企业官网建设流程全解析

写在前面

欢迎大家关注Rocky的知乎：Rocky Ding
《三年面试五年模拟》AIGC/LLM/AI Agent算法工程师/开发工程师求职面试秘籍独家资源：【三年面试五年模拟】WeThinkIn/AIGC-Interview-Book，欢迎大家Star～

Rocky最新撰写的10万字AI Agent（AI智能体）深入浅出全维度解析文章：深入浅出完整解析AI Agent（AI智能体）的核心基础知识

大家好，我是Rocky。

核心导读

给几个模型分别起名，让它们出现在同一个聊天界面，并不难。难的是对话持续数周之后，每个角色仍能记住正确的事、找到历史证据、遵守各自权限，并在需要协作时把工作交给合适的对象。

DeepSeek-Bot选择把这组问题放在DeepSeek Harness的插件层解决。它把Bot身份、会话、长期记忆、群聊调度和使用量统计组织在一个本地系统里。项目采用Apache-2.0许可，明确声明为独立社区项目，并非DeepSeek官方产品。本文讨论的代码快照为32ad486，插件版本为0.1.2；接口行为和数据格式仍可能随早期版本变化。

Rocky认为，DeepSeek-Bot最有研究价值的部分，是把“持续存在的智能体”拆成可管理的状态与执行机制。多Bot只是交互形式，真正决定可靠性的，是上下文怎样延续、记忆怎样更新、信息怎样跨会话流动，以及协作成本能否被计量。

本文基于公开文档与代码进行静态机制分析，配图来自项目文档。这里的界面展示不等于独立运行复现，代码中存在某个分支也不等于该分支已在真实任务分布上被验证。

1. DeepSeek-Bot的系统边界：插件、运行框架与模型

DeepSeek-Bot依托DeepSeek Harness的会话、工具和模型路由工作。插件负责Bot名单、角色配置、群聊、记忆和界面；底层模型负责推理和生成；Harness承接执行循环与工具调用。三层边界决定了问题应该在哪里修复。

例如，角色名字丢失通常属于插件状态问题；工具结果没有正确进入上下文，可能涉及会话协议；模型凭空声称完成，则需要从提示、工具结果表达与验收流程共同排查。若只把整个系统叫作“一个模型”，就很难定位可靠性问题。

图1展示了通过主管Bot设置团队的产品入口。它降低了用户配置多个角色的交互成本，但配置动作本身依然需要明确的数据结构与权限检查。自然语言让操作更方便，并没有消除配置错误和越权修改的可能。

Bot的基本身份包括名字、职责、指令、形象和模型选择。底层主要工作会话对应一个DSH Session；进入不同群聊时，同一Bot还会拥有该群内的独立会话。因此，“一个Bot就是一个Session”可以帮助入门，但不足以描述完整实现。更准确的对象关系是：一个持久身份关联私聊工作会话、历史分段以及多个群聊会话。

Main Bot与群管理员也不同。Main Bot可管理Bot和多个群，群管理员主要管理自身群聊，普通成员负责发言和转交。这些角色是运行系统中的管理权限，不能与模型推理能力混为一谈。

2. 持久化至少包含三种不同的状态

第一种是运行状态：Bot是谁、属于哪些群、使用什么模型、当前会话在哪里。第二种是对话状态：用户说过什么、模型做过什么、工具返回了什么、工作是否尚未结束。第三种是长期记忆：哪些偏好、决策与纠正值得在未来任务中重新使用。

这三种状态如果混成一个长提示，会出现两类问题。全部塞进上下文，成本不断上升；只保留一段总结，又可能丢掉任务约束和可追溯证据。DeepSeek-Bot分别使用结构化团队状态、DSH会话记录、全文检索索引和Markdown记忆，体现了不同保存对象应采用不同生命周期。

这是一种更接近软件系统的Agent理解方式：智能体的连续性由身份映射、存储和上下文重建共同提供，不能仅依赖模型在一次对话里的表现。

3. DeepSeek-Bot如何管理长期记忆

DeepSeek-Bot为每个Bot保留私人记忆，并提供所有Bot可读的团队记忆。记忆入口使用MEMORY.md，细节进入主题文件，条目附带来源和添加信息。核心工具包括保存与替换的remember、删除的forget、检索与读取的recall。

图2将模型配置、记忆和用量放在同一身份下，方便用户管理长期角色。但长期记忆的质量仍需要另外验证：条目是否来自用户的真实偏好，临时要求是否被错误永久化，已经过期的决定是否被新信息覆盖。

