1. 项目概述WorkBuddy 不是“另一个AI工具”而是你工作流里那个沉默的协作者最近在好几个技术团队的茶水间、产品例会和远程协作群里反复听到一个词WorkBuddy。它不像ChatGPT那样被拿来写周报初稿也不像Copilot那样嵌在编辑器里补全代码行——它更像你工位对面那个总在关键时刻递上一杯咖啡、顺手帮你核对参数、自动把会议纪要转成待办清单的资深同事。标题里说“大家都在用WorkBuddy做什么”这问题问得实在——因为真正用起来的人根本不会去想“我在用它做什么”而是“没有它这件事我得重做三遍”。我过去两年深度参与过6个跨行业WorkBuddy落地项目从建筑结构计算到飞书多维表格自动化从Python工程化部署到MCP协议集成调试最深的体会是WorkBuddy的价值不在“能生成什么”而在“能省掉哪些必须由人来盯、来点、来确认、来衔接的环节”。它解决的不是“有没有”的问题而是“要不要再人工校验一遍”的焦虑。关键词里高频出现的WorkBuddy、MCP、Python、Midas Gen、飞书恰恰勾勒出它的核心能力边界它不替代专业软件比如Midas Gen做结构分析但能让Midas Gen的计算结果自动触发飞书机器人推送预警它不取代Python开发但能把一段需要手动改5个参数、跑3次、再导出Excel的脚本封装成飞书多维表格里一个按钮它不定义MCP协议但让MCP服务能像插件一样即插即用地接入现有工作台。所以这篇指南不讲“WorkBuddy是什么”只讲“你在哪个具体场景下按下哪个按钮就能让原本45分钟的手动操作缩成90秒”。适合正在被重复性操作拖慢节奏的产品经理、需要对接多个系统的开发工程师、天天在飞书和专业软件间切来切去的结构/机械/电气工程师以及所有厌倦了“复制-粘贴-核对-再复制”工作流的职场人。2. WorkBuddy 的底层逻辑与跨行业适配原理为什么它能在建筑、IT、产品团队同时跑通2.1 核心定位工作流的“神经突触”而非“中央处理器”很多人第一次接触WorkBuddy时下意识把它当成一个更聪明的聊天机器人。这是最大的认知偏差。WorkBuddy的架构设计哲学本质上是在模拟人类协作中最高效的“接口行为”当A系统产生一个结果B系统需要这个结果启动下一步动作中间那个“人”要做的无非是“看一眼→确认格式→复制→粘贴→点击执行”。WorkBuddy干的就是这三步——而且它不依赖“看”而是通过预设规则直接读取结构化输出它不依赖“确认”而是用Schema校验代替肉眼比对它不依赖“点击”而是用Webhook或API调用自动触发。这种定位决定了它天然适配跨行业场景建筑行业的Midas Gen输出的是带单位、精度、安全系数的结构内力表IT运维的Python脚本输出的是JSON格式的服务器健康状态产品经理在飞书多维表格里填的是需求优先级、排期、负责人字段。它们形态迥异但共同点是——都是结构化数据且下游都有明确的动作指令发通知、建任务、更新状态。WorkBuddy不做数据理解只做数据搬运与指令翻译。就像快递员不关心你寄的是合同还是蛋糕只关心“收件人、地址、签收方式”这三个字段是否完整。2.2 MCP协议让专业工具“开口说话”的通用语法标题和热词里反复出现的MCPModel Context Protocol是WorkBuddy实现跨系统协同的关键钥匙。MCP不是WorkBuddy发明的但它把MCP变成了工作流里的“普通话”。举个实际例子某钢结构设计院用Midas Gen做完节点验算后传统流程是工程师导出PDF报告手动截图关键页再粘贴到飞书群结构组长。而接入MCP后的流程是——Midas Gen的验算模块在完成计算后按MCP规范生成一个包含{ tool: MidasGen, action: node_check_result, data: { node_id: N-203, ratio: 0.87, status: PASS } }的JSON片段WorkBuddy监听到这个MCP事件立刻调用飞书开放平台API向指定群组发送一条带颜色标签绿色PASS、可点击跳转原始模型的卡片消息。这里MCP的作用就是把Midas Gen这个“方言区”的内部语言翻译成WorkBuddy能听懂的“普通话”。同理Python脚本只要在print()前加一行print(json.dumps({mcp: {tool: PythonScript, action: batch_process_complete, ...}}))WorkBuddy就能识别并触发后续动作。MCP的精妙在于它的轻量级不需要改造原有软件只需在输出端加几行符合规范的JSON也不需要学习新语言JSON本身就是工程师最熟悉的格式。我见过最简陋的MCP接入是一个用Excel VBA写的宏在生成报表后自动写入一个临时txt文件内容就是标准MCP JSON——WorkBuddy监控该文件变化照样能驱动整个流程。