企业官网建设流程全解析

面壁智能的团队前几天公开点赞了一个组合玩法：用 GPT-6 来编排 MiniCPM5-2B，在本地搭一只专门干研究活的智能体。乍一看是两家厂商互相捧场，但等你真把它跑一遍就会发现，这是在给过去一年吵翻天的"大模型还是小模型"之争画一个非常务实的句号——答案是：都要。大模型管脑子，小模型管手脚。

我最近一直在折腾本地研究智能体，LangGraph、Dify、n8n、自研 harness 都试过，热搜里那些 gpt-6 astra 怎么用、workflow编排、deepseek harness 多个智能体编排，我基本都踩过一遍。这篇就把"云端编排 + 本地执行"这套架构掰开揉碎讲清楚，从设计思路到工具选型，再到完整的搭建步骤和排坑经验，一次性给你整理完。

1. 先把这个组合拆明白：GPT-6、MiniCPM5-2B、编排各负责什么

1.1 四个关键词拼起来是一条完整的研究产线

很多人看到这个标题第一反应是：GPT-6 不是云端模型吗？MiniCPM5-2B 不是本地小模型吗？这俩怎么搭？要理解这件事，得先把标题里的四个词拆开看。

• GPT-6 在这里的角色不是"回答问题的聊天机器人"，而是"项目经理"。它负责把一个大研究问题拆成一串可执行的小任务，决定每个任务调哪个工具、把结果交给谁、什么时候收尾。
• MiniCPM5-2B 是面壁智能那条 MiniCPM 产品线里的新一代 2B 规模模型，跑在本地——笔记本、小主机，甚至手机端。它不负责思考宏大问题，负责的是"把这段本地文档读进去""把网页正文提炼成三句话""把这些条目归个类"这种具体的脏活。
• 编排指的是任务调度这件事：谁先谁后、谁的输出是谁的输入、中间结果存在哪、失败了重试几次。你可以把它理解成一套工作流引擎，只不过流程不是写死的，而是大模型每一轮动态生成的。
• 本地研究智能体是最终形态：给它一个研究方向，它自己查资料、读文档、提取关键信息、交叉验证、沉淀成一份结构化的研究笔记，整个过程中敏感数据不出本机。

四个词连起来就是一句话：GPT-6 负责"想"，MiniCPM5-2B 负责"做"，编排负责"派活"，最后得到的是一个能把研究任务从模糊想法推进到成稿的本地闭环。

1.2 面壁智能这一赞，其实是在给小模型正名

很多人觉得"面壁智能点赞 GPT-6"是商业互吹，但如果你一直关注这家公司的产品路线就会发现，这一赞的本质是在给小模型正名。

过去一年，小模型被质疑最多的就是"啥都干不好"：写代码不如大模型，推理不如大模型，聊天不如大模型。这个质疑本身没错，但前提是把小模型放在"独立完成一切"的岗位上。而在编排架构里，小模型根本不需要独立完成一切，它只需要在明确指令下完成一个边界清晰的小任务，然后把结果交回去。

面壁智能自己反复讲过：模型不是越大越好，而是在合适的算力下达到合适的效果。这句话放在编排架构里特别好懂——2B 模型单机就能跑，响应快、成本接近于零、数据不出门，这些恰恰是大模型做不到的。所以当 GPT-6 这样的强规划模型出现时，小模型不但没被淘汰，反而因为"有人替它想"而变得特别能打。

这套逻辑也回答了社区里一直在吵的问题：既然 GPT-6 这种超大上下文模型都有了，为什么还需要本地模型？答案就是落地。研究型任务最怕两件事：一是把你积累了多年的本地资料库整个传到云端，二是每次跑长任务烧掉几百上千万的 token。本地模型做粗加工，云端模型只做精规划，成本和隐私两个问题同时缓解。

2. 核心设计思路：把研究任务拆成规划、执行、记忆三层

2.1 编排层：GPT-6 的动态工作流怎么设计

先说编排层。研究智能体不同于简单的问答机器人，问答是"来一个问题，答一个答案"，研究是"给一个方向，走完一整套流程"。所以编排层的核心不是模型本身，而是"模型 + 工具 + 状态"三个东西的组合。

举个例子，我让智能体做"梳理 2025 年开源小模型的主流部署方案"这个研究时，GPT-6 拿到任务后生成的计划大致是这样：

1. 拆成 5 个子方向：模型选型、量化方案、推理框架、硬件门槛、社区案例。
2. 先对每个子方向做一轮网络检索，拿到标题和摘要。
3. 挑出命中率高的 8~10 篇文章，逐个抓正文，交给本地模型提炼要点。
4. 把提炼出的要点按厂商和框架维度归并、去重、补齐冲突信息。
5. 最后合成一份带引用来源的研究报告。