代码中的写入权限值得注意：普通Bot写自己的记忆，Main Bot和群管理员还可以写团队记忆；Main Bot在相应条件下可以管理其他Bot的记忆。这意味着团队记忆是一条具有传播效应的共享通道。一次错误写入可能影响多个角色，团队规模越大，越需要来源和修改历史。

实现还设置了明确上限：单条记忆300字符，入口文件4,000字符，单个主题16,000字符，每个作用域最多40个主题。这些限制有助于控制每次请求的固定上下文负担，也迫使系统进行取舍。它们不是最优认知容量的理论结论，而是当前版本的工程预算。

每轮结束后，后台记忆审查会处理新增内容，决定保留、更新或删除什么，因此系统不完全依赖主Bot主动调用记忆工具。但审查本身仍由模型参与，存在误保存和漏保存的风险，也会消耗额外token。文档规定优先记用户提供的长期信息，拒绝保存密钥、密码和身份号码；这些约束应理解为程序检查和提示共同构成的防护，不应宣称能够防住所有变体。

一个可迁移的评估框架是：

Q m e m o r y = f ( P w r i t e , R r e t r i e v e , F u p d a t e , A s o u r c e ) . Q_{\mathrm{memory}}=f(P_{\mathrm{write}},R_{\mathrm{retrieve}},F_{\mathrm{update}},A_{\mathrm{source}}).Qmemory​=f(Pwrite​,Rretrieve​,Fupdate​,Asource​).

这是本文提出的分析框架，不是项目公布的评分公式。四个量分别表示写入精度、相关记忆召回、更新及时性与来源可审计性。只测“下次还能不能记住我的名字”，无法覆盖更有风险的错误固化和纠正失败。

4. 记忆更新与前缀缓存之间存在取舍

一个很有工程含量的设计是：会话首次渲染时冻结记忆段，后续请求保持这一段字节稳定；新分段或检查点再刷新。代码中的memory.js对这一机制给出了明确实现与说明。

原因很直接。模型服务通常可以复用稳定的提示前缀。若每轮都把系统提示中的记忆改动一遍，前缀缓存可能频繁失效。冻结快照可以减少这一问题，但代价是刚写入的记忆不会立刻自动进入当前会话的固定提示段。

系统通过两条路径处理这个时间差：需要新信息时主动recall，以及在下一次分段或检查点重建记忆快照。这构成一种明确的一致性策略，而非“保存之后所有Bot瞬间都知道”。

对产品设计而言，应该让用户能区分“已经持久保存”“已进入当前会话提示”和“已被本次推理使用”。这三件事在一般Agent系统里经常被合并成一个记忆图标，但它们分别属于存储、上下文构建和模型行为。

跨Bot协作还会放大这个差异。主管刚更新团队决策，另一个长期运行的Bot可能仍带着旧快照继续工作。重要决策的传播应采用显式消息、重新检索或检查点，而不是假设共享文件已写入就等于所有执行节点已经刷新。

5. 长上下文管理如何保持任务连续

DeepSeek-Bot使用一个单独的上下文管理调用，判断长对话应该原地压缩，还是在工作到达停顿点后切换到新分段。原地检查点保留交接摘要和近期用户消息；新分段携带交接笔记。旧消息仍可以通过历史索引查询。

steward.js中的逻辑并非简单地“达到窗口就删除前半段”。它先计算可用上下文，再设置检查线与硬限制；超过检查线时，模型判断任务是否仍在进行。若仍有未完成的要求或待答问题，优先继续当前工作并压缩上下文。

为精确描述代码，可以记模型声明窗口为W WW、输出预留为R RR、检查比例为r rr，当前实现采用：

U = max ⁡ ( W − R , ⌊ W / 2 ⌋ ) , H = ⌊ 0.95 U ⌋ , C = min ⁡ ( ⌊ r U ⌋ , H ) . U=\max(W-R,\lfloor W/2\rfloor),\qquad H=\lfloor0.95U\rfloor,\qquad C=\min(\lfloor rU\rfloor,H).U=max(W−R,⌊W/2⌋),H=⌊0.95U⌋,C=min(⌊rU⌋,H).