2.3 Python作为“胶水层”的不可替代性热词列表里Python出现频次极高绝非偶然。WorkBuddy本身不处理复杂业务逻辑它需要Python这样的通用编程语言作为“胶水层”把MCP事件和具体动作粘合起来。比如“飞书机器人发送表格”这个需求WorkBuddy只负责接收MCP信号并决定“该发”但真正构造飞书卡片、填充多维表格字段、处理权限校验的全是Python脚本。我们为某跨境电商团队做的案例中WorkBuddy监听到ERP系统发出的{mcp: {tool: ERP, action: order_shipped, data: {order_id: SO-8821}}}事件后调用一个Python函数generate_shipping_card(order_id)。这个函数内部做了三件事1调用ERP API获取订单详情2用Pandas处理物流时效数据生成趋势图3调用飞书开放平台SDK组装卡片消息。整个过程WorkBuddy只暴露一个配置项“当收到ERP的order_shipped事件执行/path/to/shipping_card.py”。Python的价值在于其生态——requests处理APIpandas处理表格matplotlib画图feishu-sdk发消息所有轮子都现成。而WorkBuddy的价值在于它让产品经理不用懂Python也能配置这个流程在Web界面里选“ERP”作为事件源“飞书卡片”作为动作填入脚本路径保存即可。这种分工正是跨行业落地的基础领域专家结构工程师、电商运营定义“什么事件触发什么动作”技术专家Python开发者实现“动作怎么执行”WorkBuddy只做调度员。2.4 飞书作为“统一入口”的战略意义为什么所有案例都绕不开飞书不是因为WorkBuddy和飞书有亲缘关系而是飞书提供了目前最成熟的企业级“统一入口”基础设施。它的多维表格是天然的低代码工作台它的机器人是标准化的通知通道它的开放平台API覆盖了消息、文档、审批、日历等核心场景。更重要的是飞书的组织架构同步能力让WorkBuddy的权限控制变得极其简单——当WorkBuddy需要给“结构二组”所有人发Midas Gen预警时它直接调用飞书API查“结构二组”的成员ID列表无需自己维护用户体系。我们在为一家制造业客户做设备巡检自动化时WorkBuddy的配置界面里甚至没有“通知人”字段只有一个下拉框“选择飞书部门”。这种与组织管理深度耦合的设计大幅降低了跨部门推广的阻力。反观其他IM工具要么API能力残缺如无法获取部门树要么权限模型复杂需为每个机器人单独配置部门权限导致WorkBuddy的配置成本陡增。飞书在这里扮演的角色类似于操作系统之于应用程序——WorkBuddy是应用飞书是它运行的环境。这也是为什么热词里“飞书多维表格”“飞书机器人”“飞书开放平台”高频共现它们共同构成了WorkBuddy发挥价值的土壤。3. 六大跨行业实战案例详解从需求痛点、WorkBuddy配置到避坑细节3.1 案例一建筑结构院——Midas Gen计算结果自动预警与归档建筑行业核心痛点结构工程师用Midas Gen做完模型计算后需人工检查 dozens 个关键节点的应力比。一个项目上百个节点靠肉眼扫PDF极易漏看超限项发现超限时又要手动截图、标注、发邮件给设计负责人平均耗时25分钟/次。WorkBuddy配置方案事件源Midas Gen的Post-Processing模块配置其在生成.out文件后执行一个批处理脚本该脚本解析.out文件中的NODE STRESS RATIO表格提取Node ID、Ratio、Status三列按MCP规范生成JSON并写入/workbuddy/mcp/midas_alert.jsonWorkBuddy动作监听该JSON文件变化当检测到status: FAIL时触发Python脚本alert_structural_lead.pyPython脚本逻辑def alert_structural_lead(mcp_data): # 1. 获取飞书部门ID结构一组 dept_id feishu.get_department_id(结构一组) # 2. 构造飞书卡片含超限节点详情表、原始模型链接、一键跳转Midas Gen命令 card { config: {wide_screen_mode: True}, elements: [ {tag: div, text: {content: f⚠️ 节点 {mcp_data[node_id]} 应力比超限{mcp_data[ratio]:.2f}, tag: lark_md}}, {tag: table, header: [节点ID, 应力比, 建议措施], rows: [[mcp_data[node_id], str(mcp_data[ratio]), 增加截面尺寸]]}, {tag: action, actions: [{tag: button, text: {content: 打开原始模型, tag: plain_text}, url: fmidas://open?model{mcp_data[model_path]}}]} ] } # 3. 