注意，这个计划不是我写死的，也不是模型随便列的，而是 GPT-6 基于工具清单实时生成的。每完成一步，它都会拿到上一步的实际结果继续往下推，这就是"动态编排"和"固定工作流"的本质区别：固定工作流是画好的流程图，动态编排是模型在现场画流程图。

顺带回答一下最近被问爆的 gpt-6 astra 怎么用。Astra 是 GPT-6 的多模态变体，语音、图片、屏幕内容都能进。研究场景里，你可以直接把一张图表截图扔给它，让它把图表信息纳入研究计划。用法上和普通文本接口没有本质区别，只是请求里多传多模态字段，后面代码部分我会给出占位。

设计编排层时，我建议把三个状态分开管理：任务状态（做到哪一步了）、上下文状态（目前掌握了哪些事实）、工具状态（哪些工具可用、哪些失败过）。GPT-6 的上下文里只放这三样东西的摘要，不要把整个研究过程的所有原文都塞进去，否则长任务跑到一半上下文就爆了。

2.2 执行层：MiniCPM5-2B 适合接哪些活，不适合接哪些活

执行层的设计原则是"给模型划定边界"。我在实践中整理了一张分诊表，可以直接参考。

适合交给 MiniCPM5-2B 的活：

• 本地文档解析：PDF、Markdown、TXT 的正文提取与分段。
• 单片段摘要：给定 2000 字以内的文本，输出 100 字以内的要点。
• 实体与关键词抽取：从文本里抽出人名、机构名、产品名、时间。
• 分类打标：把研究条目归入预设的类别标签。
• 格式清洗：把网页里的乱码、广告噪声、重复段落清掉。

不适合交给它的活：

• 多步推理，比如"比较 A 方案和 B 方案的优劣并给出建议"。
• 需要全局信息综合的长文写作。
• 任何需要调用外部工具的决策。

这个边界为什么这么定？因为 2B 模型的能力上限是真实的。它擅长"小范围、明确指令、单一技能"的工作，不擅长"开放探索"。你非让它干规划级的活，它会一本正经地编造来源；但你让它"把这段文字总结成三条要点"，它反而又快又稳。

有一个关键实操细节：执行层的输出格式一定要极简。我建议统一要求 MiniCPM5-2B 输出纯文本或非常轻量的 JSON，别让它输出 Markdown 表格，更别指望它自己决定格式。格式一旦复杂，2B 模型很快就会乱。你可以在系统提示里写死："只输出 JSON，键名为 summary、entities、category"，整个执行层就变成了一个"文本进、结构化文本出"的翻译器，后面接任何编排框架都不用改。

2.3 记忆与上下文：小模型装不下的东西交给向量库

小模型上下文窗口有限，这是你必须接受的事实。解决思路不是换大窗口模型，而是把记忆外置。

我的做法是在编排层和本地模型之间加一个轻量向量检索层。研究过程中的中间产物——网页摘要、文档片段、自己的笔记——全部先写入向量库，每次给执行层的上下文不是"全部资料"，而是根据当前子任务检索出来的 Top-K 片段。这样既保证执行层手头永远只有 1~3 段相关文本，又保证关键信息不会在研究过程中丢失。

这个设计还有个附带好处：它可以给你展示"研究轨迹"。每一步用了哪些资料、提炼了什么结论，都记录在案，最后合成报告时能自动带上引用来源。对研究型智能体来说，可追溯性和结论本身一样重要，否则你根本不敢信它输出的东西。

3. 工具选型：Agent 框架和编排平台怎么选才不踩坑

3.1 主流编排方案横向对比

前面说的都是思路，落到代码上就得选框架。我把这段时间实际跑过的几种方案放在一起对比，你根据自己的技术底子选就行。

如果你问我怎么选：第一次搭，无脑从 Dify 开始。原因很简单，它把"模型调用、工具注册、节点编排"做成了界面操作，两小时就能跑通一个雏形。跑通之后你会自然遇到瓶颈，这时候再迁移到 LangGraph 或自研 harness，你已经有明确的痛点了，不会乱选。

