第 6 章 模型配置¶
模型是 WorkBuddy 一切能力的执行引擎——无论是技能调用、专家思考还是专家团协作，最终都由底层大模型驱动。本章聚焦模型的推理模式、内置模型与能力标记、选择策略、自定义接入方式，以及贯穿全书的“积分与成本”逻辑，帮助你为不同任务配置最合适的“大脑”。
学习目标¶
学完本章，你应该能够： 1. 阐述标准推理与深度思考模型的工作原理及适用场景。 2. 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。 3. 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。 4. 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。
6.1 大模型推理模式¶
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（官方文档《模型配置》）；为便于理解，教材将推理模式归纳为以下两类：
6.1.1 标准推理模式¶
标准推理模式是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。它追求“够用、快、省”，大多数高频办公场景（摘要、翻译、格式转换、常规问答）由它承担即可。
6.1.2 深度思考模式（Thinking）¶
深度思考模式采用思维链（Chain-of-Thought）技术，在输出结果前先进行充分的内部逻辑推演，再给出结论。虽然响应时间更长、成本更贵，但在处理复杂的代码编写、架构设计、数学计算或深层逻辑分析时，其准确率和深度均有显著提升。
两者的差异可以用一个例子直观感受：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；而深度思考模式会先推导执行时序、识别共享资源的冲突路径，再给出带论证过程的修复方案。判断标准很简单——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；两者可以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¶
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（官方文档《模型配置》） |
| 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（官方文档《模型配置》，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 |
6.2.2 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。系统在任务执行时会根据任务需求（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”。
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——善用“能力标记自动写入”功能，让系统根据模型信息自动补全标记，可显著减少手动配置错误。
6.3 模型选择策略¶
面对众多的模型，WorkBuddy 推荐采用以下 4 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。
6.4 自定义模型接入¶
为了满足不同团队的合规性、成本控制及特殊业务需求，WorkBuddy 支持强大的自定义模型管理功能。
📷 请参见产品界面：在“设置”界面的模型管理模块中，用户可通过可视化界面配置自定义模型，所有配置保存后即时生效。
6.4.1 四种接入方式¶
目前系统支持的接入方式包括以下 4 种（另有自定义 API/自定义方式等入口，以官方文档为准）： 1. 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（官方文档《模型配置》）。 2. 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。 3. 提供商接入：适合已有企业级 API 权限的用户。只需从预设的厂商列表中选择对应服务商，系统会自动填充相关的 API URL、可用模型列表及能力标记，用户仅需补全 API Key 即可。 4. Ollama 本地部署：针对对数据隐私要求极高的内网、合规性严格或完全离线的网络环境。在本地安装启动 Ollama 服务后，WorkBuddy 可直接连接本地模型，全程无需 API Key 验证。
6.4.2 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：
1. Base URL：模型 API 服务的访问地址（Ollama 本地服务为 http://127.0.0.1:11434）。
2. 模型名称：与厂商侧的模型标识保持一致，填错将无法调用。
3. API Key：服务端的鉴权凭证（Ollama 本地部署除外）。
4. 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。
配置完成后，发送一条测试消息（如“你好，请介绍一下你自己”）验证连通。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。
6.4.3 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：
1. 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。
2. 拉取模型：在终端执行 ollama pull <模型名>（如 ollama pull qwen2.5），模型将下载到本地。
3. 确认服务：Ollama 默认监听本机 11434 端口；执行 ollama list 可查看已拉取的模型列表。
4. 在 WorkBuddy 中接入：在模型管理中选择 Ollama 本地部署，填入服务地址与模型名称（无需 API Key）。
5. 测试验证：发送测试消息确认本地模型可用。
⚠️ 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。
6.4.4 接入方式选择建议¶
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；而涉及公司核心机密或敏感数据的工作空间，务必优先考虑 Ollama 本地部署方案。
6.5 积分与成本管理¶
6.5.1 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（官方文档《积分》）：不同模型单位 Token 处理单价不同，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。
6.5.2 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——它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，积分消耗通常明显高于单专家，单专家又高于纯技能调用（具体消耗以实际任务与官方《积分》说明为准）。
- 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。
6.5.3 成本优化实践¶
💡 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。 - 日常任务优先 Auto + 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。 - 开发类工作使用 Coding Plan 专属订阅，避免占用 Token Plan 的按量额度。
6.6 模型管理最佳实践与常见问题¶
6.6.1 最佳实践五条¶
💡 最佳实践： 1. 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。 2. 利用能力标记：在配置第三方模型时，善用“能力标记自动写入”功能，确保 WorkBuddy 能准确识别该模型是否支持识图、工具调用等高级特性。 3. Ollama 离线首选：对于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。 4. 灵活应用自定义协议：对于自建的内部大模型网关或非标准 URL 的服务，通过自定义 OpenAI 兼容协议进行灵活对接。 5. API Key 严格管控：将 API Key 视为最高级别的机密凭证，避免在任何非加密文档或公共代码库中明文保存。
6.6.2 常见问题排查¶
- 配置后模型无响应：按三查排查——API Key 是否有效、网络是否可达、模型名称是否与厂商标识一致。
- 模型能对话但无法识图或调用工具：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。
本章小结¶
本章系统梳理了 WorkBuddy 的模型配置体系。我们理解了标准推理与深度思考两种模式的取舍，认识了内置模型家族与能力标记机制，掌握了四类任务场景的模型选择策略，学习了 Token Plan、Coding Plan、提供商接入与 Ollama 本地部署四种自定义接入方式的配置要素与适用边界，并建立了“积分消耗三条规律 + 成本优化实践”的成本管理框架。在下一章中，我们将把这种执行能力延伸到移动端——学习助理（远程操控）机制与各渠道接入方法，让 WorkBuddy 随时随地听候调遣。
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。