其中默认r = 0.8 r=0.8r=0.8，U UU为内部可用窗口估计，H HH为硬线，C CC为检查线。这里保留了代码中的下限处理；直接写成U = W − R U=W-RU=W−R会遗漏一种配置分支。它仍是估算策略，不是模型服务一定接受请求的证明。

压缩的根本难题在于信息损失：遗漏一条禁止改动的约束，可能比少记住十段普通讨论更严重。因此，评估上下文管理时应设置可验证的任务断点，例如尚未完成的子任务、精确文件名、用户纠正和等待结果。压缩后检查这些约束是否保持，比测摘要是否流畅更接近真实质量。

全文检索可以补回部分细节，却需要模型知道自己缺了什么。一个长期值得研究的方向，是把“未完成要求”“待核实事实”“已确认产物”作为结构化状态，与自由文本摘要共同保存。

6. DeepSeek-Bot的群聊隔离有边界

群聊默认由管理员响应，再根据需要点名其他Bot，成员按顺序读取最新消息并发言，没有新信息时可以保持沉默。这能减少无差别广播带来的重复推理，但是否节约总token，要看分工复杂度和交接成本。

图3展示了分工入口。它不能证明团队一定优于单Agent；判断协作收益仍要比较相同任务的质量、总调用量与完成时间。

更重要的是信息边界。当前代码确实为每个成员在每个群建立独立Session，这避免直接复用整段私聊会话。然而groups.js在新群会话建立时调用ownChatBrief；chat-index.js会把该Bot近期私聊消息形成简报，并提示它只分享群里需要的信息。因此，会话分离不能表述为私聊信息绝不进入群聊推理上下文。

这是公开文档中的简化描述与实现细节之间需要校准的地方。该机制并不意味着所有其他Bot直接拿到了完整私聊，但参加群聊的Bot能够在带有私聊简报的条件下生成回答。信息是否继续传播，部分依赖模型遵循提示。对高敏感业务，这与程序强制的不可访问边界有本质差别。

这个发现也给Agent产品一个通用要求：声明隔离时，应明确隔离的是Session标识、存储访问、提示上下文，还是最终消息的可见性。只有把层次说明白，用户才知道该如何配置团队。

7. 多Bot是否省成本，需要一张完整账单

最直观的群聊方案是每条消息唤醒所有成员。若有m mm个成员、每次都读取长度约为L LL的共享上下文，仅输入规模就可能接近m L mLmL，还没有计算成员输出和下一轮重复读取。管理员路由能够减少被唤醒的人数，但会新增判断与转交开销。

可以把一次任务的总成本拆成：

C t a s k = C m a i n + C w o r k e r s + C h a n d o f f + C m e m o r y + C c o n t e x t + C r e t r y . C_{\mathrm{task}}=C_{\mathrm{main}}+C_{\mathrm{workers}}+C_{\mathrm{handoff}}+C_{\mathrm{memory}}+C_{\mathrm{context}}+C_{\mathrm{retry}}.Ctask​=Cmain​+Cworkers​+Chandoff​+Cmemory​+Ccontext​+Cretry​.

这同样是分析用账本。它提醒我们，长期记忆审查、上下文判断、交接摘要都属于成本。只看最终回答用了多少token，很容易低估系统的真实消耗。

当前Usage页面按时间、Bot和模型展示token统计，文档明确不直接给出金额。计费会受到不同模型单价、缓存命中和套餐规则影响，因此将token转换成费用还需要计价层；将费用转换成生产力，则需要任务验收层。

主管模式也存在单点判断风险。主管误解目标，可能把错误任务分配给多个成员；成员专业化如果只是提示词差异，也未必形成独立的能力优势。最值得优先采用多Bot的场景，是任务可分解、结果可独立验收、角色需要不同权限或持久知识的工作流。

8. 本地保存提供可控性，但没有自动解决可靠性

项目将团队状态、记忆与日志保存在本地，而对话记录由DSH保存。卸载插件不主动删除数据，方便恢复，但也意味着备份和彻底清理是两个单独问题。只备份插件状态而不备份会话，会失去历史对话。

本地存储也不等于全部离线。若Bot使用远程模型，构建好的上下文仍会发送到配置的服务；本地文件能被工具访问的范围，还取决于Harness与执行环境的权限。文章讨论的是可观察的存储安排，不将其扩大成默认安全保证。

代码设计了状态锁，避免两个实例同时修改同一团队数据：持锁实例可写，另一个实例进入只读。这解决的是并发写入的一类问题，不能直接推导出跨机器分布式一致性或任意崩溃下的事务安全。

