WorkBuddy 能替你做 PPT 写报告，但这几件事它做不了（能力边界梳理）

80 字直答：WorkBuddy 强在本地自主执行——你说人话，它在你自己的电脑上拆步骤、动文件、跑命令，最后交出 PPT、表格或报告。它的边界也来自同一处设计：需要授权、要在权限沙箱里跑、输入得是它读得懂的文件。最典型的空缺是音视频——那两小时的会议录像它打不开，得先用 BibiGPT 变成文字稿。

我们此前写过《腾讯 WorkBuddy 是什么》，讲了它的定位、模型切换和企业连接。这篇只谈一件事：它的边界在哪。

先声明写法：下面基于官方与公开资料描述的设计前提做能力边界推演，不是逐项实机压测的结论。上生产流程前请用你自己的真实任务验证。

它确实做得好的那部分（先不贬低）

谈边界之前得先承认它强在哪，否则这篇就成了找茬：

• 本地自主执行：不是给你一段建议让你自己去操作，而是直接在本机上动文件、跑 shell、开浏览器
• 多 Agent 并行：多个任务同时推进，不用排队
• 成果物直出：文档、表格、PPT 这类可视化结果直接交付
• 远程下达：支持通过企业微信、钉钉、飞书、QQ 这类 IM 远程指挥
• 企业级约束：权限隔离沙箱 + 统一审计日志，这是它相对开源同类方案明确强调的差异

「本地执行」这四个字是 WorkBuddy 最实的卖点。数据不出本机，对合规敏感的团队来说，这一条往往比模型强不强更重要。

边界一：输入得是文件，而且是它读得懂的那几类

这是最容易被忽略、也最影响日常体验的一条。

WorkBuddy 的能力建立在它能访问本地文件系统之上——能访问不等于能理解。表格、文档、日志这类结构化或纯文本内容它处理得好；但职场里信息密度最高的一批输入，恰恰不是这些：

• 项目复盘会的完整录像
• 行业播客里那段关于定价策略的讨论
• 竞品发布会回放
• 内部技术分享、外部网课

这些文件躺在你硬盘上，agent 也「看得到」，但打开之后是一段它无法转成语义的二进制流。结果就是：它能替你把报告写得很漂亮，却没法替你先把那两小时听完。

对比一下：同样是「丢进去、自己跑完」的体验，音视频这一侧需要一个专门的入口才能起步——

音视频的入口是链接或文件，产出才是 agent 读得懂的文字。

边界二：需要授权，也就意味着需要你在场

权限隔离沙箱是优点，但它有代价：每一步敏感操作都需要显式授权。

这意味着「下班前丢一个任务，第二天来收结果」这种理想用法，在涉及文件写入、命令执行的环节会被中断等你点确认。任务链越长、触碰的资源越多，需要你介入的次数就越多。

这是一个故意的取舍，不是缺陷。一个能在你电脑上无授权跑 shell 的 agent，省下的时间远不够赔你一次误删。但作为使用者，你要按「半自动」而不是「全自动」来规划它的位置。

边界三：它不知道没被写下来的事

自主拆解任务听起来很厉害，但拆解的依据只能是它拿得到的上下文。

• 那次评审上被口头否掉的方案，如果没落在文档里，它不知道
• 你们团队心照不宣的排版惯例，如果没写成规则，它猜
• 数据里那个因为大促造成的尖峰，在它眼里就是个该清掉的异常值

凡是靠「大家都懂」维系的隐性知识，agent 一律不懂。 这不是 WorkBuddy 的问题，是当前所有办公 agent 的共同边界，只是任务链越长暴露得越明显。

边界四：产出需要抽查，尤其是数字

自动清洗、自动分析、自动出图——这条链上任何一环的判断偏差，都会被后面几环放大成一份看起来很专业、但数字是错的报告。

看起来越正式的产出，越容易让人放松检查。建议把「抽查数字」当成流程里的固定一步，而不是等出事了再补。

怎么补：把音视频先变成它能读的东西

四条边界里，第二、三、四条基本是当前技术形态的通例，短期内只能靠使用习惯规避。只有第一条是可以直接补掉的。

补法很直接——在 agent 之前加一段转换：

BibiGPT 负责把音视频变成结构化文字：粘贴链接或上传本地文件，拿到带时间戳的完整文字稿和分段总结，导出成 Markdown / TXT / SRT 放进本地目录。到这一步，那段录像就变成了 WorkBuddy 能直接读的文档。

导出格式决定了它能不能被 WorkBuddy 直接当文档读：

Markdown / TXT / SRT 三种格式，落到本地目录后就是普通文本文件。

需要更进一步的成稿时，还能直接从视频产出图文初稿：

视频转图文：把最耗时的「先看完再动笔」压成一步。

一条完整动线：

1. 会议录像 / 播客 / 发布会回放 → BibiGPT 出文字稿与要点 → 导出到本地
2. WorkBuddy 读这份文字稿，连同你原有的表格、文档一起
3. 它拆步骤、写报告、出 PPT，你抽查数字后发出去

分工其实很干净：一个负责让机器「看见」内容，一个负责把看见的内容变成交付物。 把它们当成一条链上的两段，比指望任何一端全包都现实。

常见问题

Q：WorkBuddy 能直接读视频或音频吗？ 公开资料描述的能力集中在本地文件操作、表格数据清洗、日志分析这类文本与结构化内容。音视频需要先转成文字稿再作为文档输入。

Q：它能不能全自动跑完一整条长任务？ 涉及敏感操作时需要显式授权，这是它权限沙箱设计的一部分。建议按「半自动」规划——你仍然在环里，只是不用亲手操作。

Q：那还值得用吗？ 值得，但要用在对的地方：格式固定、步骤能写成 SOP、数据源明确的活，它的效率提升最明显。反过来，需要判断力和隐性上下文的活，它做出来的你多半也不敢直接用。

Q：这篇是实机评测吗？ 不是。本文基于官方与公开资料描述的设计前提做能力边界推演。具体表现请用你自己的真实任务验证。

写在最后

判断一个办公 agent 好不好用，别只看它能做什么，更要看它的输入侧有没有你日常最需要的那类内容。

WorkBuddy 在本地执行和企业合规这两点上做得很扎实。它最明显的空缺不在输出端，而在输入端——而这块恰好是能靠一段前置转换补掉的。

👉 用 BibiGPT 把会议录像、播客、发布会变成能直接用的文字稿