解何时调用它。

# skills/weather_skill.py
import aiohttp
from typing import Dict, Any
from workbuddy.skill import BaseSkill

class WeatherSkill(BaseSkill):
    """一个用于查询城市天气情况的技能。"""
    
    def __init__(self, api_key: str = None):
        super().__init__()
        self.name = "get_weather"
        self.description = "获取指定城市的当前天气信息。需要提供城市名称。"
        self.api_key = api_key or "YOUR_API_KEY"  # 建议从环境变量读取
        # 定义技能所需的输入参数
        self.parameters = {
            "city": {
                "type": "string",
                "description": "城市名称，例如：北京、上海、New York",
                "required": True
            }
        }
    
    async def execute(self, inputs: Dict[str, Any]) -> Dict[str, Any]:
        """执行天气查询。"""
        city = inputs.get("city")
        if not city:
            return {"error": "缺少必要参数：city"}
        
        # 这里使用一个模拟的天气API，实际可以替换为OpenWeatherMap等
        # 注意：任何网络请求都要考虑错误处理和超时
        async with aiohttp.ClientSession() as session:
            try:
                # 示例URL，实际需要替换为真实的API端点
                url = f"https://api.weatherapi.com/v1/current.json?key={self.api_key}&q={city}"
                async with session.get(url, timeout=10) as resp:
                    if resp.status == 200:
                        data = await resp.json()
                        # 提取关键信息
                        temp_c = data['current']['temp_c']
                        condition = data['current']['condition']['text']
                        return {
                            "city": city,
                            "temperature_c": temp_c,
                            "condition": condition,
                            "success": True
                        }
                    else:
                        return {"error": f"API请求失败，状态码：{resp.status}"}
            except Exception as e:
                return {"error": f"查询天气时发生错误：{str(e)}"}
    
    def get_schema(self) -> Dict:
        """返回技能的OpenAI函数调用格式的schema，用于让LLM理解。"""
        return {
            "name": self.name,
            "description": self.description,
            "parameters": {
                "type": "object",
                "properties": {
                    "city": self.parameters["city"]
                },
                "required": ["city"]
            }
        }

6.2 注册并使用自定义Skill 修改你的主程序或配置文件，将新技能加载到Agent中。

首先，更新 config.yaml ：

skills:
  - "web_search"
  - "calculator"
  - "file_io"
  - "weather" # 添加我们自定义的天气技能

然后，在主程序中动态注册：

# main.py
import asyncio
from workbuddy import WorkBuddy
from skills.weather_skill import WeatherSkill
# ... 其他导入

async def main():
    # ... 初始化llm和skill_registry
    
    # 注册自定义技能
    weather_skill = WeatherSkill(api_key=os.getenv("WEATHER_API_KEY"))
    skill_registry.register(weather_skill)
    
    # ... 创建WorkBuddy实例
    
    # 测试新技能
    response = await buddy.run("今天北京的天气怎么样？")
    print(response)

# ...

6.3 技能开发的核心要点

1. 清晰的描述 ： name 和 description 至关重要，LLM靠它来决定是否调用该技能。
2. 强健的错误处理 ：网络请求、文件IO都可能失败，必须在 execute 方法内妥善处理，并返回结构化的错误信息。
3. 参数验证 ：在技能内部验证输入参数的完整性和有效性。
4. 异步支持 ：使用 async/await 处理可能阻塞的IO操作，保证Agent的整体响应效率。

7. 构建复杂工作流：从线性任务到智能决策

单个技能是工具，工作流才是生产力。我们将构建一个“智能日报生成器”工作流，它能够：1) 读取指定目录下的日志文件；2) 分析日志内容；3) 根据分析结果查询相关的外部信息（如错误代码解释）；4) 生成一份汇总报告。

7.1 工作流定义（YAML格式） WorkBuddy可能支持通过YAML或Python DSL定义工作流。这里我们假设一种YAML定义方式：

# workflows/daily_report.yaml
name: "daily_report_generator"
description: "分析日志文件并生成每日报告的工作流。"

nodes:
  - id: "start"
    type: "input"
    parameters:
      prompt: "请分析 ./logs 目录下的日志文件，并生成日报。"
  
  - id: "read_logs"
    type: "skill"
    skill: "file_io"
    config:
      action: "read_directory"
      path: "./logs"
      pattern: "*.log"
    depends_on: ["start"]
  
  - id: "analyze_content"
    type: "llm"
    config:
      system_prompt: |
        你是一个资深的系统管理员。请分析以下日志内容，总结出：
        1. 关键错误和警告信息。
        2. 系统运行的整体状态。
        3. 需要关注的风险点。
      user_prompt_template: "日志内容：{{ inputs.read_logs_output }}"
    depends_on: ["read_logs"]
  