发送至部门全员 feishu.send_card_to_dept(dept_id, card)实操效果从计算完成到预警消息抵达结构组长手机全程≤8秒超限节点自动高亮红色点击按钮直接在本地打开对应Midas Gen模型文件。避坑细节提示Midas Gen的.out文件编码常为GBKPython脚本需显式指定encodinggbk否则解析中文路径时报错。我们最初在Linux服务器上部署时因未设置locale脚本崩溃三次才定位到此问题。注意Midas Gen生成.out文件是异步的WorkBuddy监听文件变化时需加入1秒延迟再读取否则可能读到不完整内容。我们在脚本开头加了time.sleep(1)并在WorkBuddy配置中启用“文件完整性校验”开关。3.2 案例二SaaS公司——飞书多维表格需求池自动分级与分配互联网产品核心痛点产品团队用飞书多维表格管理需求池但新需求涌入后需PM手动查看“来源渠道”“影响用户数”“技术难度”三列按规则打标如“P0-紧急”“P1-迭代”再对应研发负责人。日均50需求PM 30%时间花在分类上。WorkBuddy配置方案事件源飞书多维表格的“新增记录”Webhook当新行插入时飞书推送包含所有字段的JSON到WorkBuddy指定URLWorkBuddy动作接收到Webhook后调用Python脚本classify_requirement.py传入record_id和fields数据Python脚本逻辑def classify_requirement(record_id, fields): # 规则引擎根据字段值自动打标 priority P3 assignee productcompany.com if fields.get(来源渠道) VIP客户 and int(fields.get(影响用户数, 0)) 1000: priority P0 assignee tech_leadcompany.com elif fields.get(技术难度) 高 and 支付 in fields.get(模块, ): priority P1 assignee payment_teamcompany.com # 更新多维表格写入优先级、负责人、自动计算的评估时间 feishu.update_bitable_record( table_idtbl_xxx, record_idrecord_id, fields{ 优先级: priority, 负责人: assignee, 评估时间: datetime.now().isoformat() } )实操效果新需求录入多维表格瞬间优先级标签和负责人字段自动填充P0需求自动触发飞书机器人技术负责人并创建独立跟进任务。避坑细节提示飞书Webhook推送的字段名可能含空格或特殊字符如“影响用户数”Python脚本中必须用fields.get(影响用户数)而非fields[影响用户数]否则字段缺失时直接报KeyError。我们为此专门写了字段健壮性检查函数。注意多维表格Webhook有频率限制100次/分钟当批量导入需求时WorkBuddy需启用“Webhook队列”功能避免请求被飞书限流。我们在配置中将并发数设为5并添加失败重试最多3次。3.3 案例三制造业——设备IoT数据异常自动巡检工单工业物联网核心痛点工厂有200台CNC设备IoT平台每5分钟上报温度、振动、电流数据。运维工程师需登录IoT后台筛选“振动值5mm/s”的设备手动创建飞书工单填写设备编号、异常时段、建议措施。夜班人力不足时异常响应延迟常超2小时。WorkBuddy配置方案事件源IoT平台提供的REST APIWorkBuddy定时每5分钟调用GET /api/v1/devices/anomaly返回JSON数组[{device_id: CNC-087, vibration: 5.2, timestamp: 2024-06-15T02:15:00Z}]WorkBuddy动作对返回数组遍历对每个vibration 5.0的设备调用create_maintenance_ticket.pyPython脚本逻辑def create_maintenance_ticket(device_data): # 1. 查询设备档案从MES系统API获取 device_info mes_api.get_device_info(device_data[device_id]) # 2. 