第 6 章模型配置 · 网页版课件

第 6 章

模型配置

为不同任务配置最合适的“大脑” · 推理模式 · 内置模型 · 自定义接入 · 积分成本

WorkBuddy 效率进阶实训课程 · 配套实验（实验 6.1-6.5）

学习目标

阐述标准推理与深度思考模型的工作原理及适用场景

熟悉内置模型家族与能力标记，理解各类任务场景的模型选择策略

配置并管理各类本地及云端大模型，掌握四种接入方式的适用边界与配置要素

理解积分的消耗逻辑与成本差异规律，能够制定合理的成本优化策略

学完本章，你将能为不同任务配置最合适的“大脑”，并管住每一分积分成本。

6.1

大模型推理模式

6.1.1 标准推理模式：日常默认主力，追求“够用、快、省”

6.1.2 深度思考模式（Thinking）：思维链推演，适合复杂任务

官方提供“均衡/快速/极致”三档模型选择，内置模型区分为思考模式与推理模型

判断标准：任务越依赖“推理过程”，越值得启用 Thinking

两种推理模式：标准 vs 深度思考

WorkBuddy 支持接入多种底层基座大模型，官方提供“均衡/快速/极致”三档模型选择，并将内置模型区分为思考模式与推理模型。

标准推理模式

日常使用的默认主力：响应速度快，Token 消耗量低

适用于日常对话、文本润色、简单的信息提取等基础任务

追求“够用、快、省”——摘要、翻译、格式转换、常规问答等高频办公场景由它承担

深度思考模式（Thinking）

采用思维链（Chain-of-Thought）技术，输出结果前先进行充分的内部逻辑推演

响应时间更长、成本更贵，但准确率与深度显著提升

适用于复杂的代码编写、架构设计、数学计算或深层逻辑分析

官方文档《模型配置》：https://www.workbuddy.cn/docs/workbuddy/From-Beginner-to-Expert-Guide/Function-Description/Model

判断标准很简单——任务越依赖“推理过程”，越值得启用 Thinking（取舍之道见下页）。

两模式如何取舍：用一个例子感受差异

让 AI 审查一段并发代码的竞态条件：

标准推理模式

可能直接给出结论

深度思考模式（Thinking）

先推导执行时序、识别共享资源的冲突路径，再给出带论证过程的修复方案

判断标准：任务越依赖“推理过程”，越值得启用 Thinking。

最佳实践：日常任务用标准模式保效率，把深度思考留给高价值的复杂任务；两者可在任务执行中随时切换，不必一上来就选最贵的配置。

6.2

内置模型与能力标记

6.2.1 内置模型概览：Auto 自动模式 + 五大主流基座模型

6.2.2 能力标记：标注识图、长文本、工具调用等高级特性，构成模型的能力画像

系统按任务需求优先匹配带有对应能力标记的模型

自定义模型善用“能力标记自动写入”，减少手动配置错误

内置模型概览

WorkBuddy 内置了多种主流基座大模型（以当前最新版本为准），并提供了 Auto 自动模式。各模型的定位与擅长方向如下：

模型	定位与擅长方向
Auto（自动模式）	启用后系统根据任务自动选择最适合的模型，为默认选项，日常使用的最优保底
Hunyuan（混元）	腾讯自研基座；当前内置 Hy3 混元思考模型，支持思考模式（深度思考），适合复杂推理（以最新版本为准）
GLM	多模态识图与工具调用能力出众，适合 Agent/专家执行场景
MiniMax	指令遵循与工具调用表现优异，适合 Agent 执行场景
Kimi	长文本理解与视觉能力出色，适合文档分析、长上下文任务
DeepSeek	推理与代码能力突出，适合复杂推理与代码开发场景

官方文档《模型配置》：https://www.workbuddy.cn/docs/workbuddy/From-Beginner-to-Expert-Guide/Function-Description/Model

能力标记：模型的能力画像

WorkBuddy 为每个模型维护一组能力标记，用于标注该模型是否支持识图、长文本、工具调用等高级特性。

能力画像

识图、长文本、工具调用等高级特性标记，构成模型的能力画像

按需求匹配

任务执行时按任务需求（如“识别图片中的表格”）优先匹配带有对应能力标记的模型，避免“选了模型却做不了事”

