
> 本文档以一次真实对话为例，展示 WorkBuddy 作为 AI 工作伙伴的核心能力。

---

## 一、本次对话做了什么

我给出一个网址，说"看看这个网页"。从这一句话开始，WorkBuddy 自主完成了以下全部工作：

- 抓取了北交互联10期共**3864条**京牌小客车司法处置数据
- 逐个抓取3864个详情页，提取车辆全维度信息
- 分析了车辆特征与竞拍热度之间的关联性
- 构建了个性化推荐引擎，根据用户偏好推荐最佳竞拍标的
- 将整个流程封装成可复用的 Skill
- 经历了3轮代码审查和19个问题修复
- 生成可视化报告和完整项目文档

**整个过程只说了7句话。**

---

## 二、WorkBuddy 的核心能力

### 能力1：网页抓取与逆向分析

**用户说：** "查看这个网页 https://jpxkc.cbex.com/page/jpxkc/s/index.html"

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/dd6c9ec3811b5d73273abefa0587b46b.png)

**WorkBuddy 做了什么：**

不是简单地把网页内容读出来，而是：
1. 访问网页，发现标的列表是动态加载的（页面源码里没有数据）
2. 分析 JavaScript 源码，找到隐藏的 API 端点 `/page/jpxkc/zc_prjs/prj_li`
3. 编写 Python 脚本，通过 API 分页抓取全部434条数据
4. 发现列表页缺少起始价，自动追加详情页抓取
5. 用10线程并发抓取，支持断点续传

**意味着什么：** WorkBuddy 能处理动态网站、逆向分析 API、编写并执行抓取脚本，不只是"看网页"。

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/cc4fba8de80c55cbcdf73079e7583173.png)

---

### 能力2：大规模数据处理

**用户说：** "其它期的也都获取下"

**WorkBuddy 做了什么：**

1. 从首页源码中找到全部10个期次的 ID 映射
2. 编写批量抓取脚本，内置10期配置，一键运行
3. 15线程并发抓取3864个详情页，每200条自动保存中间结果
4. 处理过程中遇到网络超时自动重试
5. 输出标准 CSV 文件，带 BOM 编码方便 Excel 打开

**数据规模：**
- 10期 × 平均386条/期 = 3864条标的
- 每条标的的详情页文本约2000字
- 总数据量约9MB纯文本

**意味着什么：** WorkBuddy 不是"聊两句就完了"，它能处理数千条数据的批量任务，并且有完善的错误处理和断点续传机制。

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/1c7f843aaddd2f70ce5f1891e81f045f.png)

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/1f6d2afa2f5f5de2b36290f3fa7ecd87.png)

---

### 能力3：非结构化文本解析

**用户说：** "根据标的物介绍和报价次数整理一份关联分析"

**WorkBuddy 做了什么：**

详情页的"标的物调查情况表"是纯文本，格式不统一，有人工填写的痕迹。WorkBuddy：

1. 分析文本结构，识别出四个段落（权证情况、标的现状、权利限制、标的物介绍）
2. 为每个段落编写正则表达式提取结构化字段
3. 处理多种日期格式（`2019/6/4`、`2016年 12月 13日`、`2014 - 03 - 07`）
4. 统一排放标准写法（国V/国Ⅴ/国五 → 国V）
5. 处理复杂文本（`拖运费用：1296元、停车费用2256...共计23352元`）
6. 最终从非结构化文本中提取出40+个结构化字段

**意味着什么：** WorkBuddy 能把"人读的文本"变成"机器可分析的数据"，处理真实世界数据中的格式不一致
问题。

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/f6d0b9ea805525c40018ec53d31bc20d.png)

---

### 能力4：数据分析与可视化

**用户说：** "整理一份关联分析"

**WorkBuddy 做了什么：**

1. 计算各维度与报价次数的 Pearson 相关系数
2. 按燃料类型、排放标准、车龄、违章记录等维度分组统计
3. 生成暗色主题的 HTML 可视化报告（Chart.js 图表 + 数据表格）
4. 发现关键洞察：
   - 所有标的均以最高限价成交（成交价 = 起始价 × 1.5）
   - 无违章车比有违章车多72%的报价次数
   - 国III排放车平均116次报价，远超国VI的29次
   - 三证齐全的车比缺失的车多2.6倍报价

**意味着什么：** WorkBuddy 不只是"执行命令"，它能从数据中发现洞察，生成专业水准的分析报告。

---

### 能力5：迭代式问题修复

**用户说：** "车辆特征里包含了权利限制及瑕疵情况吗？"

**WorkBuddy 做了什么：**

发现原始数据中100%包含该段落，但之前的解析脚本遗漏了3个字段。于是：

1. 创建 `reparse_with_defects.py`，补充提取查封状态、查封法院、其他瑕疵
2. 重新生成分析报告（v2）
3. 用户继续追问"标的权证情况有没有？"
4. 再次发现遗漏，创建 v3 版本补充提取行驶证、登记证、车牌
5. 用户指出"展示的车龄、违章、停车费怎么都是0"
6. 深入排查发现3个正则匹配遗漏（日期带空格、停车费复杂格式、违章"无"格式）
7. 修复后提取率从84%提升至96.3%