对于实际团队，更有价值的验证包括：进程重启后是否恢复正确会话；模型调用失败时是否重复执行外部动作；群聊中途停止后是否留有未处理交接；删除Bot后记忆如何归档；记忆纠正能否覆盖旧快照。这里列出的是建议的验收方向，并非本文已经跑通的测试结果。

9. DeepSeek-Bot的跨周期价值与研究方向

Bot形象、聊天布局和角色模板容易被更大的平台吸收。更耐久的能力，是把用户决策、任务证据和执行状态组织成能检查、能纠正、能恢复的系统。

Rocky认为，DeepSeek-Bot呈现了一种值得继续打磨的产品路径：用持久身份承接长期协作，用可编辑记忆降低黑箱感，用显式调度控制成本。但它仍是早期插件，不能仅凭功能覆盖度判断生产成熟度。

算法工程师可以重点研究记忆审查的精度与纠正能力；应用开发者可以研究缓存友好的状态刷新、幂等交接与故障恢复；产品经理需要判断用户是否真的需要多个长期角色；创业团队则要关注长期积累的数据与工作流是否改善了可测量的交付效果。

一个有价值的实验是固定模型和任务，比较四组系统：单Agent无长期记忆、单Agent有长期记忆、多Agent广播协作、多Agent主管路由。除了成功率，还记录错误记忆传播、重复调用、用户纠正次数和每次成功交付成本。这样才能把“记忆的收益”和“多Agent的收益”分开。

另一个方向是信息流控制。把私聊简报带入群聊上下文可能帮助协作，却也增加泄露路径。可以比较纯提示约束、字段级过滤和程序化可见范围三种机制，在任务效果与信息暴露之间寻找可验证的边界。

10. 术语速查与最终判断

Session是一次工作会话的承载对象；检查点是保留任务连续性的压缩状态；分段是长对话延续到新会话片段；FTS5是SQLite的全文搜索能力；前缀缓存复用稳定输入前缀；长期记忆保存跨任务信息；团队记忆允许信息在多个持久角色间复用。

DeepSeek-Bot值得研究的地方，是这些机制开始被连接成一个可供普通用户管理的系统。长期Agent的质量最终取决于它如何在时间流逝后继续正确行动：知道什么已经改变，知道证据在哪里，知道哪些信息可以分享，并能把一次失败恢复成下一次可靠执行。

推荐阅读

1. 深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2025年可以说是AI Agent全面落地应用的元年，因此Rocky在持续撰写对AI Agent的全维度解析文章：

深入浅出完整解析AI Agent（AI智能体）的核心基础知识

2. 深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

Rocky对扩散模型的本质原理与和核心基础知识进行了全面系统的深入浅出分析讲解，同时不断跟进补充扩散模型的最新技术发展，希望能给大家带来帮助：

深入浅出完整解析扩散模型DDPM、DDIM、Score-Based、SDE、LDM、Classifier/Classifier-Free Guidance、Rectified Flow核心基础知识

3. 入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

Rocky对AIGC时代“中场时刻”之后的主流AIGC创作大模型的核心基础知识进行了全面系统的深入浅出分析讲解，力求让大家通俗易懂理解AIGC时代的技术浪潮的本质价值：

入浅出完整解析FLUX.2、Seedream（即梦）、Z-image、GLM-Image核心基础知识

4. 深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

Rocky对FLUX.1 Kontext和FLUX.1 Krea的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析FLUX.1 Kontext和FLUX.1 Krea核心基础知识

5. 深入浅出完整解析DeepSeek系列核心基础知识

Rocky对DeepSeek系列模型的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析DeepSeek系列核心基础知识

6. 深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

Rocky对Stable Diffusion 3和FLUX.1的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion 3（SD 3）和FLUX.1系列核心基础知识

7. 深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

Rocky对Stable Diffusion XL的核心基础知识作了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识

8. 深入浅出完整解析Stable Diffusion（SD）核心基础知识

Rocky对Stable Diffusion 1.x-2.x系列模型的核心基础知识做了全面系统的梳理与解析：

深入浅出完整解析Stable Diffusion（SD）核心基础知识

9. 深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

Rocky对Stable Diffusion中最为关键的U-Net结构进行了深入浅出的全面解析，包括其在传统深度学习中的价值和在AIGC中的价值：

深入浅出完整解析Stable Diffusion中U-Net的前世今生与核心知识

10. 深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

对于AIGC时代中的“ResNet”——LoRA模型，Rocky进行了深入浅出的全面讲解：

深入浅出完整解析LoRA（Low-Rank Adaptation）模型核心基础知识

11. 深入浅出完整解析ControlNet核心基础知识

AIGC图像创作开源社区已经形成以Stable Difffusion/FLUX为核心，ConrtolNet和LoRA作为首要AI辅助工具的变化万千的AIGC图像创作工作流。

