企业官网建设流程全解析

• 人工智能
• 大模型
• AI 应用
• AI Agent
• RAG
• 金融科技
• 桌面应用
• MCP Clients

本文以 go-stock 八月发布的新功能为主线，系统讲解四个核心模块：全新「市场总览」首页、技能系统与技能广场、知识库（RAG）以及长期记忆与用户画像。这四个模块共同构成从「看行情」到「用 AI」再到「沉淀个人经验」的完整闭环。读完本文，你将掌握每个模块的界面布局、配置方法、底层实现原理（含源码级证据），并能在自己的 go-stock 实例中完成技能创建/导入、知识库构建、统一检索问答与长期记忆调优等实战操作。

一、全新首页：市场总览 · 炒作题材 · 财联社电报

新首页以「市场总览 · 炒作题材 · 财联社电报」为定位，打开应用即可在一屏之内掌握市场全貌。首页由上下两个大区组成：顶部为大盘分析区，底部为三列等高信息流区。

1.1 大盘分析区（顶部）

顶部大盘分析区由AnalyzeMartket组件承载（对应前端源码 frontend/src/components/AnalyzeMartket.vue），聚合了以下模块：

韩国市场图表为本次首页的新增亮点，其数据链路有明确的工程化设计：

• 分时数据主源为东方财富，后端内置 3 次重试 + 域名自动切换，提高拉取稳定性；韩股个股另有 Naver 分钟线兜底；
• 日K数据来自 Naver（KOSPI 指数与个股均支持，共 250 根），对应后端实现可参考 backend/data/korea_stock_api.go；
• KST 交易时段与 A 股不同，因此图表始终展示当日实时数据，不受 A 股日期筛选影响，避免出现「休市空白」的体验问题。

1.2 三列信息流区（下部）

三列采用等高布局，各自独立滚动，分别承载三类信息流：

1. 每日炒作题材（ConceptEventList，frontend/src/components/ConceptEventList.vue）：概念题材事件列表，跟踪市场热点轮动；
2. 财联社电报（NewsList）：通过newTelegraph事件实时推送，新电报到达时自动插入列表顶部，无需手动刷新；
3. 融资融券排名（RzrqRank，frontend/src/components/RzrqRank.vue）：两融标的排名信息。

其中财联社电报采用事件推送机制：后端定时抓取最新电报后主动推送到前端，而非前端轮询，保证了时效性与低资源占用。

1.3 实时性设计

• 首页时钟每秒刷新；
• 交易时段内涨跌停、指数分时、韩国市场图表按周期自动刷新；
• 电报采用事件推送机制，后端定时抓取后主动推送到前端。

二、技能系统与技能广场

技能（Skill）是 go-stock 的渐进式提示词注入机制，让 AI 在 DeepAgents 模式下按需加载专业知识、工作流脚本或参考资料，而不占用每次对话的上下文 token。本次更新在本地技能管理的基础上，新增了云端技能广场，形成完整的技能生态。

2.1 技能的工作原理

技能的加载遵循「启动扫描 → 按需发现 → 激活注入 → 资源加载」四个步骤：

1. 启动时扫描：DeepAgents 模式启动时扫描skills/目录下所有包含SKILL.md的子目录，构建技能索引；
2. 按需发现：AI 根据问题内容判断是否需要某技能，先读取SKILL.md元数据（名称、描述等）；
3. 激活注入：决定使用时才将完整提示词注入对话上下文；
4. 资源加载：技能可引用scripts/、references/等子目录资源，按需读取。

每个技能是一个独立目录，最小形态只需一个SKILL.md（含 frontmatter 元数据 + 提示词正文）。技能还支持绑定 MCP 服务器 ID，激活技能时自动挂载对应的外部工具。

