BitFun CoWork：把 AI Agent 带到日常办公场景

引言：从“工具”到“同事”的进化如果你和我一样，每天被钉钉、飞书、邮件、Excel、Slack 轮番轰炸，你一定幻想过：要是有个“小助手”能帮我自动处理这些杂事就好了。过去，我们只能靠“宏”、“RPA”或者“Zapier”实现简单的自动化，但它们像机器人一样死板——你必须事无巨细地告诉它每一步怎么做。现在，有了 AI Agent（智能体），情况变了。Agent 不再是“执行你指令的脚本”，而是能理解上下文、主动推理、调用工具的“虚拟同事”。今天我们要聊的 BitFun CoWork 就是一个把 AI Agent 落地到日常办公场景的框架。它像乐高一样，让你用 Python 代码快速搭建一个会思考、能行动的办公助手。## 什么是 BitFun CoWork？简单来说，BitFun CoWork 是一个 轻量级的 Agent 编排框架，专门针对办公场景做了优化。它内置了：- 与常见办公系统（飞书、钉钉、企业微信、邮件）的对接- 一个轻量级的 Agent 运行时（基于 LLM + 工具调用）- 可扩展的“技能”插件系统（比如：查天气、写周报、整理 Excel、发送消息）你不需要从零实现 Agent 的“思考-行动-观察”循环，BitFun 已经帮你封装好了。你只需要定义 Agent 的“技能”和“触发条件”，它就能像一个真正的同事一样工作。## 核心概念：Agent、技能、触发器在 BitFun CoWork 中，三个核心概念：1. Agent：一个智能体实例，拥有自己的“大脑”（LLM）和“工具箱”（技能）。你可以创建多个 Agent，比如“客服小A”、“数据助手小B”。2. 技能（Skill）：一个可被 Agent 调用的函数或 API。比如“发送飞书消息”、“查询数据库”、“生成 PDF”。3. 触发器（Trigger）：触发 Agent 工作的条件。比如“收到新的飞书消息”、“每天上午9点”、“某个邮箱收到新邮件”。## 动手实践：搭建一个“飞书群聊助手”下面我们通过两个代码示例，看看如何用 BitFun CoWork 搭建一个能响应飞书群聊的 Agent。### 示例1：一个能查天气的飞书 Agent我们先创建一个最简单的 Agent：当用户在飞书群里说“@助手 北京天气怎么样”，Agent 会自动查询天气并回复。python# 导入 BitFun CoWork 的核心模块from bitfun_cowork import Agent, Skill, Triggerfrom bitfun_cowork.skills import WeatherSkill # 内置天气技能from bitfun_cowork.adapters import FeishuAdapter # 飞书适配器# 第一步：创建一个 Agent，给它取个名字weather_agent = Agent( name="天气助手", # 用哪个大模型？这里用 OpenAI 兼容的 API llm_config={ "model": "gpt-4o-mini", "api_key": "your-api-key", # 换成你的 "base_url": "https://api.openai.com/v1" })# 第二步：给 Agent 安装“技能”——查天气weather_skill = WeatherSkill() # 这个技能已经封装好了，会自动调用天气 APIweather_agent.add_skill(weather_skill)# 第三步：设置触发器——当飞书群里有人 @它feishu = FeishuAdapter( app_id="cli_xxx", app_secret="your-secret")trigger = Trigger( type="feishu_message", # 飞书消息触发 adapter=feishu, # 过滤条件：只在 @Agent 时触发 filters=[lambda msg: msg.mention_agent(weather_agent.name)])# 第四步：绑定 Agent 和触发器weather_agent.bind_trigger(trigger)# 第五步：启动！Agent 开始监听飞书群聊weather_agent.run()print("✅ 天气助手已上线，去飞书群里 @它试试！")这段代码做了什么？- 我们创建了一个 Agent，给它装上了“查天气”的技能- 通过飞书适配器，它能够监听群消息- 当有人 @它 时，Agent 会自动解析消息中的城市名，调用天气 API，然后回复你可能会问：“Agent 怎么知道要调用天气技能？” 这就是 LLM 的功劳。BitFun 内部会把用户消息和技能描述一起发给 LLM，让 LLM 决定调用哪个技能、传什么参数。这比传统的 if-else 灵活多了。### 示例2：一个能自动整理周报的 Agent第二个例子更贴近真实办公：每周五下午5点，自动从数据库中拉取本周数据，生成 Excel 周报，然后发送到飞书群。