社区里最近聊得很多的 deepseek harness 多个智能体编排，本质就是自研路线。它在热搜里反复出现，说明越来越多的人不满足于固定工作流，想要"一个总智能体动态调度多个子智能体"的效果。这个方向我非常看好，但建议你在没跑通单智能体之前先别上多智能体，复杂度是指数级上升的。

3.2 硬件门槛和本地模型部署选型

很多人被"本地模型"四个字吓住，以为要很贵的显卡。MiniCPM5-2B 这种规模的模型，门槛其实比想象的低得多。

• 只要你有 M 系列 Mac（16GB 内存）或 8GB 显存以上的 N 卡，就能流畅跑。
• 哪怕是纯 CPU 的老笔记本，用 Q4 量化版本也能跑，只是慢一点。
• 部署工具首选 Ollama，一条命令拉模型，它会自动起一个 OpenAI 兼容的 API 服务，端口默认 11434。

面壁智能的模型通常第一时间支持 GGUF 格式。如果你在 Ollama 库里没找到现成标签，就去 Hugging Face 下载 GGUF 文件，用 ollama create 手动导入，效果一样。

这里多提醒一句：本地执行模型的 API 地址和云端编排模型的 API 地址，在代码里一定要分开配置。千万别图省事把两个 base_url 写成一个，否则你会在不知不觉中把本地流量全打到云端，隐私保护直接失效。这个坑我踩过，后面还会具体说。

4. 手把手搭建：本地研究智能体的完整实现

4.1 第一步：把 MiniCPM5-2B 部署成本地服务

先启动本地模型。假设你用 Ollama：

ollama pull minicpm5-2b ollama serve

然后验证服务是否正常：

curl http://localhost:11434/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "minicpm5-2b", "messages": [{"role": "user", "content": "用一句话总结：本地小模型适合做什么？"}] }'

看到正常的 JSON 响应就说明本地执行端已经就绪。这里注意两个参数：temperature 建议设成 0.2 以下，执行层要的是稳定输出，不需要创造力；max_tokens 根据任务长度设，摘要类任务给 512 足够。如果你的机器有 GPU 且想追求更高吞吐，可以换 vLLM 部署，但 2B 模型在 Ollama 下已经足够快，单路研究任务一般感知不到延迟，没必要一开始就上重型方案。

4.2 第二步：接入 GPT-6 编排层并注册执行工具

编排层的代码我用 Python 示例。核心思路是给 GPT-6 注册一个名叫 run_research_subtask 的工具，这个工具的"实现体"是本地 MiniCPM：

from openai import OpenAI # 编排层：GPT-6 planner = OpenAI( base_url="https://your-gpt6-endpoint/v1", api_key="your-key", ) # 执行层：本地 MiniCPM5-2B executor = OpenAI( base_url="http://localhost:11434/v1", api_key="ollama", ) TOOLS = [ { "type": "function", "function": { "name": "run_research_subtask", "description": "把单个研究子任务交给本地 MiniCPM5-2B 执行，返回结构化结果", "parameters": { "type": "object", "properties": { "task": {"type": "string", "description": "子任务描述，必须包含明确指令和期望输出"}, "context": {"type": "string", "description": "需要处理的文本片段，控制在 2000 字以内"}, }, "required": ["task", "context"], }, }, }, ] def run_subtask(task: str, context: str) -> str: resp = executor.chat.completions.create( model="minicpm5-2b", messages=[ {"role": "system", "content": "你是研究助手，只输出 JSON：{\"summary\": \"...\", \"entities\": [...], \"category\": \"...\"}"}, {"role": "user", "content": f"任务：{task}\n\n文本：{context}"}, ], temperature=0.2, max_tokens=512, ) return resp.choices[0].message.content

这个函数就是编排层和本地模型的握手协议。你会发现它刻意只暴露两个参数：task 和 context。这是有意为之——参数越少，GPT-6 越不容易在调用时犯错，本地模型收到的指令也越干净。

如果你用的是支持多模态输入的 Astra 接口，只需在请求消息里额外加一个 image_url 字段，把截图或文档图片传进去，其他保持不变。编排层会自动把视觉信息纳入任务规划。

4.3 第三步：补齐研究工具（搜索、解析、归档）

只有本地模型还不够，研究智能体还需要"看得见外部世界"。我在实际项目里注册了四个工具：

• web_search(query)：调用搜索 API，返回前 10 条标题、链接、摘要。
• fetch_page(url)：抓取网页正文，去掉导航和广告，返回纯文本前 5000 字。
• run_research_subtask(task, context)：即上一步的本地执行工具。
• save_note(title, content)：把中间结论写入本地知识库，Markdown 文件或向量库都行。