源码级佐证：后端在 backend/agent/skill_backend.go 中实现了容错技能后端tolerantSkillBackend。其listTolerant通过GlobInfo("*/SKILL.md")扫描一级子目录（源码 L72-L97），并复用了 eino 的 frontmatter 提取与 YAML 解析逻辑（parseSkillFrontmatter、yaml.Unmarshal，源码 L100-L125）。该实现的关键价值在于容错：单个SKILL.md的 frontmatter 解析失败仅记录警告并跳过该技能（logger.SugaredLogger.Warnf("skill 中间件: 跳过格式错误的技能文件...")），而不是让整个 DeepAgents Agent 构建工具列表失败——文档注释中明确记录了这一设计背景（见源码 L18-L31）。

为什么比「始终注入」更优：

⚠️仅 DeepAgents 模式生效：技能系统仅在 DeepAgents 模式下启用。原因在于 DeepAgents 模式内置write_todos（任务规划）和task（子 Agent 委派）能力，能够主动判断何时需要加载技能；React / PlanExecute 模式架构不同，不支持 skill 中间件。若希望在简单任务中也使用技能，请在 AI 智能体页面底部的 Agent 模式选择器中切换到🔬 DeepAgents模式。

2.2 SKILL.md 格式与目录结构

每个技能是skills/下的一个一级子目录，目录名即技能名。最小可用技能只包含一个SKILL.md文件：

skills/ └── my-skill/ ├── SKILL.md # 必需：技能描述与提示词 ├── scripts/ # 可选：脚本资源 │ ├── analyze.py # Python 脚本（Agent 可调用 execute 工具运行） │ └── fetch.sh # Shell 脚本 ├── references/ # 可选：参考文档 │ ├── api-spec.yaml # API 规范 │ └── examples.json # 示例数据 └── config.toml # 可选：配置文件

文件大小限制：单文件 ≤ 10 MB；单技能总大小 ≤ 100 MB。

SKILL.md是技能的核心文件，由两部分组成：YAML FrontMatter（技能元数据，中间件启动时解析）+ Markdown 正文（技能的完整提示词，AI 调用技能时才加载）。建议格式如下：

--- name: 技能名称 description: 技能的简短描述，AI 通过它判断是否激活本技能 context: fork # 可选：执行模式（fork / fork_with_context / 不设=inline） agent: sub-agent-name # 可选：fork 模式下使用的子 Agent 名（需配置 AgentHub） model: deepseek-chat # 可选：覆盖默认模型（inline 下切换后续对话模型，fork 下传给子 Agent） --- # 技能名称 ## 技能说明 在此处编写 AI 应当遵循的工作流程、分析框架、输出格式要求等。 这部分内容只在 AI 调用 skill 工具时才会被加载到上下文（渐进式展示）。 ## 工作流程 1. 步骤一 2. 步骤二 3. 步骤三 ## 资源引用 - `scripts/analyze.py`：数据预处理脚本 - `references/api-spec.yaml`：API 接口规范

FrontMatter 字段说明：

💡 关键提示：

• 没有trigger_keywords字段。技能激活完全由 AI 根据description自主判断，不是关键词匹配。
• description应当清晰描述技能的适用场景，例如「提供 K 线形态识别、技术指标解读、买卖点判断」比「技术分析」更有效。
• FrontMatter 之外的正文内容启动时不加载，仅在 AI 调用skill工具时才注入上下文（这正是 skill_backend.go 中loadSkillFromFile将Content与 FrontMatter 分离存储的原因）。

2.3 技能广场

技能广场是内置的云端技能市场（需配合 go-stock-server 服务端部署），核心能力包括：

• 浏览与检索：分类筛选、关键词搜索、多维度排序、VIP 技能过滤；
• 技能详情：查看完整的系统提示词、示例、触发关键词、标签等元数据；
• 互动：点赞、收藏，热门技能一目了然；
• 技能排行榜：按热度排名发现优质技能；
• 下载导入：一键将广场技能下载并导入本地（Base64 打包传输，导入时自动校验SKILL.md存在性、拦截路径穿越、限制解压写入量，防止恶意技能包）；
• 分享上传：将本地技能打包分享到广场，可设置名称、描述、分类、标签，VIP 用户可发布 VIP 专属技能；
• 我的技能分享：管理自己分享的技能（查看、删除）。