自动写入

自定义接入的第三方模型可借助“能力标记自动写入”，由系统根据模型信息自动补全标记，显著减少手动配置错误

对内置模型，能力标记由系统维护、开箱即用；对自定义接入的第三方模型，务必确认能力标记与实际能力一致。

6.3

模型选择策略

四类场景策略：日常问答 / 多模态 / 复杂推理与代码 / Agent 执行

按任务场景匹配模型，而非一律使用最强配置

日常 Auto（自动模式）保底，速度与稳定性最佳

熟记选型口诀，四句话记住四类场景的推荐模型

四类模型选择策略

任务场景	推荐模型	选择理由
日常问答与常规处理	Auto（自动模式）	系统根据任务自动选择最适合的模型（默认选项），速度与稳定性最佳
多模态场景（识图、文档分析）	GLM 或 Kimi	视觉与上下文能力出众
复杂推理与代码场景	Hy3（混元）或 DeepSeek	支持思考模式（深度思考），逻辑推演能力强
Agent/专家执行场景	GLM 或 MiniMax	在指令遵循与工具调用上表现优异

选型口诀：日常 Auto 保底，多模态认准 GLM/Kimi，难活交给深度思考，Agent 场景选指令遵循强的 GLM/MiniMax。

选型口诀

日常问答

→

Auto 自动模式保底

多模态识图

→

GLM / Kimi

复杂推理与代码

→

Hy3 混元 / DeepSeek

Agent 执行

→

GLM / MiniMax

—— 按任务场景匹配模型，而不是一律使用最强配置；复杂任务可随时切换思考模式

6.4

自定义模型接入

满足不同团队的合规性、成本控制及特殊业务需求

6.4.1 四种接入方式：Token Plan / Coding Plan / 提供商接入 / Ollama 本地部署

6.4.2 配置四要素：Base URL、模型名称、API Key、能力标记

6.4.3 Ollama 本地部署实操：数据不出本机，全程无需 API Key

6.4.4 接入方式选择建议：按人群与场景匹配

四种接入方式

系统支持以下 4 种接入方式，满足不同团队的合规性、成本控制及特殊业务需求；所有配置保存后即时生效。

Token Plan

腾讯云 Token Plan 专为 AI 编程和 WorkBuddy 场景打造，提供面向个人、企业多种类型的订阅套餐，兼容混元、MiniMax、Kimi、GLM 等主流大模型

Coding Plan

专为开发者打造的 AI Coding 场景专属订阅模式，提供针对代码补全和重构优化的专属算力

提供商接入

适合已有企业级 API 权限的用户：从预设厂商列表选择服务商，系统自动填充 API URL、可用模型列表及能力标记，用户仅需补全 API Key

Ollama 本地部署

针对数据隐私要求极高的内网、合规性严格或完全离线的环境：本地安装启动 Ollama 服务后直接连接本地模型，全程无需 API Key 验证

官方文档《模型配置》：https://www.workbuddy.cn/docs/workbuddy/From-Beginner-to-Expert-Guide/Function-Description/Model