**意味着什么：** WorkBuddy 能在对话中持续迭代，用户每指出一个问题就修复一个问题，不需要从头重来。

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/ee31f7dfb1bdbc72dfac2cdcaadcac0f.png)

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/602e5f3c5cb442f35f30c8b1c7570496.png)

---

### 能力6：智能推荐系统构建

**用户说：** "还要有用户给出自己的期望，然后给出推荐竞拍的标的物"

**WorkBuddy 做了什么：**

从零构建了一个完整的推荐引擎：

1. **筛选层**：根据用户设定的硬性约束（车龄上限、排放下限、违章上限等）过滤标的
2. **评分层**：三维评分模型
   - 价值分（品牌30 + 车龄25 + 排放20 + 偏好15 + 燃料10 = 100）
   - 安全分（违章30 + 权证20 + 停车费15 + 检验有效期15 + 抵押10 + 瑕疵10 = 100）
   - 中标分（报价次数越少越容易中标）
3. **排序层**：按用户指定的权重加权计算综合得分
4. **输出层**：生成推荐列表 CSV + 可视化 HTML 报告

**三种使用方式：**
- 交互式问答（逐项输入偏好）
- 预设策略一键运行（稳健/均衡/品质优先）
- JSON 配置文件（精细控制所有参数）

**意味着什么：** WorkBuddy 能构建有业务逻辑的系统，不只是写脚本。推荐引擎涉及评分模型设计、权重分配、品牌识别等领域知识。

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/ec1b0265f44d2e32c34e10dd629be976.png)

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/45edc5d840b1c4e4c948ab40317abe75.png)

---

### 能力7：代码审查与质量保证

**用户说：** "使用当前模型重新review下之前的所有过程以及最后的skills"

**WorkBuddy 做了什么：**

对全部5个脚本和3个文档进行系统审查，3轮共发现并修复19个问题：

**第一轮（8个问题）：**
- P0: HTML报告事实错误（"仅约半数有行驶证"实际93.7%有）
- P0: 所有脚本硬编码绝对路径
- P1: 冗余的v1解析代码
- P1: Referer设置在fetch之后（等于没设）
- P1: 文档段落计数矛盾
- P2: 未使用变量、缺少说明、__pycache__打包

**第二轮（5个问题）：**
- P0: 日期正则不支持空格 → 提取率84%→96.3%
- P0: 停车费只匹配简单格式
- P0: 违章"无"格式不匹配
- P1: vehicle_age=0被误判为"新车"给高分
- P1: 负车龄显示为"-0.3年"

**第三轮（6个问题）：**
- P1: SKILL.md多处描述过时
- P0: 4个脚本缺少 os.makedirs，首次运行崩溃
- P2: 残留未使用导入

**意味着什么：** WorkBuddy 能自我审查代码质量，发现逻辑错误、事实错误、健壮性问题，并自动修复。

---

### 能力8：技能封装与复用

**用户说：** "将上面的所有流程整理成一个skills"

**WorkBuddy 做了什么：**

1. 使用 skill-creator 初始化技能目录结构
2. 将5个脚本和3个参考文档组织成标准 Skill 结构
3. 编写 SKILL.md 主文档，包含工作流、策略建议、技术注意事项
4. 通过 skill-creator 验证并打包为 zip
5. 安装到用户级目录（`~/.workbuddy/skills/`），跨项目可用

**Skill 结构：**
```
jingpai-auction-analyzer/     (3253行代码/文档)
├── SKILL.md                  主文档
├── scripts/                  5个可执行脚本
│   ├── scrape_auction_list.py
│   ├── scrape_auction_details.py
│   ├── parse_and_analyze.py
│   ├── gen_trend_report.py
│   └── recommend.py
└── references/               3个参考文档
    ├── website_structure.md
    ├── data_schema.md
    └── recommendation_model.md
```

**意味着什么：** WorkBuddy 能把一次对话中积累的工作经验封装成可复用的技能，下次遇到类似任务时自动触发，不需要从头开始。

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/cd57dc92f2d6423b1542895489ce5df6.png)

---

### 能力9：数据验证与质量保证

**用户说：** "用这个 https://jpxkc.cbex.com/jpxkc/prj/detail/580619.html 验证下"

**WorkBuddy 做了什么：**

1. 实时抓取该详情页
2. 逐字段对比网页原始数据与解析结果
3. 22个字段全部匹配（✓）
4. 用推荐引擎对该标的评分，验证评分逻辑合理性
5. 确认这辆高违章+缺登记证+254次报价的车被正确地排在推荐列表末尾