ControlNet正是让AI图像创作社区无比繁荣的关键一环，它让AIGC图像创作过程更加的可控，更有助于广泛地将AIGC算法解决方案应用到各行各业中：

深入浅出完整解析ControlNet核心基础知识

12. 深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

AI绘画和AI视频是两个互相促进、相互交融的领域，2024年无疑是AI视频领域的爆发之年，Rocky对AI视频领域核心的Sora、Seedance、Keling等大模型进行了全面系统的梳理与解析：

深入浅出完整解析Sora、Seedance、keling等AI视频大模型核心基础知识

13. 深入浅出完整解析AIGC时代Transformer核心基础知识

在AIGC时代中，Transformer为AI行业带来了深刻的变革。Transformer架构正在一步一步重构所有的AI技术方向，成为AI技术架构大一统与多模态整合的关键核心基座，大有一统“AI江湖”之势。Rocky也对Transformer模型进行持续的深入浅出梳理与解析：

深入浅出完整解析AIGC时代Transformer核心基础知识

14. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

AIGC创作框架正是AIGC算法工作流的运行载体，目前主流的AIGC创作框架有ComfyUI、Diffusers、Stable Diffusion WebUI等。在传统深度学习时代，PyTorch、TensorFlow以及Caffe是传统深度学习模型的基础运行框架，到了AIGC时代，Rocky相信ComfyUI就是AIGC时代的“PyTorch”、Stable Diffusion WebUI就是AIGC时代的“TensorFlow”、Diffusers就是AIGC时代的“Caffe”：

深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

15. 深入浅出完整解析ComfyUI、Diffusers、Stable Diffusion WebUI等主流AIGC创作框架核心基础知识

在AIGC时代中，如何快速转身，入局AIGC产业？如何成为AIGC/LLM/AI Agent算法/开发工程师？如何在学校中系统性学习AIGC/LLM/AI Agent知识，斩获心仪的AIGC/LLM/AI Agent算法/开发offer？

Don‘t worry，Rocky为大家总结整理了全面的AIGC/LLM/AI Agent算法/开发工程师成长秘籍，为大家答疑解惑，希望能给大家带来帮助：

手把手教你成为AIGC/LLM/AI Agent算法/开发工程师，斩获AIGC/LLM/AI Agent算法/开发offer！

16. AIGC产业的深度思考与分析

2023年3月21日，微软创始人比尔·盖茨在其博客文章《The Age of AI has begun》中表示，自从1980年首次看到图形用户界面（graphical user interface）以来，以OpenAI为代表的科技公司发布的AIGC模型是他所见过的最具革命性的技术进步。

Rocky也认为，AIGC及其生态，会成为AI行业重大变革的主导力量。AIGC会带来一个全新的红利期，未来随着AIGC的全面落地和深度商用，会深刻改变我们的工作、生活、学习以及交流方式，各行各业都将被重新定义，过程会非常有趣。

那么，在此基础上，我们该如何更好的审视AIGC的未来？我们该如何更好地拥抱AIGC引领的革新？Rocky准备从技术、产品、商业模式、长期主义等维度持续分享一些个人的核心思考与观点，希望能帮助各位读者对AIGC有一个全面的了解：

深入浅出全面解析AIGC时代核心价值与发展趋势（2025年版）

17. AI算法工程师的独孤九剑秘籍

为了方便大家实习、校招以及社招的面试准备，同时帮助大家提升扩展技术基本面，Rocky将符合大厂和AI独角兽价值的算法高频面试知识点撰写总结成《三年面试五年模拟》之独孤九剑秘籍:

【三年面试五年模拟】AIGC时代的算法工程师的求职面试秘籍（持续更新中）

18. 深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识

GAN系列模型作为传统深度学习时代的最热门生成式Al模型，在AIGC时代继续繁荣，作为Stable Diffusion/FLUX系列大模型的“得力助手”，广泛活跃于AlGC图像创作的产品与工作流中：

深入浅出完整解析AIGC时代中GAN（Generative Adversarial Network）系列模型核心基础知识