WorkBuddy 用了两个多月，我想通了它和游戏世界模型是同一套思路

凌晨三点改策划案，刷到 Matrix-Game 4.0 发布的消息。昆仑万维这次把游戏世界模型塞进了单张 RTX 5090，480p 下 60 FPS，按键到画面响应小于 0.15 秒。技术描述里有一句话我盯着看了很久。

给视频模型套上 Harness，由游戏引擎维护世界状态和规则，视频模型负责生成画面。

看完我没激动，反而有点恍惚。因为这个结构我太熟了，WorkBuddy 差不多就是这个路子。

先把 Matrix-Game 这条线捋一下。1.0 是概念验证，2.0 在单卡 B100 上做到 720p 25 FPS，还开了源，3.0 靠 5B 蒸馏模型在 720p 下跑到 40 FPS，顺带补上长时记忆的坑。到 4.0，画质其实退到 480p 了，但把延迟压到 0.15 秒以内，游戏代码也一起放出来。

它做的关键取舍，是不再让模型同时负责「记得世界长什么样」和「画出下一帧」。前者交给引擎，确定性的、可查询的；后者交给视频模型，概率性的、允许有噪声的。两件事分家，各自干自己擅长的。

我这边用 WorkBuddy 两个多月，摸出来的核心结论几乎是同一句话。

散乱的策划信息进来，最怕的就是让 AI 一边记状态一边产出。我早期踩的坑全在这儿。一次把十几份文档喂进去，让它归类、提取字段、再生成汇总表，结果它前面记住的字段后面就丢了。原因是任务并发起来之后上下文被截断，跟识别能力没关系。

后来我改了做法。先定 Schema，字段、类型、来源全部写死在全局规则里，AI 只负责往格子里填。它不负责记住世界，只负责画出这一帧。准确率肉眼可见地上去。

这个道理说出来平平无奇，但真到落地的时候，绝大多数人第一反应还是把所有需求打包成一段话，一次说完。

具体讲一个场景。我们组每周要过一轮竞品观察，来源是各渠道的文章链接、截图，还有同事在群里丢的半句话。以前是我手动整理成表，一个下午。

现在拆成三段。采集段把链接和截图丢进固定文件夹，命名规则固定，WorkBuddy 按规则抓；契约段在飞书表格里预先建好字段，标题、来源、玩法关键词、可借鉴点、优先级，五个字段，类型锁死；生成段 WorkBuddy 只做填充和去重，输出直接落成表格行。

这里有个细节。我一开始把规则写在对话里，每开一个新对话就得重新交代一遍，烦得不行。后来挪到全局层面，相当于给自己挂了个被动技能，不用每次重新施法。

我这边测下来，同样一批大约二十条素材，从原来的一个下午压到四十分钟左右。快的原因是我不用来回改格式了，返工才是真正的时间黑洞。

坑也有。截图里有手写批注的，识别会漏，大概十条里有一两条要手动补。还有一次我把三个任务丢进去同时跑，出来的表格字段全错位，看着像样，其实全是废的。改成串行之后稳定很多。

所以我的判断很明确。这不是一个你随便说、它随便懂的工具，它是一台需要你先立规矩的机器。规矩立住了它很稳，规矩不立，它能给你造出一堆看起来很漂亮、但字段全错位的表，那种返工比从零做还难受。

它适合已经把流程想清楚、愿意先花半小时定字段的人。策划、运营、做竞品跟踪的，这类人手里本来就有重复的整理动作，一旦契约立住，收益是复利，今天立一次，往后每周都省。反过来，想用一句话解决模糊需求的人就别指望它了。你自己都没想清楚要什么字段、什么粒度，WorkBuddy 只会把你的模糊原样放大成一张漂亮的空表。

回到 Matrix-Game。它把世界状态交给引擎、把画面交给模型，是因为它想明白了哪部分该确定性、哪部分该生成。WorkBuddy 是一样的取舍，只不过它的「引擎」是你自己写的那份 Schema。

之前我在一篇讲资产整理的帖子里提过，跨工具先定契约再让 AI 填。当时还只是经验。现在看到游戏世界模型也在走同一条路，我算是彻底服气了。

凌晨三点四十，策划案还差最后一页。