  - id: "enrich_with_search"
    type: "conditional"
    condition: "{{ 'error' in inputs.analyze_content_output|lower }}"
    true_branch: "search_errors"
    false_branch: "format_report"
  
  - id: "search_errors"
    type: "skill"
    skill: "web_search"
    config:
      query_template: "{{ inputs.analyze_content_output 中提取的关键错误信息 }} 解决方案"
    depends_on: ["enrich_with_search"]
  
  - id: "format_report"
    type: "llm"
    config:
      system_prompt: |
        请将分析结果格式化为一份专业的日报，包含概述、详情、建议三部分。
        使用Markdown格式。
      user_prompt_template: |
        分析结果：{{ inputs.analyze_content_output }}
        {% if inputs.search_errors_output %}补充信息：{{ inputs.search_errors_output }}{% endif %}
    depends_on: ["analyze_content", "search_errors"] # 条件依赖
  
  - id: "save_report"
    type: "skill"
    skill: "file_io"
    config:
      action: "write_file"
      path: "./reports/daily_report_{{ current_date }}.md"
      content: "{{ inputs.format_report_output }}"
    depends_on: ["format_report"]
  
  - id: "end"
    type: "output"
    depends_on: ["save_report"]

7.2 工作流的核心逻辑解读 这个YAML定义了一个有状态、有条件分支的工作流：

• 节点类型 ： input , skill , llm , conditional , output 。 skill 节点调用具体技能， llm 节点让模型进行思考或生成文本， conditional 节点实现IF-ELSE逻辑。
• 依赖关系 ： depends_on 字段定义了节点的执行顺序，形成了一个有向无环图。
• 数据流 ：上一个节点的输出（如 read_logs_output ）可以作为变量（ {{ ... }} ）注入到下一个节点的配置或提示词中。
• 条件分支 ： enrich_with_search 节点检查分析结果中是否包含“error”一词，决定是否进行网络搜索来丰富报告内容。

7.3 通过Python API触发工作流 定义好工作流后，我们需要编写代码来加载并执行它。

# run_workflow.py
import asyncio
from workbuddy.workflow import WorkflowEngine
from workbuddy import WorkBuddy

async def run_daily_report():
    # 1. 初始化WorkBuddy（包含LLM和技能）
    buddy = WorkBuddy(config_path="./config.yaml")
    
    # 2. 初始化工作流引擎
    engine = WorkflowEngine(buddy)
    
    # 3. 加载工作流定义
    workflow = engine.load_workflow("./workflows/daily_report.yaml")
    
    # 4. 执行工作流，传入初始参数
    initial_inputs = {"date": "2023-10-27"} # 可以传递动态参数
    final_state = await engine.run(workflow, initial_inputs=initial_inputs)
    
    # 5. 获取结果
    report_path = final_state.get("save_report_output", {}).get("file_path")
    if report_path:
        print(f"✅ 日报已生成，保存至：{report_path}")
        with open(report_path, 'r', encoding='utf-8') as f:
            print(f.read()[:500]) # 打印前500字符预览
    else:
        print("❌ 报告生成失败。")
        print("工作流最终状态：", final_state)

if __name__ == "__main__":
    asyncio.run(run_daily_report())