配套的本地技能导入（.zip格式）还支持两种目录结构：扁平结构（SKILL.md在 zip 根目录，技能名取自 zip 文件名）与嵌套结构（SKILL.md在子目录中，技能名取自第一级目录名）。安全限制包括：禁止包含..路径（防 zip slip 攻击）、单文件 ≤ 10 MB、总计 ≤ 100 MB；若同名技能已存在，先删除再覆盖导入。

2.4 账号与 VIP 体系

技能广场配套轻量账号系统（用户名密码注册/登录，设备绑定管理），并提供 VIP 权限体系：

• 赞助码激活：VIP 通过赞助码激活，服务端 AES 解密校验，赞助码全局一次性使用，防止转借滥用（相关后端逻辑可参考 backend/data/sponsor_vip.go）；
• 服务端权威：VIP 等级与到期时间完全由服务端裁定，客户端提交值仅作参考，到期自动失效；
• 访问控制三层防护：
  1. 列表/排行/分类接口强制只返回公开技能；
  2. 隐藏技能仅作者本人可见（其余一律 404，杜绝通过接口探测隐藏技能存在性）；
  3. VIP 技能下载需作者本人或有效 VIP 身份，否则返回 403。

2.5 本地技能管理实操

技能管理界面位于「研究中心」→「技能管理」（前端 frontend/src/components/skill-manager.vue），包含工具栏（导入技能包、刷新）、技能列表表格（名称/目录/描述/操作）、文件编辑器弹窗三部分。

编辑器能力矩阵：

编辑器主题自动跟随应用主题（亮色/暗色），暗色下使用oneDark主题。SKILL.md是技能的必需文件，不可删除（删除按钮对SKILL.md不显示）。

与 Agent 的集成：DeepAgents 模式下，Agent 拥有文件系统和 Shell 工具（ls、read_file、write_file、edit_file、glob、grep、execute），可通过execute工具运行scripts/下的脚本（如execute(command="python skills/my-skill/scripts/analyze.py --code sh600519")），通过read_file读取references/下的文档，子进程控制台窗口自动隐藏，输出流式返回给 Agent。

技能示例：技术分析助手（SKILL.md）：

--- name: 技术分析助手 description: 提供 K 线形态识别、技术指标解读、买卖点判断的专业分析框架 --- # 技术分析助手 ## 分析流程 1. 调用 GetEastMoneyKLine 获取最近 60 日 K 线数据 2. 调用 GetEastMoneyKLineWithMA 计算 5/10/20/60 日均线 3. 识别 K 线形态（锤头线、十字星、吞没形态等） 4. 计算 MACD、RSI、KDJ 指标 5. 综合判断买卖信号 ## 输出格式 | 指标 | 数值 | 信号 | |------|------|------| | ... | ... | ... |

三、知识库（RAG）

知识库让 AI 回答建立在你的私有资料之上，完整链路为：上传文档 → 自动向量化 → 语义检索 → 增强回答。

3.1 核心能力

不支持格式：.pdf/.docx/.doc暂不支持，请先转换为.txt或.md（后续版本将支持）。源码中 backend/agent/knowledge_base.go 的AddFileToKB明确按扩展名分支处理（源码 L679-L704），并限制单文件 ≤ 10 MB（源码 L675-L677）。

3.2 与 AI 的集成方式

知识库有两种被 AI 使用的方式：

1. Agent 工具（自动）：SearchKnowledgeBase（单库检索）、SearchAllKnowledge（统一检索）、ListKnowledgeBases注册为 Agent 工具（实现在 backend/agent/knowledge_base_tool.go），AI 在对话中按需自主调用。其中SearchKnowledgeBase参数为kb_name（必填）、query（必填）、top_k（可选，默认 5，范围 [1, 20]）；SearchAllKnowledge参数为query+top_k，无需指定知识库名称。
2. 系统提示词注入（主动）：知识库问答界面将统一检索结果直接构建进系统提示词，AI 无需重复调用检索工具即可回答，适合明确的问答场景。

