最近 WorkBuddy 的热度明显上升网络上关于“怎么用 WorkBuddy 做资料整理、写文章、生成报告、自动执行任务”的介绍很多其中一个很典型的玩法就是把 ima 知识库接入 WorkBuddy让 WorkBuddy 基于自己的资料完成任务。从使用体验看这似乎只是“给 WorkBuddy 加了一个知识库”。但如果从 Agent 技术角度看这个组合其实很好地体现了当前 AI 应用的一条重要演进路线知识库负责提供知识RAG 负责找到知识Agent 负责利用知识完成任务。理解这一点也就更容易看懂 WorkBuddy × ima 为什么会成为一个比较自然的产品组合。一、先看最直观的使用方式假设你平时把产品资料、行业报告、历史文章和项目文档整理到 ima 中。现在需要写一份竞品分析如果直接问通用大模型帮我分析一下我们产品与主要竞品的差异。模型主要依靠训练阶段掌握的公开知识很难知道你的内部产品资料、过去做过的分析以及最新收集的信息。接入 ima 后WorkBuddy 可以直接检索和引用 ima 中的个人或共享知识库腾讯官方也将 ima 定位为以知识库为核心、集“搜、读、写”于一体的 AI 知识工作台。于是使用方式变成产品资料、历史文章、研究报告 ↓ ima 个人 / 共享知识库 ↓ WorkBuddy ↓ 检索相关知识 ↓ 分析与推理 ↓ 生成报告 / 文档 / PPT / 任务成果这已经不只是“让 AI 知道更多”而是在给 Agent 增加一个可以按需访问的外部知识来源。二、背后的关键技术其实就是 RAG这里最核心的技术是 RAG也就是 Retrieval-Augmented Generation中文通常称为检索增强生成。它的基本思想很简单不要求大模型提前记住所有资料而是在用户提出问题时先从知识库中找到相关内容再把这些内容交给模型分析。例如 ima 中保存了几十篇产品资料用户问我们产品相对于竞品 A在文档协作方面有哪些优势系统没有必要把几十篇文章全部塞给模型而是可以先检索用户问题 ↓ 搜索知识库 ↓ 找到最相关的几个内容片段 ↓ 加入模型当前上下文 ↓ LLM 分析 ↓ 生成答案这就是 RAG 最基本的工作原理。它通常还会涉及文档解析、Chunk 切分、Embedding、向量或关键词检索、Rerank 等环节但对于普通 WorkBuddy 用户来说并不需要理解所有实现细节。只需要记住RAG 做的事情就是从大量资料中找到“这一轮真正需要给模型看的内容”。三、WorkBuddy 自己其实也在使用类似机制这种模式并不限于 ima。WorkBuddy 官方的“项目”能力本身就可以组织项目指令、连接器、Skill 和资料等共享上下文官方文档明确说明成员创建项目任务时相关配置会进入当前任务上下文。其中资料库的处理方式尤其值得注意。WorkBuddy 官方文档明确说明项目资料库内容会以 RAG 的形式注入任务上下文。也就是说一个项目即使积累了大量资料每次任务也并不是简单地把全部资料交给模型而是根据当前任务检索相关内容。因此可以把 WorkBuddy 的知识来源简单理解成这张图基本就解释了 WorkBuddy × ima 背后的逻辑。四、那么 ima 和 WorkBuddy 到底是什么关系两者很容易都被称为“AI 工作台”但实际侧重点并不完全一样。ima 更偏向知识。它围绕个人和共享知识库组织内容强调资料的搜索、阅读、整理、问答和内容生成。WorkBuddy 更偏向任务执行。它不仅可以读取知识还可以结合项目、Skill 和连接器访问外部能力并执行更完整的工作任务。WorkBuddy 当前的连接器可以访问腾讯文档、邮箱、会议、TAPD 等外部服务也支持自定义连接器。因此可以用一句比较直观的话理解ima 更像知识仓库和知识工作空间WorkBuddy 更像拿着这些知识去干活的 Agent。例如你长期使用 ima收集资料 ↓ 整理知识 ↓ 形成个人知识库WorkBuddy 则可以进一步读取这些知识 ↓ 分析任务 ↓ 调用工具 ↓ 生成报告 ↓ 处理文档 ↓ 执行后续工作而 WorkBuddy 生成的正式内容还可以重新保存到 ima继续成为新的知识资产从而形成“知识积累—任务执行—成果沉淀”的循环。五、为什么这比“把文件上传给 AI”更有价值一次性上传文件解决的是这一轮让 AI 看一下这个文件。知识库解决的是让这些资料成为长期可以反复检索和复用的知识。Agent 再进一步解决当任务需要这些知识时主动找到它们并继续完成后面的工作。因此它实际上经历了三个阶段WorkBuddy × ima 有意思的地方正是在第三阶段。它不是简单地“AI 知识库”而是在把知识管理 RAG Agent 执行连接到一起。六、这也是为什么 RAG 不能直接等同于 Agent理解 WorkBuddy 后再来看一个经常出现的概念混淆就比较容易了。如果一个系统只是上传文档 ↓ 建立知识库 ↓ 用户提问 ↓ RAG ↓ 模型回答它更准确的定位仍然是知识库问答系统。Agent 的不同之处在于它还需要根据任务决定下一步做什么。例如基于我的 ima 产品知识库查一下最近竞品 A 的变化分析对我们的影响并生成一份产品策略报告。真正的 Agent 可能执行理解任务 ↓ 检索 ima ↓ 发现缺少最新竞品信息 ↓ 调用 Web Search ↓ 获得最新信息 ↓ 再次分析 ↓ 生成报告 ↓ 保存结果这里RAG 负责“找知识”Web Search 负责“找实时信息”Tool 负责“执行能力”Agent 则负责决定什么时候使用它们。这才是 RAG 与 Agent 最重要的区别。七、WorkBuddy 火热背后其实反映了 AI 应用正在发生变化早期大模型应用的核心交互基本是用户提问 → AI 回答WorkBuddy 这类产品正在变成用户提出目标 ↓ Agent 理解任务 ↓ 调用已有知识 ↓ 调用工具和 Skill ↓ 处理文件和业务数据 ↓ 持续执行 ↓ 交付结果所以 WorkBuddy × ima 值得关注的并不只是“又多了一种 AI 使用技巧”。它背后实际上反映了一个更大的趋势AI 正在从“回答问题”走向“基于企业和个人知识执行任务”。腾讯面向开发者提供的智能体开发平台 ADP 也已经把 LLMRAG、Workflow 和 Multi-Agent 作为主要的智能体应用开发模式对于复杂知识问题还进一步提供能够自主规划、多轮检索的 Agentic RAG。普通用户看到的是WorkBuddy ima 很方便。开发者看到的则应该是知识库 RAG Context Tool / Skill Agent Loop这些能力正在被产品化并最终组合成用户可以直接使用的 AI 工作台。结语如果只是学习 WorkBuddy 的使用技巧我们可能记住的是“把 ima 接进 WorkBuddy可以让它读取自己的知识库。”但理解背后的技术逻辑之后会发现真正值得关注的是ima 负责沉淀知识RAG 负责寻找知识WorkBuddy Agent 负责使用知识完成任务。这也是为什么当前的 AI 办公产品正在从单纯的聊天助手逐渐走向能够连接知识、工具和业务系统的智能工作平台。WorkBuddy × ima 只是一个非常直观的例子。它让普通用户在不需要理解 Embedding、向量数据库、Rerank 或 Agent Loop 的情况下已经开始实际使用这些 Agentic AI 技术。下一篇将详细介绍RAG是什么它与Agent有什么关系