运行此脚本，你将看到WorkBuddy依次执行读取日志、分析、条件判断、搜索（如果需要）、生成报告、保存文件等一系列操作，完全自动化。

8. 调试与常见问题排查

本地AI智能体开发过程中，你会遇到各种问题。以下是典型问题及解决方案。

问题现象	可能原因	排查方式	解决方案
Ollama服务连接失败	Ollama未启动；端口被占用；防火墙阻止。	1. 运行 ollama list 检查服务状态。 2. 运行 curl http://localhost:11434/api/tags 测试API。 3. 检查端口 11434 是否监听： netstat -an | grep 11434 (Linux)。	1. 启动服务： ollama serve 。 2. 更改Ollama配置端口，并同步更新WorkBuddy配置中的 llm_endpoint 。
模型加载慢或内存不足	模型太大，超出可用显存/内存。	1. 观察任务管理器或 nvidia-smi (GPU)。 2. 查看Ollama日志。	1. 换用更小模型（如 phi3:mini ）。 2. 增加虚拟内存（Windows）。 3. 使用 ollama run <model> --num-gpu 0 强制使用CPU（慢）。
Skill执行报错 ModuleNotFoundError	技能依赖的Python包未安装。	查看错误堆栈，找到缺失的包名。	在虚拟环境中安装缺失的包： pip install <package_name> 。
工作流卡在某个节点不动	LLM响应慢；节点逻辑有死循环；条件判断始终不满足。	1. 开启Agent的 verbose: true 日志。 2. 检查该节点的输入数据是否符合预期。 3. 单独测试该节点对应的技能或LLM调用。	1. 为LLM调用设置超时（timeout）。 2. 检查工作流YAML中 condition 语句的逻辑。 3. 简化工作流，逐步添加节点调试。
Agent陷入循环，不断重复相同动作	Agent的 max_iterations 设置过高；任务目标不明确；LLM陷入思维循环。	观察verbose日志，看Agent的“思考”过程。	1. 适当降低 max_iterations （如设为5）。 2. 在用户指令中给出更明确、更具体的约束。 3. 在系统提示词中强调“避免重复”。
自定义Skill不被Agent调用	Skill的 name 或 description 不清晰；LLM不理解何时使用。	1. 检查Skill是否成功注册到 SkillRegistry 。 2. 打印LLM收到的工具列表，看是否包含你的Skill。	1. 优化Skill的 description ，用自然语言清晰描述其功能和适用场景。 2. 在测试时，直接给Agent明确的指令，如“请使用get_weather技能查询天气”。

调试心法 ：

1. 分层调试 ：先确保Ollama和基础LLM调用正常，再测试单个Skill，最后集成到工作流。
2. 善用日志 ：将Agent和LLM的verbose日志打开，这是理解其“思考过程”的唯一窗口。
3. 简化测试 ：用最小的、可复现的示例来定位问题。

9. 最佳实践与进阶指南

当你成功运行起第一个智能体后，以下实践能帮助你将其用于更严肃的项目。

9.1 配置管理 不要将API密钥等敏感信息硬编码在代码或YAML中。使用环境变量或 .env 文件。

# .env 文件
WEATHER_API_KEY=your_real_key_here
DATABASE_URL=postgresql://user:pass@localhost/db

# 在Python中读取
from dotenv import load_dotenv
import os
load_dotenv()
api_key = os.getenv("WEATHER_API_KEY")

9.2 技能设计原则

• 单一职责 ：一个技能只做一件事。不要做一个“万能数据处理技能”，而是拆分成“读取文件”、“解析JSON”、“清洗数据”等多个技能。
• 幂等性 ：尽可能让技能的执行结果是可重复的，相同的输入产生相同的输出。
• 提供结构化输出 ：技能返回字典格式的数据，便于在工作流节点间传递和LLM解析。

9.3 工作流设计模式

• 规划-执行-检查（Plan-Act-Check） ：让LLM先制定计划（Plan），然后按计划执行技能（Act），最后检查结果并决定下一步（Check）。这对应LangGraph的“AgentExecutor”模式。
• 人工审核节点 ：在关键操作（如删除文件、发送邮件）前插入一个“人工审核”节点，将结果暂停并等待用户确认。
• 子工作流 ：将复杂的、可复用的流程封装成子工作流，使主工作流更清晰。

9.4 性能优化

• 缓存 ：对频繁且结果不变的查询（如某些API调用）添加缓存层。
• 批量处理 ：如果技能支持，尽量批量处理数据，减少与LLM交互的次数。
• 模型量化 ：使用Ollama的量化模型（如 llama3.1:8b:q4_0 ）可以显著降低显存占用和提升推理速度。

9.5 安全与合规

• 权限控制 ：文件读写、系统命令等敏感技能，必须在内置权限检查，避免智能体被恶意指令利用。
• 输入净化 ：对所有来自用户或LLM的输入（如文件路径、命令参数）进行严格的验证和净化，防止路径遍历、命令注入等攻击。
• 审计日志 ：记录智能体的所有决策、调用的技能和产生的结果，便于事后审查和问题追踪。

从环境安装到技能开发，再到工作流编排，我们完成了一次完整的本地AI智能体搭建之旅。WorkBuddy这类框架的价值，在于它将强大的大语言模型与确定性的程序逻辑相结合，创造出既能理解复杂意图，又能可靠执行具体任务的数字助手。这不仅仅是技术集成，更是一种新的编程范式。

真正的挑战往往在“最后一公里”——如何设计出真正理解业务、稳定可靠的工作流。这需要你既懂技术，也懂业务。建议从自动化一个你日常重复的小任务开始，比如整理下载文件夹、监控特定网站更新、自动回复格式固定的邮件。在一次次迭代中，你会更深刻地理解Agent的思维模式，并设计出更优雅的解决方案。

本文提供的代码和配置都是可运行的起点，你可以在此基础上大胆修改和扩展。本地AI智能体的世界刚刚打开，它的边界由你的想象力定义。