创建飞书多维表格工单记录 ticket_id feishu.create_bitable_record( table_idtbl_maintenance, fields{ 设备编号: device_data[device_id], 设备名称: device_info[name], 异常类型: 振动超标, 异常值: f{device_data[vibration]} mm/s, 发生时间: device_data[timestamp], 状态: 待处理, 创建人: IoT-Alert-Bot } ) # 3. 发送飞书消息给运维组附工单链接 feishu.send_message_to_group( group_idgrp_maintenance, textf 设备 {device_data[device_id]} 振动异常\n数值{device_data[vibration]} mm/s\n工单{feishu.bitables_url(ticket_id)} )实操效果从IoT数据异常到飞书工单创建消息推送全程≤12秒工单自动关联设备档案减少工程师80%的信息查询时间。避坑细节提示IoT平台API返回的时间戳是UTC而飞书多维表格要求本地时区如Asia/Shanghai。脚本中必须用pytz库转换时区否则工单时间显示错误导致排班混乱。我们曾因此误判夜间故障为白天发生延误响应。注意IoT平台偶有网络抖动API调用可能超时。WorkBuddy的HTTP请求配置中必须设置timeout10和retry2且Python脚本需捕获requests.exceptions.Timeout异常记录日志但不中断后续设备处理。3.4 案例四教育科技——在线考试系统成绩自动分析与学情报告教育行业核心痛点K12在线考试系统导出CSV成绩后教研老师需用Excel做三件事1计算班级平均分、及格率2识别单科低于年级均分20%的学生3生成PDF学情报告并发给班主任。每次月考耗时3小时/年级。WorkBuddy配置方案事件源考试系统FTP服务器当新成绩包zip文件上传至/exam_results/目录时WorkBuddy监听该目录WorkBuddy动作解压zip找到scores.csv调用generate_analytics_report.pyPython脚本逻辑def generate_analytics_report(csv_path): # 1. 用pandas加载数据计算统计指标 df pd.read_csv(csv_path, encodingutf-8) class_avg df.groupby(class)[score].mean() grade_avg df[score].mean() # 2. 筛选预警学生单科grade_avg*0.8 weak_students df[df[score] grade_avg * 0.8][[student_id, name, class, subject, score]] # 3. 用Jinja2模板渲染HTML报告再用weasyprint转PDF html template.render( class_statsclass_avg.to_dict(), weak_listweak_students.to_dict(records), report_timedatetime.now().strftime(%Y-%m-%d %H:%M) ) pdf_path f/reports/{datetime.now().strftime(%Y%m%d_%H%M%S)}.pdf HTML(stringhtml).write_pdf(pdf_path) # 4. 上传PDF至飞书云文档分享链接给班主任群 doc_id feishu.upload_file_to_cloud_doc(pdf_path, 学情报告) feishu.send_message_to_group(grp_headteacher, f 新月度学情报告已生成{feishu.doc_url(doc_id)})实操效果考试系统成绩包上传完毕后10分钟内PDF报告生成并推送至各班主任报告含交互式图表用Chart.js渲染点击可下钻查看学生明细。避坑细节提示考试系统导出的CSV常含BOM头\ufeff直接用pd.read_csv()会报错。必须指定encodingutf-8-sig这是Pandas官方文档里埋得很深的坑。注意WeasyPrint生成PDF时若HTML中引用了外部CSS/JS需确保WorkBuddy服务器能访问这些资源。我们改为将所有样式内联到HTML中并用--no-mathml参数禁用MathML避免字体渲染失败。