pythonfrom bitfun_cowork import Agent, Skill, Triggerfrom bitfun_cowork.skills import DatabaseQuerySkill, ExcelReportSkill, FeishuSendSkillfrom datetime import datetime, timedelta# 创建 Agentreport_agent = Agent( name="周报助手", llm_config={ "model": "claude-3-haiku", # 也可以用其他模型 "api_key": "your-another-key" })# 定义三个技能# 技能1：查询数据库db_skill = DatabaseQuerySkill( connection_string="postgresql://user:pass@localhost/mydb")# 技能2：生成 Excel 报告（这是一个自定义技能）class WeeklyReportSkill(Skill): """把数据变成漂亮的周报 Excel""" def __init__(self): super().__init__( name="generate_weekly_report", description="根据数据生成周报 Excel 文件，返回文件路径" ) def execute(self, data: list, report_name: str = "周报") -> str: import pandas as pd df = pd.DataFrame(data) file_path = f"{report_name}_{datetime.now().strftime('%Y%m%d')}.xlsx" df.to_excel(file_path, index=False, engine='openpyxl') return file_path# 技能3：发送飞书消息（带文件）send_skill = FeishuSendSkill( webhook_url="https://open.feishu.cn/open-apis/bot/v2/hook/xxx")# 把技能注册到 Agentreport_agent.add_skill(db_skill)report_agent.add_skill(WeeklyReportSkill())report_agent.add_skill(send_skill)# 设置触发器：每周五 17:00trigger = Trigger( type="cron", cron_expression="0 17 * * 5", # cron 表达式：每周五 17:00 timezone="Asia/Shanghai")# 定义 Agent 的工作流程（通过 Prompt 告诉它）report_agent.set_instruction("""你的任务：每周五下午5点，自动执行以下步骤：1. 调用 DatabaseQuerySkill 查询本周（周一~周五）的销售数据，SQL 如下： SELECT * FROM sales WHERE date >= '本周一日期' AND date <= '本周五日期'2. 把查询结果传给 WeeklyReportSkill 生成 Excel 文件3. 调用 FeishuSendSkill 把 Excel 文件发送到指定的飞书群4. 如果出错，尝试重试一次，并记录错误日志注意：本周一日期 = 当前日期 - 当前星期几 + 1""")report_agent.bind_trigger(trigger)report_agent.run()print("✅ 周报助手已启动，每周五会自动生成并发送周报！")这段代码的精妙之处：- 我们定义了一个自定义技能 WeeklyReportSkill，它继承自 Skill 基类，实现了 execute 方法- Agent 的“大脑”（LLM）会根据我们写的指令，自动决定调用技能的顺序和参数- 触发器用了 cron 表达式，这是定时任务的经典方案- 即使没有用户主动触发，Agent 也会在指定时间自动工作## 实战中的坑与技巧作为资深博主，我得提醒你几个实战中容易踩的坑：1. LLM 的幻觉问题：Agent 可能自己编造技能参数。解决方案：在技能描述中尽可能详细地写清楚参数格式，比如“参数 city 必须是中文城市名，如’北京’”。2. 权限控制：Agent 能调用数据库？这很危险。建议给 Agent 一个只读的数据库账号，或者限制它只能查询特定表。3. 错误处理：如果天气 API 挂了，Agent 可能会卡住。在技能里加 try-except，返回友好的错误消息。4. 性能：Agent 每次推理都要调 LLM，可能慢。可以用缓存机制，或者用更快的模型（如 GPT-4o-mini）。## 总结：Agent 不是魔法，而是新生产力BitFun CoWork 让我看到了 AI Agent 在办公场景的落地可能。它不是一个“万能机器人”，而是一个可编程、可扩展的智能助手框架。你不需要成为 AI 专家，只要会写 Python，就能把你的办公流程变成由 Agent 驱动的自动化流水线。从这个例子中，你会发现一个趋势：未来的办公软件不再是“人找功能”，而是“功能找人”。Agent 会主动感知你的需求，调用合适的工具，把你从重复劳动中解放出来。所以，别再满足于手动点 Excel 和复制粘贴了。花一小时学学 BitFun CoWork，把你的日常办公“交给”一个永远不会累的 AI 同事吧。毕竟，时间应该花在创造上，而不是消耗在重复里。