2026/08/15
WorkBuddy的模型配置介绍
好像不用把所有大模型名字背下来，就不配用 AI。
很多人一看到“模型配置”，就开始紧张。
好像不用把所有大模型名字背下来，就不配用 AI。
GLM、Kimi、DeepSeek、混元、MiniMax、本地模型、自定义 API……
看着像一排发动机。
新手站在前面，只想问一句：
我到底选哪个？
其实，WorkBuddy 的模型配置不用一上来研究得很深。
你先记住一句话：
模型不是信仰，是发动机。任务不同，适合的发动机不同。
简单任务要稳。
复杂任务要会推理。
图片任务要支持多模态。
敏感任务可能更适合本地模型。
而新手如果不知道怎么选，用 Auto 就够了。
01 新手先用 Auto，不要一上来手动选模型
在 v5.3.12 新版界面里，输入框右侧能看到 Auto 入口。
新版截图：输入区右侧保留 Auto 入口，适合不知道选哪个模型时使用。
官方文档里说，自动模式 Auto 启用后，WorkBuddy 会根据任务自动选择合适模型。
这对新手非常重要。
因为你刚开始真正要学的，不是模型排行榜。
而是怎么把任务说清楚。
比如：
- 你要它读什么材料；
- 你要它输出什么结果；
- 你要不要改文件；
- 你要不要调用 Skill 或连接器；
- 你要它先计划，还是直接执行。
这些比“到底选哪个模型”更影响结果。
所以新手上来不要把精力耗在模型选择上。
先用 Auto。
等你真的遇到稳定需求，再慢慢学手动指定。
02 模型选择，本质是给任务配发动机
官方文档里说，WorkBuddy 内置主流大模型，覆盖推理、多模态和图像处理能力，也支持自定义模型。
你不用把每个模型都记住。
先看它适合什么任务。
可以粗略分成几类：
普通办公任务，比如写总结、整理文档、提炼要点。
这类任务不一定要最强模型，稳定和速度更重要。
复杂推理任务，比如分析方案、拆解项目、审查逻辑、写代码规划。
这类任务更看重推理能力。
图片或多模态任务，比如看截图、理解图表、处理图片内容。
这类任务要看模型是否支持图片输入。
高隐私或离线任务，比如敏感代码、内网材料、不能外发的数据。
这类任务可能要考虑本地部署。
所以别问：哪个模型最好？
要问：这次任务需要什么能力？
模型配置的本质，不是炫技。
是让任务和模型能力匹配。
03 内置模型：看标注，不要背名单
官方文档里列了不少内置模型，比如 GLM、MiniMax、Kimi、DeepSeek、腾讯混元等。
不同版本里模型列表可能会更新，所以不用死记具体名单。
你真正要看的是界面上的能力标注。
比如：
- 是否支持图片输入；
- 是否是推理模型；
- 是否适合 Agent 场景；
- 速度和效果是否适合当前任务。
新版截图：主界面可以先用 Auto 处理日常办公任务。具体模型列表以当前客户端显示为准。
很多人会把模型选择想得太绝对。
好像必须找到一个“万能最强模型”。
但真实办公不是这样。
写一段普通邮件，不需要大炮打蚊子。
分析一堆材料，也不能只追求便宜快。
要看任务值不值得花算力。
一个简单原则是：
不确定时用 Auto；复杂任务再手动选；涉及图片先看是否支持图片输入。
04 自定义模型：从设置页的「模型」里管理
如果你想接入自己的第三方模型，就要进入设置页里的「模型」。
官方文档里说，现在可以通过图形界面添加、编辑和删除自定义模型，不需要手动改配置文件。
官方文档图：自定义模型可以在设置页的「模型」中管理。实际界面以新版为准。
自定义模型适合几类人：
- 已经购买第三方模型服务；
- 公司有统一模型网关；
- 想把自己的 API Key 接进 WorkBuddy；
- 有本地模型或内网模型需求；
- 想控制不同任务的模型成本。
但如果你只是刚开始用 WorkBuddy，不一定要马上配置。
先把内置模型和 Auto 用熟。
等你知道自己为什么要换模型，再来配置。
不要为了“看起来高级”去填 API Key。
05 Token Plan：适合已经购买套餐的人
官方文档里提到一种接入方式：Token Plan。
这是腾讯云专为 AI 编程和 WorkBuddy 场景提供的订阅套餐，兼容混元、MiniMax、Kimi、GLM 等主流模型。
如果你已经购买了对应套餐，可以把套餐支持的模型添加到自定义模型配置中。
官方文档图：Token Plan 可作为自定义模型接入入口之一。
大体流程是三步：
- 根据套餐类型选择对应供应商；
- 填入套餐对应的 API Key；
- 选择套餐支持的模型。
官方文档图：先选择对应供应商或套餐类型。
官方文档图：填入对应 API Key。
官方文档图：再选择套餐支持的模型。
这里最容易忽略的是：
不同套餐支持的模型不一样。
所以不要只看别人用了什么。
先看自己买的套餐支持什么。
06 Coding Plan 和自定义 API：一个偏编程，一个更开放
