本文记录一个完全不懂代码的行政人员，如何用WorkBuddy完成一张复杂的三人轮班表排班，包括规则建模、自动生成、多版本校验，以及踩过的坑。

标签：#WorkBuddy# #排班表 #AI办公 #自动化

---

一、背景：为什么排班表是个麻烦事

我负责一张三人轮班表的排班工作，包含白班、夜班、休息三种状态。看似简单，但规则一叠加就很复杂。

人员分工如下：

• 甲：只上白班
• 乙：只上夜班
• 丙：白班夜班都上，负责“填空”

硬规则（不可违反）：

• 甲只白班，丙只夜班（角色固定）
• 周末白班不超过1人
• 夜班永远不双人
• 每天白班、夜班必须有人
• 每人每月精确休N天（不是“至少”N天，是“恰好”N天）
• 夜班转白班必须隔一个休息日（白转夜可以不休息）

规律（尽量满足，可打破）：

• 甲的休息日尽量落周末
• 丙一般两连休
• 乙转班即休
• 连续上班不超过6天

以前纯手工排，一张月排班表要反复改三四遍才能过校验。耗时2-3小时，还经常漏掉某条规则。

---

二、第一次尝试：直接让AI排

最开始，我直接把规则甩给WorkBuddy，说“帮我排8月的班”。

结果确实排出来了，但一校验就发现问题。比如夜班出现了双人，休息天数也对不上。

原因很简单。我把规则一股脑丢过去，AI虽然“看完了”，但生成时并没有逐条校验，而是凭“大致理解”去排。

这就像你给新同事一份规章制度让他干活。他看了，但执行时还是会漏掉几条。

---

三、正确做法：分步走——先建模，再生成，后校验

第一步：让AI先理清规则

我没有急着排班，而是先让AI把规则列成清单，确认它理解对了。

代码语言：ja vascript

复制

请把以下排班规则整理成结构化清单，逐条列出，并标注哪些是硬规则（不可违反），哪些是软规律（尽量满足）：[粘贴所有规则]

AI返回了一张清晰的规则表。我逐条核对后，发现它把“每人精确休N天”理解成了“至少休N天”。

我纠正后，它更新了理解。这一步很关键。

第二步：让AI写一个排班脚本

关键来了。不要让AI“凭脑子排”，而是让它写一个Python脚本来排。

脚本的好处是：

• 规则写死在代码里
• 每次生成都严格遵循
• 还能自动校验

代码语言：ja vascript

复制

按上面的规则清单，直接写一个Python脚本，要求很明确：1. 输入项包括年月，以及每个人应休天数N；2. 输出结果是一张完整的排班表，格式为Excel；3. 脚本里还必须带上校验逻辑，生成之后能自动检查所有硬性规则是否都满足

WorkBuddy随后直接给出了一份可以运行的脚本，并且把Excel文件也一并生成出来了。

排班表完整内容

第三步：校验结果

脚本生成的排班表自带校验功能，运行后会输出：

代码语言：ja vascript

复制

=== 规则校验 === 规则1：甲只白班 - 通过 规则2：周末白班≤1人 - 通过 规则3：夜班不双人 - 通过 规则4：每天白夜班有人 - 通过 规则5：每人休9天 - 甲9天/丙9天/乙9天 - 通过 规则6：夜转白隔休 - 通过=== 全部通过 ===

如果有哪条规则没通过，脚本也不会只给一个笼统结果。

它会直接指出具体是哪一天出了问题。这样排查和修改都更有方向，效率也高得多。

校验脚本输出

---

四、进阶：不同月份的适配

8月排完后，9月的周末天数不同。8月有10个周末日，9月只有8个，因此规则⑤“每人精确休9天”的处理方式也要调整。

• 8月（周末≥9天）：甲全休周末，多出的1个周末日上班
• 9月（周末<9天）：甲全休周末不够9天，从工作日补1天休

这种差异如果手工排，很容易忽略。

但因为是脚本生成，只需要改一下参数，脚本就会自动适配。

最终完成了8月（9天版 8天版）、9月（9天版）三张表，全部零违规。

三张排班表数据对比表

---

五、踩过的坑

坑1：AI“断章取义”

对话太长时，AI对后半段信息的关注度会下降。

有一次我把规则分两段发，后半段的“精确休9天”被忽略了，结果排出来每人休了10-11天。

解决办法：

• 重要规则放最前面
• 或者让AI先复述确认

坑2：长对话崩溃

排班任务涉及大量Excel读取、脚本执行、校验输出。对话累积到一定长度后，WorkBuddy直接崩溃了。

而且崩溃后重启不了。因为进程没退出干净，必须重启电脑。

后来查了本地崩溃日志，路径：~/.workbuddy/logs/Crash-Log/。

发现是Electron框架的IPC序列化bug（An object could not be cloned），跟任务难度无关，是软件本身的问题。

解决办法：

• 把大任务拆成小任务（“排8月”拆成“建规则模型”→“生成脚本”→“校验”三个独立任务）
• 每个小任务做完后，让AI把进度写进记忆文件，下个任务直接接上
• 备了一个崩溃恢复脚本，不用重启电脑

坑3：模型选择影响质量

复杂排班任务用默认模型，排出来总会有几个小错误。

切换到更强的模型后，一次通过的率明显提高。简单任务用轻量模型就行，省积分。

---

六、最终效果

项目	以前手工排	现在用AI
耗时	2-3小时/月	15-20分钟/月
错误率	经常漏规则	零违规
改月份	重新排一遍	改个参数重新跑
多版本	另排一遍	改N值重新生成

最大的收获不是省了多少时间，而是校验不再靠人眼。

以前排完后，总要反复检查“夜班有没有双人”“休息天数对不对”。现在脚本自动校验，过了就是过了，心里更踏实。

---

七、给非程序员的建议

• 不用懂代码。你只需要把规则说清楚，WorkBuddy会写脚本、跑脚本、生成文件，你只看结果对不对。
• 先确认理解，再执行。让AI先复述你的需求，确认无误再让它干活，能省掉80%的返工。
• 大任务拆小。一个任务别聊太久，拆成几个小任务用记忆文件串起来，既省积分又防崩溃。
• 重要文件留备份。AI生成的文件路径记下来，别等对话丢了找不到。

---

本文为个人使用经验分享，非商业推广。WorkBuddy是腾讯出品的AI办公工作台，官网：https://www.codebuddy.cn/work/