我用WorkBuddy整理文件：踩坑+复盘+心得

大家好，我是冷逸。

昨天不是给大家开源了一个手机看电影的嘛，现在跨屏播放设备有了，那片源呢？我打开电脑一看，这文件命名和分类，看着就脑壳疼。

每次想找部片子看，都像在考古现场刨坑。

于是我昨晚下定决心好好收拾它，在WorkBuddy接GLM-5.3模型，一直跑到凌晨两点多。

顺带我也想做个测试：WorkBuddy、豆包工作、千问办公、百度搭子、Kimi Work、纳米Work、Codex这类桌面Agent，做文件整理到底能整理到什么程度？这次如果靠谱了，后面我能不能把整个C盘都交给它？

这中间，有很多有意思的地方，今天特地来跟大家分享。这篇是我的全程复盘，有踩坑，有真香，也有我自己的一点心得。

过程复盘

1）从零开头干

开工第一步，是我给它下需求。

我没写太复杂的要求，就几句大白话：所有文件名改成规范的中文剧名或电影名；改完初步分成电影、电视剧、纪录片三类，各建一个子文件夹；把文件夹里的无关文件全删掉；遇到一部剧散在好几个文件夹的，把单集提出来合到一起。

我本来以为它会咔咔一顿乱改。结果很稳，没急着动手，而是先把整个文件夹扫描一遍，给我出了一份文件概览：一共102个文件夹、约400个文件，电影约75部，电视剧8部，各类垃圾上百个，还有6个下了一半的残档占了22GB，另外揪出好几个重复版本。

然后它停下来，让我确认三个关键决策：重复版本留哪个、没下完的删不删、垃圾清到什么程度。

这是我学到的第一个心得，也是最重要的一个：别让AI上来就动手，先让它扫描出方案给你确认。因为一旦文件被改被删，再想找回来就麻烦了。先摸底、报方案、再动手，这个顺序才安全。

方案我同意后，它才开始干活。

它先把整个整理逻辑写成了一个Python脚本，改名映射、分类归档、回收站删除这些核心动作全在里面。关键是，正式执行前它先自己演练一遍，不碰任何真文件，只把计划完整跑一遍给我看。

这一跑，就把四个隐藏的误判全炸了出来：28个顶层的剧集散文件被错当成垃圾，两部双语电影的文件夹前缀对不上，还有特殊命名和年份没识别对。要不是演练，这些错误就直接落到真文件上了。

批量动几百个文件，最怕一把梭哈。它先把后果推演给你看，这很让人放心。

修完再演练，223个视频全部匹配归类，0冲突。

正式执行很快完事，最终224个视频成功改名、归类，175项垃圾和空文件夹清理，还释放了23GB的磁盘空间。

它还顺手生成了一份HTML对照报告，每个文件从哪来到哪去，全程可查。

改完后的目录一看，清爽多了。

所有被删的东西，我还专门跑去回收站瞄了一眼，完好无损，心里更踏实了。

2）沉淀成规则

整理完E盘，我没让它歇着，而是让它把经验沉淀成一份“整理规则.md”。

最近跟我线下见过面的朋友，我都会反复念叨一句：“AI时代，上下文很重要，一定要有意识地积累和沉淀自己的上下文。”

沉淀方式也很简单，直接让AI整理成Markdown文件就行，不一定非得做成Skill，普通的md文件就够用。

我又让它自己提优化建议，它一口气列了十多条，什么外挂字幕要跟视频同名、执行后三重验证、拿不准的片名必须联网查证不许瞎猜。

我从里面挑了七条改进去，规则就这么迭代到了第三版。

对这次任务，这份“整理规则.md”是我收获最有价值的上下文。后面再有类似的整理需求，基本只要轻微改改规则，就能套到新任务上。

3）批量跨盘整理

有了这份“整理规则.md”和Python脚本，后面其他硬盘就非常轻松了，提示词都不需要我输，直接说：按“整理规则.md”的要求，整理本文件夹。

它读完规则，扫描、联网查证、出方案、演练、执行、对照，全自动跑完。

换到别的盘，依旧稳定执行，我再也不用为过程和安全提心吊胆。

看着这自动整理过程，真是赏心悦目，一百多份文件不到一分钟全部搞定。

几盘整理下来，我最大的感受是，用Agent干活的姿势很重要。

它确实很全能，关键也得看掌舵的人，是你决定带着它驶向何方。

别把它当许愿池，许个愿就等天上掉结果；要把它当一个靠谱的同事，你给方向，它给方案，你们对齐了再一起推进。

尤其是整理电脑文件，有三点我觉得特别重要。

第一，让AI批量动文件，先演练再执行是铁律，这样能提前把隐藏问题挖出来。第二，删除只进回收站，执行后拿实际状态对照检查。第三，也是最重要的一条：别只让AI干活，要让它把干活的规矩写下来。

规则一旦沉淀成上下文，你的劳动就从一次性变成来无限复用。换盘、换电脑、换场景，一句话就能调起整套流程。

如果你也有几个臃肿不堪的文件夹，不妨试试这个玩法。先发需求，再让它沉淀规则，然后你就能体验一句话整理一块硬盘的快乐了。