除了 Token Plan，官方文档里还提到 Coding Plan。
Coding Plan 面向 AI Coding 场景，支持腾讯云、智谱和 Kimi 的 Coding Plan。
官方文档图：Coding Plan 面向 AI Coding 场景。
如果你主要用 WorkBuddy 做代码、项目分析、开发相关任务，这类套餐会更有针对性。
还有一种是自定义 API。
官方文档里说，内置了主流厂商的预设入口，可以一键接入。
如果你的模型服务不在列表里，也可以选择自定义，手动填写 URL、API Key 和模型名。
官方文档图：可通过自定义 API 接入第三方模型。
官方文档图：自定义模型可填写 URL、API Key 和模型名。
这类配置更适合已经清楚自己模型来源的人。
比如公司内部网关、团队统一 API、自己购买的模型服务。
如果你不确定 URL 和 API Key 是什么，就先不要乱填。
API Key 不是邀请码。
它是能访问你第三方模型账号的钥匙。
07 本地部署：用 Ollama 把模型放在自己电脑上
还有一种进阶玩法，是本地部署。
官方文档里提到 Ollama。
它是一个开源的本地大模型运行工具，安装后可以通过命令拉取并运行开源模型。
Ollama 启动后，会在本地监听 HTTP 端口，并提供兼容接口供 WorkBuddy 对接。
官方文档图：Ollama 可用于本地部署模型并接入 WorkBuddy。
本地模型适合三类场景。
第一，数据隐私要求高。
代码、对话和资料尽量不出本机，适合敏感项目、内网开发或合规要求较高的环境。
第二，想低成本试用。
本地模型不走第三方 API Token，主要消耗你自己的硬件算力。
第三，离线环境。
没网、内网、飞机上，都可以在一定条件下使用本地模型。
但也要现实一点。
本地模型的效果、速度和上下文能力，取决于你选的模型和电脑硬件。
它不是天然比云端模型强。
它强在隐私、可控和离线。
08 费用边界：自定义模型费用不等于 WorkBuddy 积分
这里有个必须讲清楚的点。
官方文档里说，自定义模型产生的全部费用，包括 Token、订阅等，由你向第三方支付。
它和 WorkBuddy 的积分不是一回事。
也就是说，你接入了自己的模型服务，费用账单要看那个服务方。
WorkBuddy 更像通信链路，把你的输入转发给你配置的第三方模型，再把结果拿回来。
所以使用自定义模型时，一定要关注第三方账户费用。
尤其是自动化任务、长文档分析、大量文件读取、多轮 Agent 任务。
这些都可能持续触发模型调用。
不要只看一次任务好不好用。
还要看它会不会持续烧你的第三方额度。
09 安全边界：API Key 只保存在本地，但也要妥善保管
官方文档里有一个重要说明：
模型配置参数，包括 API Key，仅保存在本地 workbuddy/models.json 中，不上传云端。
这能减少一层担心。
但不等于可以随便填、随便分享。
API Key 是访问第三方模型账号的关键凭据。
你要把它当钥匙看。
注意几件事：
- 不要在公共电脑或共享环境随便填写；
- 不要把包含 Key 的配置文件发给别人；
- 不再使用的模型，及时清理；
- 接入前看清服务方协议和隐私政策；
- 公司项目最好按组织规范使用统一账号或网关。
模型配置不是只影响效果。
它还影响数据流向、费用归属和合规边界。
10 普通用户怎么选？记住四句话
如果你不想研究太深，先记住四句话就够了。
第一，不知道选什么，用 Auto。
先把任务说清楚，让系统自动匹配。
第二，图片任务看图片输入。
要识别截图、图表、图片内容，就看模型是否支持多模态。
第三，复杂任务看推理能力。
方案拆解、逻辑判断、代码规划、长链路任务，更适合推理能力强的模型。
第四，敏感任务看数据边界。
不能外发的数据，不要随便接第三方 API，可以考虑本地模型或合规方案。
模型不是越贵越好。
也不是越新越好。
适合当前任务，才是真的好。
11 会选模型的人，不是在追热点
很多人聊模型，喜欢追“哪个最强”。
但真正把 AI 用进工作里的人，更关心的是：
这次任务需要什么能力？
结果要多稳定？
速度要多快？
能不能看图片？
数据能不能外发？
费用归谁承担？
模型配置的意义，不是让你变成模型评测博主。
而是让 WorkBuddy 在不同任务里，接上合适的发动机。
新手先用 Auto。
进阶再看内置模型。
有特殊需求，再接 Token Plan、Coding Plan、自定义 API 或本地模型。
别把模型配置当玄学。它只是给任务选发动机：普通路用省心的，复杂路用强劲的，敏感路用可控的。
More Posts
Newsletter
Stay updated with Independent Meditations
Subscribe for new articles, knowledge-base updates, and product news