工具注册于GetAllTools/getToolsByQuestion，在主聊天、飞书机器人、定时任务等所有 Agent 入口均可使用。

3.3 技术架构

• 向量存储：采用chromem-go（纯 Go 嵌入式向量库，零 CGO 依赖，与现有 SQLite 构建链兼容）。每个知识库对应一个独立 collection，collection 名统一加kb_前缀以避免与系统 collection 冲突（knowledge_base.go 源码 L44-L54）；
• Embedding：复用 OpenAI 兼容接口（/v1/embeddings），直接使用 AI 配置中已有的供应商。默认模型text-embedding-3-small，可通过配置或环境变量GO_STOCK_EMBEDDING_MODEL覆盖（long_term_memory.go 源码 L38-L58）;
• 模型解析优先级：embeddingModel 参数 > 环境变量 GO_STOCK_EMBEDDING_MODEL > (type=embedding 服务的 ModelName) > AIConfig.EmbeddingModel > 默认 text-embedding-3-small（源码 L256-L269）；
• Embedding 缓存：相同 query 1 小时内不重复调用 embedding API，缓存容量上限 1000 条，超限清空（embedding_cache.go）；
• 容错：向量化失败仅记录日志，不阻断主流程；批量导入单文件失败不影响其他文件继续导入。

批量导入与并发控制（源码级）：批量导入以 3 个文件级 worker 并发处理（fileConcurrency = 3），每个文件内又以 8 个切片级 worker 并发入库（concurrency = 8），同时用全局信号量kbEmbedGlobalSem（容量 5）兜底限制 embedding API 的实际并发数，避免高并发触发供应商限流（knowledge_base.go 源码 L135-L138、L586-L604）。前端可通过GetKBVectorizingStatus轮询向量化进度（向量化中 / 已完成 / 失败）。

自动切片：基于 go-chunker 的 Markdown 递归策略，切分顺序为「标题 → 段落 → 句号 → 空格」，用 rune 计数（中文友好，1 个汉字算 1），目标 500 字、重叠 60 字、过滤 <20 字的过短片段（text_chunker.go 源码 L26-L57）。统一检索时各源取topK*2条用于全局重排，最终截断到 topK，单源失败不影响其他源。

3.4 知识库问答（统一检索 + Agent 综合回答）

「知识库管理 → 知识库问答」Tab 提供一键式 RAG 问答体验：

输入问题 + TopK + AI 服务 + Agent 模式 │ ├─① 统一检索：SearchAllKnowledge │ 并发检索所有 KB + qa_history │ 全局相似度重排 → 展示命中片段（按来源着色） │ └─② Agent 综合回答：ChatWithAgentKBQA 将命中片段注入系统提示词 Agent 基于检索内容生成回答（流式） 支持 Markdown 渲染（MdPreview）

界面采用左右布局：检索命中片段与 Agent 回答并排展示，均可点击标题折叠隐藏；每条命中标注「知识库 / 历史经验」来源标签、KB 名、来源文件与相似度；回答用MdPreview组件渲染，支持标题、列表、代码块、表格；若 Agent 输出推理过程则单独弱化展示；回答过程中可随时中止。

与主聊天的区别：

四、长期记忆与用户画像

长期记忆解决的是「AI 每次都从零开始」的问题：历史问答经验自动沉淀为可语义检索的知识，用户画像让 AI 跨会话「懂你」。

4.1 长期记忆

长期记忆基于 chromem-go 实现qa_history向量 collection，持久化于程序所在目录的memory/.vectorstore/目录：

<程序目录>/memory/ ├── .vectorstore/ # 向量库（chromem-go 持久化） │ ├── .kb_meta.json # 知识库元信息（各 KB 绑定的 AI 服务 + embedding 模型） │ └── <chromem 内部存储> # 各 KB collection + qa_history collection └── 2026-01-10/ # 按日期归档的分析报告 └── 2026-01-10_143022_xxxx.md

