HTML正在成为AI办公的新载体？WorkBuddy升级了一个关键能力
HTML也能人机协同编辑了。（雷峰网 (公众号：雷峰网) ）
作者丨李娜
编辑丨岑峰
仅仅十几秒，我就用WorkBuddy最新的功能做出了一个网页，并直接发布成了可以分享的公网链接，任何人都能访问。
这次WorkBuddy升级“资料库”之后，普通用户不需要写代码，也不用自己处理复杂部署，就能用自然语言生成、编辑和发布HTML页面。网页做出来这件事，已经变得非常简单。
但“十几秒做出一个网页”只是第一步。为了看看普通人到底能把它用到什么程度，我先从自己积累多年的书影音记录下手，做了一个可以不断扩展的网页版世界地图。
01
我做了一个书影音世界地图网站
世界很远，很多时候我们却只能困在当下的工作和琐事里。真正把人带到远方的，往往是书和电影。
（零散的书影记录） 我的阅读和观影记录散落在不同App里，零散、静态，彼此也没有什么关联。这些工具很擅长告诉我“看过什么”，却很难回答另一个问题：这些年，我究竟通过书和电影认识了一个怎样的世界？
哪些地方主要通过文学进入我的视野，哪些地方更多来自电影？世界地图上，还有哪些区域几乎从未出现过？
于是我想做一个“书影音世界地图”。
▎ 从20条书影记录开始
我在豆瓣上找到了最近几个月的阅读和观影记录，选择其中一部分让AI帮我根据截图生成了一份CSV格式的文档，其中存储的有书籍名称、电影名称等，作品也分为阅读中、阅读完成和愿望清单三种状态，AI自动识别了每本书和每部电影对应的国家，比如《Lost in Translation》自动关联到日本东京。 (为了让地图的归类标准一致，我按照作品的主要故事发生地进行标记，而不是作者或导演国籍。)
（CSV表格数据） ▎ 一张CSV表格，变成一张世界地图
将生成好的CSV文件添加到WorkBuddy的资料库中，选择执行任务，让其生成“我的书影音世界地图”的HTML网站。
很快页面就生成好了，并且可以在公网访问，我通过书和电影“抵达”过的国家会被点亮，想读、想看的地方则处在另一种状态。点击不同国家，还可以继续看到对应的作品 和城市。原本散落在CSV里的国家代码和书影记录，第一次变成了一种更直观的观察方式。
（“我的书影世界地图”HTML页面） ▎ 真正有意思的是，数据开始变化
令我觉得非常有用的一个功能是，在当前页面我也可以添加书籍或者电影，同样CSV数据表格中也会修改；如果直接在CSV数据表格中修改的话，也会直接反馈在当前的HTML页面上。比如，我新增一部发生在某个此前从未出现过的国家的电影《钢琴课》，CSV里多出一条记录，地图 上对应的国家也随之被点亮。
(页面新增数据示例) 这也是WorkBuddy这次资料库功能中的一个亮点， 当前的HTML页面挂载CSV表格中的数据，可以实现数据同步的增加删除和修改。 从这个角度看，它的用途当然不只是一张书影音地图。个人可以用它做旅行记录、阅读地图、生活工作台；小团队也可以把已有业务数据放进资料库，再生成一个可以持续更新的看板。
（生活工作台示例） 做到这一步，它和普通AI生成网页的区别才开始出现：页面并不是一次性“画”出来的结果，而是建立在一份持续变化的数据上。CSV负责保存数据和状态，HTML则把它变成人可以直接理解和操作的界面。
02
把四小时播客做成可视化网站
相比前面的书影音地图，另一个更接近日常工作的场景，是处理长文档。
现在让AI读一篇几万字的材料并不难。我们可以让它提炼要点、生成摘要，甚至整理成一份结构清楚的Markdown。但问题是， 摘要总结只是把长内容变短了，并没有真正改变我们理解信息的方式。
一份几万字的文本内容，AI可以短时间内生产出要点总结。但是最终仍然是一段线性文本，比如Coding、Tool Use和Agent的讨论原本散落在播客的不同时间段里，做成HTML后，它们可以通过索引和议题关系重新串在一起。读者不必从第一段读到最后，而可以沿着一个问题不断跳转。
▎ 四小时访谈，从Markdown变成可探索的网页
所以第二个任务，我选择了《Lex Fridman Podcast》第490期《State of AI in 2026》这期播客。整期时长超过四小时，讨论范围从大模型、Coding、Agent、Scaling Laws，一直延伸到中国AI、GPU和AGI。官方已经提供了较完整的转写文本，因此这次测试跳过语音转写，直接从长文本开始。
我先把原始的播客文本链接加入WorkBuddy资料库，让Agent根据完整内容整理出一份Markdown底稿。这里Markdown很适合作为中间层：它能把四小时的对话重新拆成主题、观点和引用，人也可以继续修改其中的结构和表述。
（WorkBuddy工作页面） 真正有意思的是下一步 ， 在这份Markdown基础上，WorkBuddy又生成了一份HTML页面。 网站重新组织了阅读入口：有整体导读，也有不同议题、争议点和索引；用户可以按照公司、模型名或者技术名搜索进入对应内容，具体观点还保留了时间信息，方便重新回到原访谈的位置。（点击这里查看这份可探索的AI访谈页面https://workbuddy.link/p/2Jr2BweTryKxziaohzjhlQ）