**意味着什么：** WorkBuddy 不只是"写完就交付"，它能自己验证结果的准确性，用真实数据检验解析逻辑。

![image.png](https://developer.qcloudimg.com/http-save/yehe-6649301/a0dde28b3314c00b9c0943cf091d9fe6.png)

---

## 三、对话全程用户说了什么

| 序号 | 用户原话 | WorkBuddy 完成的工作 |
|------|---------|-------------------|
| 1 | "查看这个网页" | 逆向分析网站API，编写抓取脚本 |
| 2 | "获取202606期所有标的起始价、成交价、竞拍次数" | 抓取434条列表+详情页起始价 |
| 3 | "其它期的也都获取下" | 批量抓取全部10期3864条数据 |
| 4 | "根据标的物介绍和报价次数整理关联分析" | 解析详情文本，生成关联分析报告 |
| 5 | "车辆特征里包含了权利限制及瑕疵情况吗？" | 补充提取查封/法院/瑕疵字段 |
| 6 | "标的权证情况有没有？" | 补充提取行驶证/登记证/车牌字段 |
| 7 | "展示的车龄、违章、停车费怎么都是0" | 修复3个正则匹配遗漏 |
| 8 | "评估标准里有检验有效期止日期这一项吗？" | 新增检验有效期维度到安全评分 |
| 9 | "标的物介绍里的10个维度都要有" | 扩展解析到15个字段全覆盖 |
| 10 | "整理成一个skills" | 封装为可复用Skill（3253行） |
| 11 | "还要有用户给出期望，然后给出推荐标的" | 构建三维评分推荐引擎 |
| 12 | "用580619验证下" | 逐字段验证22项全部通过 |
| 13 | "重新review下" | 3轮审查修复19个问题 |
| 14 | "发布到skillhub" | 打包zip准备发布 |

skills地址：[京牌小客车司法处置数据抓取与分析](https://skillhub.cloud.tencent.com/skills/jingpai-auction-analyzer)

---

## 四、WorkBuddy 适合什么场景

### 适合

- **数据抓取与分析**：从网站抓取数据、清洗、分析、可视化
- **多步骤自动化**：需要编写多个脚本串联的复杂工作流
- **迭代式开发**：用户逐步提出需求，AI逐步完善
- **工具构建**：把一次性工作封装成可复用的技能
- **代码审查**：自我检查代码质量、发现逻辑错误
- **文档生成**：把工作过程自动沉淀为文档

### 不适合

- 需要人工登录认证的操作（如发布到需登录的平台）
- 需要物理世界交互的任务
- 需要实时性保证的在线服务

---

## 五、技术栈一览

本次对话中 WorkBuddy 使用的技术：

| 类别 | 技术 |
|------|------|
| 语言 | Python 3.13 |
| 网络请求 | urllib.request |
| 并发 | concurrent.futures.ThreadPoolExecutor |
| 文本解析 | re（正则表达式） |
| 数据处理 | csv, json, collections |
| 可视化 | Chart.js 4.4.0（生成HTML报告） |
| 统计分析 | Pearson相关系数 |
| 文件编码 | utf-8-sig（CSV）、utf-8（HTML） |
| 技能框架 | WorkBuddy Skill（SKILL.md + scripts/ + references/） |

---

## 六、关键数据

| 指标 | 数值 |
|------|------|
| 用户指令数 | 15条 |
| 抓取数据量 | 3864条标的 |
| 解析字段数 | 40+个 |
| 脚本总行数 | 2663行 |
| 文档总行数 | 590行 |
| 审查修复问题数 | 19个 |
| 字段验证通过率 | 22/22 = 100% |
| Skill总大小 | 45KB |



本文档以一次真实对话为例，展示 WorkBuddy 作为 AI 工作伙伴的核心能力。

Workbuddy助力京牌：以京牌司法处置数据分析项目为例

人工智能

WorkBuddy AI工作伙伴展示强大数据处理能力，从7句话指令完成3864条京牌小客车司法处置数据抓取、清洗、分析全流程。具备动态网页逆向解析、非结构化文本处理、智能推荐引擎构建等核心能力，支持多线程并发、断点续传、自动纠错，将复杂任务封装为可复用Skill，显著提升数据处理效率。

数据分析

数据处理

代码解释

WorkBuddy 

Python

JSON

2026上云采购 | AI焕新·智启新局

tqdrem

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Workbuddy助力京牌：以京牌司法处置数据分析项目为例-腾讯云开发者社区-腾讯云

Workbuddy助力京牌：以京牌司法处置数据分析项目为例

Workbuddy助力京牌：以京牌司法处置数据分析项目为例

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