这四件套覆盖了一条最小研究闭环：搜索发现问题、抓取原文、本地提炼、归档沉淀。你可以把它理解成给智能体配了"眼睛、手、大脑和笔记本"。

系统提示词我也给一份可以直接抄的模板，它决定了 GPT-6 的编排风格：

你是本地研究智能体的总规划师。你的工作方式： 1. 把用户的研究问题拆解成不超过 8 个子任务，按依赖顺序排列。 2. 每个子任务必须指定使用的工具（web_search/fetch_page/run_research_subtask/save_note）。 3. 每完成一个子任务，检查结果是否满足预期；不满足就调整后重试，最多重试 2 次。 4. 所有子任务完成后，基于已归档的中间结论撰写最终研究报告，并标注每条结论对应的来源。 5. 严禁编造来源。找不到的信息，明确写"未找到可靠来源"。

第五点特别重要。研究智能体和普通聊天机器人的最大区别就是真实性要求，所以一定要在编排层把"编造来源"这条路堵死。

4.4 第四步：跑一次端到端研究任务，看日志调流程

我用一个测试任务来演示效果："梳理 2B 规模开源模型在个人电脑上的部署方案"。跑起来之后，编排层的输出节奏大致是这样：

第一轮，GPT-6 调用 web_search 拿到 10 条搜索结果。第二轮，它挑出 5 篇看起来相关的文章，逐个调用 fetch_page。第三轮，每篇正文通过 run_research_subtask 传给本地模型，本地模型返回简短的 summary 和 entities。第四轮，GPT-6 检测到其中两篇内容高度重复，调用 run_research_subtask 做了一次归并去重。第五轮，调用 save_note 写入中间结论，然后开始合成最终报告。

整个流程看起来像有一个研究员在按部就班地干活，只不过这个"研究员"的大脑是 GPT-6，手脚是本地模型。你把每轮日志打出来看，能清楚看到每个子任务的输入输出，排查问题非常方便。

这里有个值得注意的细节：不要在编排层让 GPT-6 直接阅读全部网页正文。把正文交给本地模型提炼后再把摘要交回去，这个"先粗加工、再精加工"的顺序能大幅节省云端 token。同样是 10 篇文章，直接读全文可能烧掉几万 token，先本地提炼可能只要几千 token，效果反而更好，因为本地模型先把噪声滤掉了一层。

5. 实操中的典型问题与排查技巧实录

5.1 本地模型上下文一长就输出乱码

这是本地小模型最高频的问题。症状是：给定大段文本后，执行层的输出开始答非所问，甚至蹦出无意义字符。

排查思路很简单，先看是不是把超过模型能力的文本塞进去了。2B 模型的有效上下文通常没有宣传窗口那么大，喂到 90% 窗口就是找死。我的经验是单次调用控制在 1500~2500 字以内最稳，超过就切块。

切块之后还有个隐藏坑：每个块独立总结会导致信息碎片化。所以我在编排层加了聚合阶段：先让本地模型逐块输出要点，再把这些要点汇总成一份清单，交给 GPT-6 做最终综合。这就是典型的 map-reduce 模式，研究型任务里非常实用。

5.2 编排层生成"假大空"计划

第一种情况是 GPT-6 抛出一堆模糊步骤，比如"深入研究相关主题"。这种计划没有任何可执行性。原因通常是工具描述写得太笼统，模型不知道每个工具能干嘛。

解决方法是把工具描述当 API 文档写。我给 web_search 的描述是"搜索公开网页，返回标题/链接/摘要列表，适合发现线索，不适合精读"，给 run_research_subtask 的描述是"把单段文本提炼为结构化 JSON，适合精读与摘要"。描述里写明工具边界，模型才能排出靠谱计划。

第二种情况是计划很具体但顺序错了，比如先写报告再查资料。解决办法是强制在计划里标注依赖关系，并在每轮执行前让模型看一眼"当前已完成步骤清单"。说白了，要给编排层一块随时可以回顾的进度黑板。

5.3 执行层输出格式漂移

MiniCPM5-2B 有时会返回"好的，我来总结：\n\n1. ..."这样的文本，而不是要求的 JSON。这不是模型坏了，是它在遵循指令时不够稳定。

我的对策分三层。第一层，系统提示里只给一个格式示例，不给多个，示例越多它越容易选错。第二层，解析时做容错，用正则把 JSON 块提取出来，而不是直接 json.loads。第三层，如果连续两次解析失败，就把这次结果标记为"执行失败"并回传给编排层，让 GPT-6 决定是换个说法重新下指令，还是直接跳过。

