WorkBuddy的代码能力到底行不行？Python、VBA、SQL全实测

先说结论：WorkBuddy的代码能力，在日常办公自动化场景下非常能打，达到甚至超过中级开发者的水平。但在特定专业领域，它依然需要人的判断。

下面我一项一项说实测过程和评分。

测试一：Python —— 评分 4.8 / 5

WorkBuddy对Python的支持是最好的，毕竟Python是AI最熟悉的语言。我用了三个测试用例。

### 测试1：pandas处理100万行数据

WorkBuddy生成的代码：

import pandas as pd

chunksize = 50000
results = []

for chunk in pd.read_csv('sales.csv', chunksize=chunksize):
    summary = chunk.groupby(['日期', '城市']).agg(
        销售总额=('销售额', 'sum'),
        订单数=('订单号', 'count')
    ).reset_index()
    results.append(summary)

final = pd.concat(results).groupby(['日期', '城市']).sum().reset_index()
final.to_csv('summary.csv', index=False, encoding='utf-8-sig')

实测结果：代码完全正确，用 `chunksize` 分块处理很专业，还主动用了 `utf-8-sig` 避免Excel打开CSV乱码。这个细节很多中级开发者都容易忘。耗时：从提问到拿到可用代码，不到1分钟。

### 测试2：爬虫

WorkBuddy生成的代码用了 `requests` + `BeautifulSoup`，加上了 `time.sleep(2)` 控制频率，还主动加了异常处理和请求头伪装。

实测结果：基础框架完全OK。但有一点——如果网站用了动态渲染（JavaScript加载内容），纯requests方案拿不到数据。这并不是WorkBuddy的问题，而是技术方案选择的问题。这时候你可以追问一句”如果页面是动态加载的怎么办”，WorkBuddy会建议你用 `selenium` 或 `playwright`。评分扣在这一点上：它不会主动判断页面的技术类型，需要你补充信息。

### 测试3：自动化脚本批量处理

WorkBuddy一行不多一行不少地完成任务。用了 `PyPDF2` 或 `pdfplumber` 库，配合 `os.walk` 递归遍历目录。

实测结果：完美。日常办公自动化场景，WorkBuddy是王者级别。

Python综合评分：4.8/5

测试二：VBA —— 评分 4.5 / 5

VBA是Excel重度用户离不开的语言。我拿三个实际需求测试。

### 测试1：Excel宏自动生成报表

Sub GenerateMonthlyReport()
    Dim ws As Worksheet
    Dim chartObj As ChartObject
    Dim dataRange As Range
    Dim wsName As String
    
    wsName = InputBox("请输入月份（格式：YYYY-MM）：")
    ' 代码继续...

实测结果：代码结构清晰，包含用户交互、数据筛选和图表生成。WorkBuddy还附带了详细的注释说明每个模块的作用。对VBA不熟的人也能读懂。

### 测试2：批量操作工作表

WorkBuddy生成的代码用了 `Selection.SpecialCells(xlCellTypeBlanks)` 来定位空白单元格，配合 `FormulaR1C1` 实现向上填充——这是VBA里处理空白填充的标准做法。

### 测试3：发送邮件

实测结果：WorkBuddy很熟练，引用了 `Microsoft Outlook Object Library`，代码可以直接跑。唯一的问题是：如果你的Outlook版本和WorkBuddy假定的版本不一样，可能需要手动调整一下引用。这点扣0.5分。

VBA综合评分：4.5/5

测试三：SQL —— 评分 4.7 / 5

我扔了几个从简单到变态的SQL查询。

### 测试1：基础查询

SELECT 
    u.user_id,
    u.user_name,
    COUNT(o.order_id) AS order_count,
    SUM(o.amount) AS total_spent
FROM users u
INNER JOIN orders o ON u.user_id = o.user_id
WHERE o.order_date >= DATE_SUB(CURDATE(), INTERVAL 30 DAY)
GROUP BY u.user_id, u.user_name
HAVING COUNT(o.order_id) >= 3
ORDER BY total_spent DESC;

实测结果：标准答案级别的SQL，语法准确，用了 `DATE_SUB` 处理日期计算，`HAVING` 做分组后过滤，完全正确。

### 测试2：复杂多表JOIN

WorkBuddy给出了完整的多表JOIN查询，逻辑正确，还用子查询来处理平均库存计算。这个难度已经超过大部分数据分析师日常会遇到的水平了。

### 测试3：SQL优化

WorkBuddy指出问题所在——在 `DATE()` 函数包裹的列上做条件过滤会导致索引失效。它给出了优化方案：

SELECT * FROM orders 
WHERE order_date >= '2026-07-01 00:00:00' 
  AND order_date < '2026-07-02 00:00:00'

实测结果：能识别出典型的SQL性能陷阱并给出正确优化方案。扣分点：它不会自动知道你的表结构和索引情况，需要你主动提供上下文。

SQL综合评分：4.7/5

测试四：Shell脚本 —— 评分 4.3 / 5

### 测试1：批量文件操作

WorkBuddy生成了包含 `forfiles` 和 `tar` 命令的脚本。对于Windows批处理，它表现得不错。

### 测试2：跨平台兼容

WorkBuddy生成的 `bash` 脚本用了 `find` 配合 `-mtime +30` 参数，然后用 `gzip` 压缩。

实测结果：Shell脚本方面WorkBuddy能力扎实，但存在一个小问题——它有时默认用Linux语法，Windows用户需要额外提示才会切换到PowerShell或cmd格式。建议：提问时直接说明你的操作系统。

Shell综合评分：4.3/5

测试五：代码调试 —— 评分 4.9 / 5

这部分是WorkBuddy真正让我惊艳的地方。我刻意制造了几个bug：

# 原始写法（很慢）——WorkBuddy指出问题
result = []
for i in range(len(df)):
    if df['amount'][i] > 1000:
        result.append(df['customer'][i])

# WorkBuddy优化后（快100倍）
result = df[df['amount'] > 1000]['customer'].tolist()

调试评分：4.9/5 —— 唯一扣的0.1分是因为它不会主动审查你的代码，需要你”发现有问题”了再问它。

最终结论

| 语言/能力 | 评分 | 最适合的场景 |

|———–|——|————-|

| Python | 4.8 | 数据分析、自动化脚本、爬虫 |

| VBA | 4.5 | Excel宏、报表自动化 |

| SQL | 4.7 | 数据查询、报表取数 |

| Shell | 4.3 | 文件批量操作、运维任务 |

| 代码调试 | 4.9 | 修复报错、代码优化 |

WorkBuddy最强的三个场景：

仍需人工介入的场景：

明天我跟你分享一个真实的办公案例——市场部的同事用WorkBuddy写了一整套数据看板，CTO看到后都主动来问是怎么做的。这种实战案例最有参考价值。

四个语言加调试一轮测下来，WorkBuddy在办公自动化和代码修复上确实能打，专业架构和安全代码还是得人把关。我比较好奇：你关注AI写代码的能力时，最关心的是「能不能一次写对」、「调试报错的本事」，还是「覆盖多少种语言」？你最在意哪一点，评论区聊聊，我后面可以挑一个语言做更狠的实测。觉得有用，点个「在看」，让更多被代码挡在门外的人看到。转发给也在纠结要不要用AI帮忙写代码的同事，这篇能帮他下决心。

#WorkBuddy #AI办公 #效率工具