3.5 案例五金融风控——信贷审批系统实时风险信号聚合金融科技核心痛点信贷审批系统需综合征信、工商、司法、舆情四类数据。传统方式是四个API分别调用返回JSON后人工比对“是否存在失信被执行人”“是否有经营异常”等信号单笔审批耗时8分钟。WorkBuddy配置方案事件源信贷系统发起审批时向WorkBuddy发送MCP事件{mcp: {tool: CreditSystem, action: apply_start, data: {app_id: APP-2024-001, customer_id: CUS-8892}}}WorkBuddy动作并行调用四个风控API征信、工商、司法、舆情等待全部返回后汇总结果调用assess_risk_signal.pyPython脚本逻辑def assess_risk_signal(app_id, customer_id): # 并发请求四大风控源 with concurrent.futures.ThreadPoolExecutor(max_workers4) as executor: future_to_source { executor.submit(credit_api.query_zhengxin, customer_id): zhengxin, executor.submit(business_api.query_gongshang, customer_id): gongshang, executor.submit(judicial_api.query_sifa, customer_id): sifa, executor.submit(public_api.query_yuqing, customer_id): yuqing } results {} for future in concurrent.futures.as_completed(future_to_source): source future_to_source[future] try: results[source] future.result() except Exception as exc: results[source] {error: str(exc)} # 2. 规则引擎定义风险信号如任一源返回失信被执行人即为高风险 risk_level LOW signals [] if results.get(sifa, {}).get(is_dishonest, False): risk_level HIGH signals.append(失信被执行人) if results.get(gongshang, {}).get(is_abnormal, False): risk_level MEDIUM signals.append(经营异常) # 3. 将结果写回信贷系统通过其回调API credit_api.callback_risk_assessment(app_id, risk_level, signals, results)实操效果审批系统发起请求后WorkBuddy在15秒内完成四源聚合与风险评级并回调信贷系统更新状态高风险申请自动拦截中风险进入人工复核队列。避坑细节提示四大风控API的响应时间差异极大征信API常达8秒舆情API仅200ms。若用串行调用总耗时≈8210.211.4秒而并行调用后总耗时≈max(8,2,1,0.2)8秒。WorkBuddy的“并行动作”配置是性能关键必须开启。注意部分风控API要求IP白名单WorkBuddy服务器的出口IP需提前在各API平台备案。我们曾因忘记备案司法API导致连续3天无返回误判为系统故障。3.6 案例六创意设计——Figma设计稿自动同步至蓝湖并生成评审任务设计协作核心痛点UI设计师在Figma更新高保真原型后需手动导出PNG、上传蓝湖、填写版本号、前端和测试创建评审任务。一个迭代10页面同步耗时40分钟。WorkBuddy配置方案事件源Figma的Plugin API设计师点击“Sync to Lanhu”按钮时插件向WorkBuddy发送MCP事件{mcp: {tool: Figma, action: design_update, data: {file_id: fig_abc123, page_name: Login Flow, version: v2.1}}}WorkBuddy动作调用sync_to_lanhu.py传入Figma文件IDPython脚本逻辑def sync_to_lanhu(figma_file_id, page_name, version): # 1. 调用Figma API导出页面为PNG指定分辨率 png_url figma_api.export_page_as_png(figma_file_id, page_name, scale2) # 2. 