另有自定义 API/自定义方式等入口，以官方文档为准；所有配置保存后即时生效。

配置四要素与连通验证

无论采用哪种接入方式，配置一个自定义模型通常需要确认以下四要素：

Base URL

模型 API 服务的访问地址（Ollama 本地服务为 http://127.0.0.1:11434）

模型名称

与厂商侧的模型标识保持一致，填错将无法调用

API Key

服务端的鉴权凭证（Ollama 本地部署除外）

能力标记

标注模型是否支持识图、长文本、工具调用，可借助“能力标记自动写入”完成

验证连通：配置完成后，发送一条测试消息（如“你好，请介绍一下你自己”）确认模型有响应。

若模型无响应，按三查排查：查 Key 是否有效、查网络是否可达、查模型名称是否准确。

Ollama 本地部署实操

Ollama 是开源的本地大模型部署工具，能让模型完全运行在你的电脑上，数据不出本机。接入步骤如下：

安装 Ollama

前往 Ollama 官网（ollama.com）下载对应操作系统的安装包并完成安装

拉取模型

终端执行 ollama pull ＜模型名＞（如 ollama pull qwen2.5），模型下载到本地

确认服务

Ollama 默认监听本机 11434 端口；执行 ollama list 查看已拉取的模型列表

在 WorkBuddy 中接入

模型管理中选择 Ollama 本地部署，填入服务地址与模型名称（无需 API Key）

测试验证

发送测试消息确认本地模型可用

Ollama 常用命令

ollama pull qwen2.5
ollama list
# 服务默认监听
# 本机 11434 端口

安全提示：本地模型体积通常达数 GB，请预留磁盘空间；推理性能取决于本机显卡与内存配置，轻量设备建议选择小参数模型。

接入方式选择建议

四种接入方式各有适用人群：按计费偏好、开发占比与数据敏感度来选。

Token Plan

适合需要按需灵活计费的个人或团队

Coding Plan

适合以代码开发为主的开发者

提供商接入

适合已经持有企业级 API 权限、追求开箱即用的用户

Ollama 本地部署

涉及公司核心机密或敏感数据的工作空间，务必优先考虑本地方案

选择逻辑：按需灵活计费选 Token Plan，代码开发为主选 Coding Plan，已有企业权限选提供商接入，敏感数据必选 Ollama 本地部署。

6.5

积分与成本管理

6.5.1 积分的消耗逻辑：额度与模型 Token 定价、任务复杂度相关

6.5.2 消耗差异的三条规律：模式差异 / 实体差异 / 上下文差异

6.5.3 成本优化实践：按任务价值匹配模型与实体

理解消耗逻辑，是控制使用成本的前提

积分的消耗逻辑

积分是 WorkBuddy 的使用额度（首次出现于第 4 章）。内置模型与云端服务的每次任务执行都会消耗积分，消耗量与模型 Token 定价和任务复杂度有关。

模型 Token 定价

不同模型单位 Token 处理单价不同，单价越高，同等任务消耗越多

任务复杂度

简单任务（如简短问答）消耗较少；复杂任务（如长代码分析、多轮对话、知识库检索）消耗更多

理解消耗逻辑，是控制使用成本的前提。

官方文档《积分》：https://www.workbuddy.cn/docs/workbuddy/Credits

消耗差异的三条规律

模式差异

深度思考模式（Thinking）的积分消耗显著高于标准推理模式——用更长的推理换取更高质量的答案

实体差异

专家团涉及多个模型协同运作，消耗通常明显高于单专家，单专家又高于纯技能调用

上下文差异

长文档挂载、多轮追问、多模态输入都会增加 Token 用量，进而推高消耗

具体消耗以实际任务与官方《积分》说明为准：https://www.workbuddy.cn/docs/workbuddy/Credits

成本优化实践

Auto + 标准推理优先

日常任务优先 Auto 与标准推理，把 Thinking 留给高价值复杂任务

简单任务不召唤专家团

用技能或单专家即可完成

控制追问与挂载

控制单任务追问轮数与挂载文件体积（第 2 章给出连续追问约 8 轮的经验建议）

高频与敏感任务走本地

高频批量任务与敏感数据任务走 Ollama 本地模型，把云端额度留给 Agent 场景

开发类工作用 Coding Plan

使用 Coding Plan 专属订阅，避免占用 Token Plan 的按量额度

成本优化的本质：按任务价值匹配模型与实体，而不是一律使用最强配置。

6.6

模型管理最佳实践与常见问题

