WorkBuddy 实操：零代码搞定气象数据处理全流程——从ERA5下载到可视化出图

作为一名公共气象服务领域的研发工程师，我的日常工作涉及大量气象数据处理：从ERA5再分析数据下载、CDO格式转换、到Python可视化出图。以前这套流程需要在多个工具间来回切换，直到我开始用 WorkBuddy——一个对话就能串起整个链条，效率提升不止一档。

本文将分享我用 WorkBuddy 完成气象数据处理的三个实战案例，附完整指令和踩坑经验。

案例一：ERA5 数据自动下载与格式化

需求：从 CDS API 下载指定区域的 ERA5 再分析数据（温度、降水），并转换为 NetCDF 标准格式。

WorkBuddy 指令：

帮我写一个 Python 脚本，通过 CDS API 下载 2024 年 7 月中国区域（经度 70-140，纬度 15-55）的 ERA5 逐小时 2m 温度数据，保存为 NetCDF 格式。需要包含异常重试和进度提示。

WorkBuddy 做了什么：

1. 自动生成了完整的 cdsapi 调用代码，包括正确的变量名映射

2. 内置了 API 限流重试逻辑

3. 输出文件自动添加时间戳命名，避免覆盖

4. 运行时实时打印下载进度

实际效果：过去需要翻文档、查变量名、手写重试逻辑，现在 30 秒生成、1 分钟跑通。

案例二：CDO 批量处理 + Python 可视化

需求：对下载的 NetCDF 文件进行月平均计算，用 cartopy + matplotlib 绘制空间分布图，叠加中国国界。

WorkBuddy 指令：

读取当前目录所有 .nc 文件，用 CDO 计算月平均，然后用 Python 的 cartopy 绘制 2m 温度空间分布图，叠加中国省界 shapefile，使用红蓝色带，添加经纬度标注，输出 300dpi 的 PNG。

踩坑记录：第一次运行时 cartopy 的 `china_province.shp` 路径不对，WorkBuddy 自动检测到报错后，主动建议了三种定位 shapefile 文件的方法，最终用 `glob` 递归搜索解决了问题。这就是 AI Agent 比静态代码生成强的地方——它会根据实际报错调整方案。

案例三：多站点数据批量提取 + 指数计算

需求：从格点数据中提取全国 2000+ 站点的温度值，计算穿衣指数、感冒指数。

WorkBuddy 指令：

> 我有一个 CSV 文件包含 2000 个站点的经纬度（列名：station_id, lat, lon），一个 NetCDF 格点文件。请写脚本：1）用最近邻插值提取每个站点的温度值；2）根据温度阈值计算穿衣指数（1-8级）；3）输出到新的 CSV，包含站点ID、温度、指数等级、指数描述。

关键技术点：

- WorkBuddy 正确选择了 `scipy.interpolate.NearestNDInterpolator` 而非暴力双重循环

- 自动处理了经纬度的维度顺序问题（ERA5 的 lat 是降序的）

- 穿衣指数分级逻辑用字典映射，清晰可维护

- 输出 CSV 带 UTF-8 BOM，Excel 直接打开不乱码

几点踩坑心得

1. 指令越具体越好 —— 说清楚文件路径、数据格式、输出要求，AI 才能一次到位

2. 善用上下文 —— WorkBuddy 会记住当前对话中的文件信息，不用每次重复描述

3. Plan 模式先审后跑 —— 涉及文件读写时先用 Plan 模式预览方案，确认无误再切 Craft 执行

4. 报错让 AI 自己看 —— 运行出错时直接把报错信息贴给 WorkBuddy，它理解错误的速度比人快得多

总结

对于气象、海洋、环境等领域的数据处理工程师来说，WorkBuddy 不仅是代码助手，更是一个理解领域语境的工作搭档。它知道 ERA5 是什么、cartopy 怎么用、CDO 命令怎么写——不用从零解释业务背景，直接说需求就行。

原创声明：本文基于作者实际工作场景撰写，2026年7月版。