记住一个原则：执行层出错不可怕，可怕的是出错后没有反馈回路。只要编排层能感知到"这步结果不可用"，它就能自动修正。这也是编排架构比单模型硬刚更稳定的原因。

5.4 性能与成本怎么同时调优

本地模型几乎不花钱，成本主要在编排层。我用三个手段把成本压到很低的水平。

一是缓存。对完全相同的 context 重复调用的情况——比如多轮调试时——在本地做一个简单的 KV 缓存，直接命中返回。实测能省掉 30% 以上的重复 token。

二是分级路由。简单任务只调用本地模型，比如"这段文字分类"，本地就能干得很好，根本不值得惊动 GPT-6。只有复杂规划、结果综合这类任务才走云端。一个研究任务跑下来，云端 token 大多花在最后合成报告那一步，中间大量粗加工全在本地消化。

三是压缩中间上下文。前面说过，喂给编排层的永远是摘要而不是原文。我发现把摘要控制在每条 100 字以内，事实保留度最好，代价又最低。超过 200 字的摘要，GPT-6 的注意力就开始分散，综合质量反而下降。

6. 这套玩法还能往哪些方向延伸

6.1 多智能体协作：从一个执行者变成一支队伍

单执行者版本跑通之后，最自然的下一步是多智能体。思路还是那个：GPT-6 当总指挥，手下不再只有 MiniCPM5-2B 一个兵，而是一批各有分工的本地模型。

比如我对接过一套组合：一个模型擅长文本摘要，一个擅长代码审查，一个专门做数据抽取。GPT-6 根据任务性质把活派给不同的执行者，这就是社区里讨论度很高的 deepseek harness 多智能体编排模式。注意，多智能体的复杂度主要在任务分配和结果冲突仲裁，建议等单智能体稳定运行两周以上再动这个，否则你连日志都看不懂。

6.2 Dify 编排应用能不能当 Continue 的 API 用

最近很多人问这个问题，我直接给结论：能，但中间要包一层转换。Dify 工作流发布后确实会生成 API，但它的接口格式是 Dify 自己的 /chat-messages，不是 OpenAI 兼容格式。而 Continue 这类编程助手默认只对接 OpenAI 兼容接口。

解法之一是用网关类工具把 Dify 注册成渠道，统一暴露成 OpenAI 兼容的 /v1/chat/completions。解法之二是自己写一个不到 100 行的 FastAPI 中转，把 Continue 的请求转成 Dify 格式，再把 Dify 的响应包装回 OpenAI 格式。两条路我都试过，网关方案省事，自研中转更方便调试。

弄好之后，你可以在 IDE 的 Continue 配置里这样接入：

{ "models": [ { "title": "Dify Research Agent", "provider": "openai", "model": "dify-research-agent", "apiBase": "http://localhost:8000/v1", "apiKey": "sk-local-proxy" } ] }

这样就能在编辑器里直接调用你编排好的研究智能体，写代码和查资料一体化，体感上等于把一个完整的研究流水线塞进了 IDE，用起来相当顺手。

6.3 移动端与边缘设备的想象空间

热搜里还有一个词是 gpt-6 手机模型。这背后的趋势是：编排 + 小模型的组合正在向移动端迁移。手机本地跑一个 2B 量级的模型，配合云端强模型的编排，资料完全不出手机，就能完成个人知识库问答、会议纪要整理、本地相册语义检索这些任务。

MiniCPM 系列本来就在往端侧走，量级和功耗都合适。未来大概率会出现更多"手机本地模型 + 云端编排大脑"的产品形态，本地研究智能体从电脑搬到手机里，只是时间和工程问题。

最后分享一个我最近最大的体会：编排架构能不能跑好，模型本事只占一半，另一半是你有没有把执行层的边界画清楚。MiniCPM5-2B 不是万能的，但当你把它的工作定义成"读一段、提炼一段、输出一个 JSON"时，它就会变得异常可靠；GPT-6 也不是万能的，但你给它配齐工具和反馈回路之后，它能把一个模糊的研究方向推成一份带来源的完整报告。

我自己现在每天都会让这套组合读本地笔记、生成项目复盘，资料从头到尾不离开本机。这种"大模型想、小模型做、编排管流程"的组合，我觉得会是接下来一两年本地智能体最主流的形态。趁现在把流程跑通，后面想扩展成多智能体、接进编辑器或者搬到手机上，都不会慌。