核心机制包括：

• 归档时入库：每次分析报告归档时（触发点为archiveAnalysisReport，在 react / plan_execute / deepagents 模式下 Agent 回答完成后调用），问题与回答自动切片、异步向量化写入qa_historycollection（AddMemory在独立 goroutine 中执行，不阻塞归档主流程）。文档 ID 采用「日期+时间戳+chunk序号」，同一问题多次归档不会互相覆盖；
• 自进化时检索：Agent 自进化构建提示词时（buildSelfEvolutionPrompt→SearchRelevant），按当前问题语义召回 Top-K 条历史问答经验（默认 5 条），支持用户隔离（userKey非空时只检索该用户记忆）、按问题去重保留最高相似度，替代旧版文件名扫描。每条召回记录包含问题、回复片段、模式、日期、报告路径，FormatMemoryRecall将其格式化为可注入系统提示词的「历史相关经验」段落（见 long_term_memory.go 源码 L514-L551）；
• 切片策略：每个切片前缀加Q: {question}\nA:，让 embedding 同时捕获问题与回复的语义（源码 L382-L404）；
• 记忆管理：所有向量操作失败仅记录日志并自动降级（回退到文件名扫描），不影响任何主流程。

⚠️ 提示：若曾切换过向量服务导致向量维度不一致，检索会报「vectors must have the same length」，此时需清空memory/.vectorstore/目录下的向量库后重启重建（源码 L468-L471 有明确的错误日志指引）。

4.2 用户画像

用户画像将你的行为数据压缩为一份memory/user_profile.md，并在对话时注入 Agent 系统提示词：

• 自动学习：Agent 汇总行为数据（对话反馈等），调用 LLM 自动生成/更新画像，原子写入避免损坏；
• 注入对话：画像以「【用户偏好】」段落注入系统提示词，AI 从此记住你的风格与偏好（可开关）；
• 手动管理：前端提供画像编辑/预览、保存、清空、重新学习等操作，并展示画像完整度与更新时间（前端 frontend/src/components/user-profile.vue）。

4.3 与知识库的联动

长期记忆与知识库共享统一检索入口：SearchAllKnowledge在检索所有自定义知识库的同时，一并检索历史问答经验。你的「经验」和你的「资料」在 AI 眼中是同一个知识体系。两者底层共享同一套向量库（chromem-go），但用途分明：

五、功能全景图

┌─────────────────────────────────────────────────┐ │ 首页 │ │ 全球指数 · A股四大指数 · 涨跌停 · 指数分时 │ │ 融资融券 · 韩国市场(KOSPI/三星/海力士) │ │ 炒作题材 · 财联社电报(实时推送) · 两融排名 │ └─────────────────────────────────────────────────┘ │ ▼ ┌─────────────────────────────────────────────────┐ │ 技能系统 · 技能广场 │ │ 本地技能(SKILL.md 渐进式注入) │ │ 广场(搜索/分类/排行/点赞/收藏) │ │ 下载导入 / 分享上传 / VIP 权限控制 │ └─────────────────────────────────────────────────┘ │ ▼ ┌──────────────────────┬──────────────────────────┐ │ 知识库(RAG) │ 长期记忆·用户画像 │ │ 文档上传/自动切片 │ 历史问答自动向量化沉淀 │ │ 语义检索/统一检索 │ 自进化语义召回 Top-K │ │ Agent 工具/提示词 │ 画像自动学习+注入 │ └──────────────────────┴──────────────────────────┘