6.6.1 最佳实践五条：优先 Auto / 利用能力标记 / Ollama 离线首选 / 灵活自定义协议 / API Key 严格管控

6.6.2 常见问题排查：无响应、能力缺失、本地连接失败

把模型配置沉淀为可复用的管理习惯

模型管理最佳实践五条

优先 Auto 模式

在非特定专业需求下，尽可能使用系统的 Auto 模式，以获得最佳的响应速度与稳定性

利用能力标记

配置第三方模型时，善用“能力标记自动写入”功能，确保准确识别识图、工具调用等高级特性

Ollama 离线首选

涉及公司核心机密代码或敏感财务数据的工作空间，务必首选 Ollama 本地部署方案

灵活应用自定义协议

自建内部大模型网关或非标准 URL 的服务，通过自定义 OpenAI 兼容协议灵活对接

API Key 严格管控

将 API Key 视为最高级别的机密凭证，避免在非加密文档或公共代码库中明文保存

五条实践可归纳为：能默认就 Auto，能离线就 Ollama，密钥只进加密保管。

常见问题排查

配置后模型无响应

按三查排查：查 API Key 是否有效、查网络是否可达、查模型名称是否与厂商标识一致

能对话但无法识图/调用工具

检查能力标记是否已正确配置，优先开启“能力标记自动写入”

Ollama 本地连接失败

确认 Ollama 服务已启动、地址与端口（默认 11434）填写正确，并检查防火墙是否放行

排查顺序建议：先查 Key 与网络，再核模型名称，最后检查能力标记与本地服务状态。

实验

配套实验总览（6.1-6.5）

实验 6.1 推理模式与 Auto（★ 必做）

实验 6.2 能力标记验证（★ 必做）

实验 6.3 自定义模型接入（○ 可选）

实验 6.4 Ollama 本地部署（○ 可选）

实验 6.5 积分消耗观察（★ 必做）

第 6 章配套实验（labs/ch06-labs.md）

编号	实验名称	验证知识点	前置条件	类型
6.1	推理模式与 Auto	均衡/快速/极致三档模型选择；思考模式 vs 推理模型；Auto 按任务自动选模型；任务中切换	完成 1.1	★ 必做
6.2	能力标记验证	能力标记自动写入；识图/长文本/工具调用任务下的模型匹配	完成 1.1	★ 必做
6.3	自定义模型接入	提供商接入/Token Plan/Coding Plan 等配置要素与连通验证	持有对应模型 API Key 或订阅	○ 可选
6.4	Ollama 本地部署	安装、拉取模型、11434 端口接入、离线测试	可安装 Ollama 的电脑（预留数 GB 磁盘）	○ 可选
6.5	积分消耗观察	消耗量与模型 Token 定价和任务复杂度相关；积分查看入口	完成 1.1（账户有积分）	★ 必做

官方文档《模型配置》：https://www.workbuddy.cn/docs/workbuddy/From-Beginner-to-Expert-Guide/Function-Description/Model

建议顺序：先完成 ★ 必做实验 6.1 → 6.2 → 6.5，再按条件选做 ○ 可选实验 6.3、6.4。

本章小结

两种推理模式：标准推理保效率（够用、快、省），深度思考（Thinking）用思维链换深度——任务越依赖“推理过程”，越值得启用 Thinking

内置模型家族：Auto 自动模式 + 混元 / GLM / MiniMax / Kimi / DeepSeek，能力标记构成模型的能力画像，系统按任务需求匹配

模型选择：四类场景策略 + 选型口诀——日常 Auto 保底，多模态认准 GLM/Kimi，难活交给深度思考，Agent 场景选 GLM/MiniMax

自定义接入：Token Plan、Coding Plan、提供商接入、Ollama 本地部署四种方式，配置四要素为 Base URL、模型名称、API Key、能力标记

成本管理框架：积分消耗三条规律（模式 / 实体 / 上下文差异）+ 成本优化实践（按任务价值匹配模型与实体）

下一章：第 7 章学习助理（远程操控）机制与各渠道接入——把执行能力延伸到移动端，让 WorkBuddy 随时听候调遣。

课后思考题

试说明深度思考模式（Thinking）虽然成本更高、速度更慢，但仍被引入核心工作流的原因。

假设您的团队处于一个完全无外网连接的安全开发环境中，您应如何利用 WorkBuddy 的模型配置功能继续开展 AI 辅助工作？

分析“提供商接入”与“Token Plan”在配置流程和适用人群上的主要差异。

结合积分的消耗规律，为一位每天需要“批量生成周报 + 偶尔做代码审查”的用户设计两条成本优化建议。

建议先独立思考，再回到配套实验（实验 6.1-6.5）动手验证你的答案。