（“State of AI in 2026”HTML页面） 在索引界面，也可以通过不同的公司、模型名和技术名等跳转到对应的位置。
（“State of AI in 2026”HTML页面） ▎ HTML开始像在线文档一样被协同修改
WorkBuddy这次升级之后，HTML也开始像在线文档一样可以继续编辑。打开页面，我既可以直接修改文字，也可以选中一个区块交给AI调整。
我先手动改了一处表述，再让Agent修改另一个区块。AI完成修改后，我此前的人工改动仍然保留。至少在这次测试里，HTML不再只是AI生成后交付的一份成品，而开始成为人和Agent可以接力修改的同一份成果。
（“State of AI in 2026”HTML页面进行修改操作） 我又把这份HTML的协作链接发给另一位协作者。对方进入页面后，可以继续修改内容，也可以调用AI处理局部区域；这些改动会同步回我正在查看的页面。对方留下的评论，我也能直接看到并继续处理。
（我在当前界面收到协作者的评论） 这一步也让“人机双写”的范围又扩大了一层： 围绕同一份HTML工作的，不再只是一个人和一个Agent，而可以是多人和AI共同接手。 相比AI生成网页后再把文件来回传递，HTML开始拥有了一些在线文档式的协作属性。
Markdown也可以继续编辑，不过它和前面的CSV采用的是不同机制。CSV承担数据源的角色，因此数据变化可以直接反映到HTML页面；Markdown与HTML则更像内容底稿和呈现结果的关系。
这也让两种格式在实际工作中的分工更清楚：Markdown更适合整理、修改和确认内容，HTML则进一步承担展示、交互和协作的界面。
到这里，Markdown和HTML都有了。但你可能想问：Markdown不已经够好了吗？为什么还要多做一步HTML？这个问题我放在稍后说。在此之前，还有一个更现实的问题： 这些东西做完之后，会去哪？
03
真正的知识沉淀，不是把文件存下来
（电影《记忆碎片》剧照） 电影《记忆碎片》里的主人公无法形成新的长期记忆，只能靠宝丽来照片、纸条和纹身给未来的自己留下线索。过去并没有消失，名字、地址和重要判断都被保存了下来；可每一次重新开始，他仍然要判断哪些信息可信、事情进行到了哪里、下一步应该从哪里接上。
前面的测试里，我们已经把四个多小时的 Transcript 整理成 Markdown，又进一步做成了 HTML。任务似乎结束了，但如果这些成果只能留在这一次对话里，下次仍然需要重新上传、重新解释，那么所谓这个功能看起来与普通网盘的区别其实并不大。
所以我结束了原来的任务，重新建立了一个完全独立的新任务。
请基于资料库中已有的Lex #490相关资料，整理“Coding、Tool Use和Agent之间的关系”，并说明你主要采用了哪份材料。如果不同文件之间存在冲突，请告诉我你如何处理。
这一次，它主动找到了资料库里的全部相关材料，并判断主要依据为《State of AI in 2026 知识底稿 v1》，该文件经过人工修改，结构最完整。两个HTML页面属于底稿的衍生版本，暂不作为内容骨架。随后，它直接利用这份底稿完成了新的分析。
整个过程中，我没有重新上传Transcript，新的Agent已经能够从资料库里找到上一轮整理过的成果，并把它作为新任务的起点。这才是“知识沉淀”真正值得讨论的地方。硬盘和网盘早就解决了“文件还在不在”的问题，Agent时代更重要的是： 上一轮已经完成的阅读、整理、修改和判断，能不能降低下一轮工作的启动成本。
不过，严格来说，这还不能算AI真的“记住”了过去。
今年4月，香港中文大学和浙江大学的研究者发表了一篇名字很直接的论文：《Contextual Agentic Memory is a Memo, Not True Memory》。作者认为，现在常见的向量数据库、RAG、Scratchpad和上下文管理，更接近一种 外部备忘录和检索机制 ：Agent是在需要时重新检索过去的信息，而不是因为这些资料被存下来，就自动从过去的经验中完成了新的学习。
但对于办公场景来说，我们未必需要AI把每一次工作都真正“学进参数”。更现实、也更有价值的目标，是让过去已经完成的工作，在需要的时候能够被可靠地找回来。从这个角度看，WorkBuddy资料库做的事情反而更清楚了。它是在建立一套可以被下一次任务重新调用的外部工作记忆：
素材进入任务 → Agent整理 → 人修改和确认 → 成果保存回资料库 → 新任务再次调用
一次任务里的成果，不再只是这一次对话的终点，也可以成为下一次任务的输入。 这也是“知识沉淀”真正有意义的地方。过去我们理解知识库，往往是把文档分门别类地存起来；Agent加入以后，更重要的问题开始变成：昨天已经读过的材料、确认过的判断、修改过的结构，今天还需不需要重新解释一遍。
如果新的任务能够沿着已经确认过的成果继续往下走，资料库里的知识才真正有了产生复利的可能。衡量它有没有做到，其实也很简单：下一次开始工作时，我们能不能少从头来一遍。