六、配置与实战指引

6.1 知识库与长期记忆的配置步骤

知识库与长期记忆都需要 embedding 服务，配置链路如下：

1. 配置 AI 服务：在「AI 服务管理」中配置至少一个支持 embedding 的 AI 服务（如 OpenAI text-embedding-3-small、硅基流动 bge-m3 等）。也可通过环境变量GO_STOCK_EMBEDDING_MODEL覆盖默认向量模型；
2. 创建知识库：进入「研究中心 → 知识库管理」，点击「新建知识库」，输入名称（如「白酒财报」），在新建/配置时绑定 AI 服务与 embedding 模型；
3. 导入文档：选中该知识库，点击「上传文件」，选择.txt/.md文件，等待向量化完成（状态栏显示进度；批量导入可后台异步执行，导入后即可关闭抽屉）；
4. 检索测试：单库检索在知识库列表抽屉的「检索测试」卡片；长期记忆测试切到「长期记忆检索」Tab；统一检索在「知识库问答」Tab 输入问题点「统一检索」；
5. 知识库问答：切到「知识库问答」Tab，输入问题、选择 AI 服务（对话型）与 Agent 模式（复杂分析建议「规划」或「DeepAgents」）、设置 TopK（建议 5~10）、点击「检索并回答」；
6. 配置长期记忆：在「长期记忆检索」Tab 确认绑定的 AI 服务（SetLongTermMemoryAiConfigId），日常使用中历史问答会自动积累，可在此 Tab 检索验证。

6.2 典型应用场景

• 个股深度研究：建立「个股资料」「行业研报」知识库，上传年报、研报（转成 .md），在主聊天直接提问，Agent 自动检索两个库综合分析；
• 交易规则与策略沉淀：把你的选股条件、仓位管理、止损策略写成 .md 上传到「我的交易规则」库，再问「按我的规则，当前 XXX 是否符合买入条件」；
• 跨知识库综合问答：在「知识库问答」Tab 用SearchAllKnowledge一次检索所有 KB + 历史经验，Agent 基于跨库内容综合回答并标注来源；
• 经验积累与自进化：日常问答自动归档到长期记忆，相似问题下次提问时buildSelfEvolutionPrompt自动召回相关历史问答注入，AI 可参考之前的结论与逻辑；
• 飞书/定时任务智能问答：知识库工具注册于GetAllTools，飞书机器人、定时任务等所有 Agent 入口均可自主调用，例如定时任务「每日盘后总结」可先检索「交易规则」库的复盘模板再结合当日行情生成总结。

6.3 常见问题速查

• 检索结果相似度不高？检查 embedding 模型是否与文档语言匹配（中文文档建议用 bge-m3 等中文优化模型）；确认文档已完成向量化；用更具体的关键词；适当增大 TopK。
• 不同知识库可以用不同 embedding 模型吗？可以。每个 KB 独立绑定 AI 服务 + embedding 模型，但跨库统一检索时不同模型的相似度并非严格可比（作为粗排依据足够）。
• 长期记忆会无限增长吗？chromem-go 是嵌入式向量库，检索性能在万级文档量级内无明显衰减；如需清理，可删除memory/.vectorstore/下对应 collection 数据后重启。
• 上传的文档会被修改吗？不会。系统只读取文件内容进行分块与向量化，原始文件不受影响。
• 技能在 React / PlanExecute 模式下为什么不生效？技能系统仅在 DeepAgents 模式启用，切换到🔬 DeepAgents模式即可。

七、相关文档与深入阅读

• 《技能管理功能说明》——docs/技能管理功能说明.md：技能目录结构、SKILL.md 格式与本地技能管理详解；
• 《知识库与长期记忆功能说明》——docs/知识库与长期记忆功能说明.md：知识库与长期记忆的深度使用指南；
• 《go-stock使用手册》——docs/go-stock使用手册.md：整体功能使用说明。

后端源码入口建议重点阅读：backend/agent/knowledge_base.go（多知识库管理与向量化）、backend/agent/long_term_memory.go（长期记忆）、backend/agent/skill_backend.go（技能容错后端）、backend/agent/knowledge_base_tool.go（Agent 工具注册）；前端界面组件可参考 frontend/src/components/AnalyzeMartket.vue、frontend/src/components/skill-manager.vue、frontend/src/components/knowledge-base-manager.vue 与 frontend/src/components/user-profile.vue。

• 人工智能
• 大模型
• AI 应用
• AI Agent
• RAG
• 金融科技
• 桌面应用
• MCP Clients