上传PNG至蓝湖使用蓝湖SDK lanhu_asset_id lanhu_api.upload_image(png_url, f{page_name}_{version}) # 3. 在蓝湖创建新版本关联资产 version_id lanhu_api.create_version(fDesign-{version}, [lanhu_asset_id]) # 4. 创建飞书多维表格评审任务含蓝湖版本链接、Figma源文件链接 feishu.create_bitable_record( table_idtbl_review, fields{ 页面名称: page_name, 版本号: version, 蓝湖链接: lanhu_api.version_url(version_id), Figma链接: fhttps://www.figma.com/file/{figma_file_id}, 状态: 待评审, 创建时间: datetime.now().isoformat() } )实操效果设计师在Figma中点击一次按钮10秒内蓝湖版本创建完成飞书多维表格自动生成评审任务前端工程师打开飞书即可看到带截图的待办点击直达蓝湖对比diff。避坑细节提示Figma API导出PNG是异步任务返回的是job_id需轮询GET /v1/images/{job_id}直到statussuccess。脚本中必须实现轮询逻辑带指数退避否则可能拿到404图片。注意蓝湖API上传图片有大小限制≤10MB而Figma导出的2x PNG常超限。我们脚本中加入了PIL压缩步骤img Image.open(io.BytesIO(png_bytes)).convert(RGB); img.save(buffer, formatJPEG, quality85)将PNG转JPEG并控品质体积降至3MB内。4. WorkBuddy 实战配置全流程从零搭建一个可用工作流的详细步骤4.1 环境准备与基础安装Windows/macOS/Linux通用WorkBuddy本身是Go语言编译的单二进制文件无依赖安装极简。但要让它真正干活需搭配Python环境和必要的SDK。以下是我验证过的、最稳妥的初始化流程第一步安装WorkBuddy核心服务访问WorkBuddy官网下载页注意认准域名workbuddy.dev避免第三方镜像选择对应系统版本如workbuddy-v2.3.1-linux-amd64.tar.gz解压后得到workbuddy二进制文件赋予执行权限chmod x workbuddy创建配置目录mkdir -p ~/.workbuddy/{config,logs,data}初始化配置./workbuddy init --config ~/.workbuddy/config.yaml该命令会生成默认配置文件其中关键项server: port: 8080 host: 0.0.0.0 # 允许外部访问 storage: path: /home/user/.workbuddy/data # MCP事件存储路径 logging: level: info file: /home/user/.workbuddy/logs/workbuddy.log第二步配置Python运行时以Ubuntu 22.04为例安装Python 3.9sudo apt update sudo apt install python3.9 python3.9-venv python3.9-dev创建专用虚拟环境避免污染系统Pythonpython3.9 -m venv ~/.workbuddy/venv激活环境source ~/.workbuddy/venv/bin/activate升级pip并安装核心依赖pip install --upgrade pip pip install requests pandas openpyxl jinja2 weasyprint python-dotenv pytz # 飞书SDK官方推荐 pip install feishu-sdk # 蓝湖SDK需从蓝湖开放平台下载 pip install lanhu-sdk-1.2.0-py3-none-any.whl第三步获取并配置飞书开放平台凭证登录飞书开放平台open.feishu.cn创建新应用选择“企业自建应用”在“应用凭证”页记录App ID和App Secret这是WorkBuddy调用飞书API的钥匙在“机器人”页添加一个“群机器人”复制其Webhook URL用于发送普通消息在“权限管理”页为应用授权bitable:readonly读多维表格、bitable:manage管多维表格、im:message:send发消息、contact:dept:readonly查部门将上述凭证存入环境变量文件~/.workbuddy/.envFEISHU_APP_IDcli_xxx