之前我曾使用 DeepSeek Harness 搭建过一套自媒体创作工作台。当时搭建那套界面的核心初衷，是希望把零散在本地目录里的视频脚本和草稿组织起来，用可视化的方式推进选题，并让 Agent 协助管理任务排期。
但在实际使用了一段时间之后，我没有继续在这套专用工作台上耗费精力，而是把整个创作和选题管理迁移到了 Codex 搭配飞书 CLI 的组合上。
放弃自己定制工作台主要有两点考虑。首先是工作入口的统一：我的大部分日常工程和代码开发都在 Codex 里面完成，如果单独开一个 DeepSeek Harness 处理自媒体，每天都需要在不同工具之间来回切换。其次是复杂长链条任务的稳定性：虽然生图、生成字幕这类被封装为单一脚本的任务，较弱的模型也能完成，但在遇到字幕微调、临时更改发布标签等需要联系上下文前后调整的场景时，GPT 模型的处理精度和稳定性明显更高。
回归到我最初的真实需求，我只是需要一个能直观呈现选题状态的看板：冒出灵感时迅速记录标题，随时补充大纲、脚本和参考链接，并排定发布日期。而飞书多维表格配合飞书 CLI，恰好能够完整覆盖这些诉求，还省去了自己维护界面的麻烦。
飞书 CLI 的配置与项目级意图路由
飞书 CLI 的安装流程非常标准化。在飞书 CLI 官网选择通过 AI Agent 安装，把对应的指令复制给 Agent，即可在本地环境中完成安装与身份授权。
安装完成后，在 Agent 会话中输入 /lark，就能看到一系列已经封装好的飞书 Skill。通过这些子命令，Agent 能够直接操作飞书日历、云文档以及多维表格等各项资产。
在我的日常使用中，多维表格和云文档是使用最频繁的两个模块。在我的本地环境里，维护着一个名为 oil-social-media 的目录，里面包含一个专门为这个项目编写的 Skill，名为 lark-oil-media。
这个 Skill 的核心作用是提供明确的「意图路由」，告诉 AI Agent 我的多维表格结构是如何规划的。这样一来，当我在对话框里要求「新增一个关于模型对比的选题」时，Agent 不需要先去搜索整个工作区或遍历表格字段，而是直接读取 Skill 中配置好的表格 ID 与字段映射，准确写入对应的数据行。
此外，飞书本身具备完整的 Web 端。在 Codex 的内置浏览器或侧边栏里，可以直接固定对应的飞书表格。当让 Agent 批量更新选题进度时，侧边栏能够实时渲染出修改后的多维表格，我自己也可以随时在侧边栏手动拖拽卡片，整个双向操作非常流畅。
为什么多维表格比自己开发前端系统更划算
在我的飞书多维表格中，主要配置了 3 个核心视图：表格视图、日历视图和看板视图。这三种视图结合起来，几乎覆盖了个人工作台的所有场景。同时，飞书自带的数据看板还支持将发布记录汇总成折线图和指标卡。除了管理视频选题，日常其他零散的待办事项也可以统一放在这里排期。
相比自己从零手写前端工作台，直接复用多维表格有几个压倒性的优势：
第一是开发成本极低。如果自己从头写一套支持富文本编辑、日历联动和看板拖拽的前端系统，需要投入大量的工程时间来调试组件兼容性。而在飞书里，基于已有字段新建一个看板视图只需要点击几次鼠标，布局和交互细节都是现成的。
第二是数据结构的演进成本。如果是自建系统，每当业务逻辑发生变化——例如需要新增一个「审核状态」单选框，或者给选题补充一个「关联链接」字段——除了修改底层数据格式，还得去同步改写前端界面的组件代码。而在多维表格里，随时可以在列菜单中增删字段，并且对既有数据没有任何破坏。
一个理想的个人工作台，应该同时兼顾「人」的交互体验和「Agent」的调用便利。让 Agent 读写数据只需要一套 CLI；但让人使用起来舒适顺手，需要极其扎实的前端交互打磨。飞书的表格与文档组件本身就是为了多人协作设计的，成熟度非常高，完全没必要自己重复造轮子。
跨 Agent 通用性与移动端协同
飞书 CLI 是一个标准的命令行工具，并没有与任何特定的人工智能编辑器产生绑定。无论是在 Codex、DeepSeek Harness，还是在 Cursor 或其他支持终端调用与 Skill 安装的开发环境里，都可以复用这套飞书 CLI 命令。即便未来切换到新的编程客户端，整套工作台的数据与路由规则也可以平滑迁移。
在实际的创作流程中，很多动作可以自然地串联在一起。例如在制作演示文稿时，可以让 Agent 直接从多维表格里提取对应选题的大纲，由 Codex 编写成 HTML 演示文稿；文稿生成后，Agent 再调用飞书命令把生成的 HTML 代码挂载进对应的云文档中，录制好的成品文件也可以一并归档。
更重要的一点是跨设备同步。飞书的所有数据天然保存在云端。在通勤或者外出时，如果突然有了新选题的灵感，可以直接在手机 App 里点击加号写入记录。
飞书移动端内置的豆包助手也支持读取工作区内的文档与表格。在户外不方便敲键盘的时候，可以直接通过语音让移动端助手检索某个选题的参考资料或者补充大纲，记录体验非常轻便。
从个人工作台演进为 Agent 云端知识库
飞书的个人版功能目前对个人用户完全免费。如果仅仅把它当作排期记录板，其实低估了它的价值。
更合理的定位，是把飞书当作多个 AI Agent 之间的云端中枢知识库。
当我们给不同设备上的本地 Agent 都配置了飞书 CLI 之后，实际上就为本地模型补齐了云端持久化的能力。本地 Agent 不再局限于某台电脑的硬盘目录，它们可以直接把处理完毕的文档、配置和任务状态沉淀到飞书云端；无论换到哪台设备工作，接手的 Agent 都能通过 CLI 读取到最新的上下文，成为人与 Agent 之间长期共享的工作中台。