WorkBuddy × ima 为什么好用？从 RAG 到 Agent，看懂热门 AI 办公组合背后的逻辑

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 LLM+RAG、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

【第二部分：大模型应用开发基础】9. RAG是什么，它与 Agent 有什么关系