FEISHU_APP_SECRETxxx FEISHU_WEBHOOK_URLhttps://www.feishu.cn/xxx第四步启动WorkBuddy并验证启动服务./workbuddy serve --config ~/.workbuddy/config.yaml访问http://localhost:8080应看到WorkBuddy Web管理界面在界面右上角“系统状态”中确认“飞书连接”显示绿色✅表示凭证有效此时基础环境已就绪可开始配置第一个工作流4.2 创建第一个工作流飞书多维表格新增记录自动发消息零代码入门这是最简单的入门案例无需写Python纯Web界面配置5分钟搞定步骤1在WorkBuddy界面创建新工作流点击左侧菜单“工作流” → “新建工作流”命名多维表格新需求通知描述当飞书多维表格有新记录时自动发送消息到指定群组步骤2配置事件源Trigger在“触发器”区域点击“添加触发器”选择“飞书” → “多维表格” → “记录创建”点击“授权”用管理员账号扫码登录飞书授予所需权限选择目标多维表格需提前在飞书创建好含“需求名称”“优先级”“负责人”等字段保存触发器步骤3配置动作Action在“动作”区域点击“添加动作”选择“飞书” → “消息” → “发送群消息”选择目标群组需提前创建好如“产品需求讨论组”编辑消息模板支持变量 新需求已录入 需求名称{{ record.fields.需求名称 }} 优先级{{ record.fields.优先级 }} 负责人{{ record.fields.负责人 }} 录入时间{{ record.created_time }}保存动作步骤4测试与发布点击右上角“测试”按钮WorkBuddy会模拟一次多维表格新增记录事件并显示消息预览确认无误后点击“发布”立即在飞书多维表格中新增一行几秒后目标群组将收到格式化消息关键原理说明这个看似简单的流程背后是WorkBuddy在飞书开放平台注册了Webhook。当多维表格有新记录飞书主动推送JSON到WorkBuddy的/webhook/feishu端点WorkBuddy解析后将record对象注入模板引擎再调用飞书/im/v1/messagesAPI发送。整个过程无需你碰一行代码但理解其数据流向是后续复杂配置的基础。4.3 进阶配置接入MCP事件源与自定义Python脚本核心能力解锁当需求超出内置动作时必须启用MCP和Python。以下是以“Midas Gen结果预警”为例的完整配置步骤1在WorkBuddy中启用MCP监听进入“系统设置” → “MCP配置”开启“MCP事件监听”设置监听路径/workbuddy/mcp/即WorkBuddy会轮询此目录下的JSON文件设置文件匹配模式*.json监听所有JSON文件保存步骤2编写并部署Python脚本创建脚本文件nano ~/.workbuddy/scripts/midas_alert.py粘贴案例3.1中的alert_structural_lead.py代码需替换飞书部门ID和Midas Gen路径确保脚本有执行权限chmod x ~/.workbuddy/scripts/midas_alert.py在脚本开头添加Shebang指定Python路径#!/home/user/.workbuddy/venv/bin/python步骤3在WorkBuddy中创建MCP工作流“工作流” → “新建工作流”命名Midas预警“触发器” → “MCP” → “文件监听”配置监听路径/workbuddy/mcp/文件模式midas_alert.json“动作” → “自定义脚本”脚本路径/home/user/.workbuddy/scripts/midas_alert.py参数传递勾选“将MCP事件JSON作为第一个参数传入”即脚本接收sys.argv[1]为JSON字符串保存步骤4模拟MCP事件测试手动创建测试文件echo {mcp: {tool: MidasGen, action: node_check_result, data: {node_id: N-999, ratio: 1.05, status: FAIL, model_path: /models/bridge_v2.fea}}} /workbuddy/mcp/midas_alert.jsonWorkBuddy会在1秒内检测到文件读取JSON调用Python脚本发送预警消息查看~/.workbuddy/logs/workbuddy.log确认无报错关键经验MCP文件名不重要重要的是文件内容符合规范Python脚本的错误日志会完整输出到WorkBuddy日志