企业官网建设流程全解析

AgentCPM-Report 是清华、人大与 ModelBest 联合开源的 8B 参数本地 DeepResearch 智能体，它靠4 类 Prompt 模板驱动检索-写作状态机，平均执行约 40 轮深度检索与近 100 轮思维链推理，就能在本地生成媲美顶级闭源系统的万字研究报告。本文带你拆开它的核心原理。

一、它是什么：8B 模型做出“大模型级”调研报告 🎯

AgentCPM-Report 基于 MiniCPM4.1 的 80 亿参数基座，接受一句用户指令后自主完成“检索 → 规划 → 写作 → 扩展 → 再检索”的长程任务。在 DeepResearch Bench 与 DeepResearch Gym 等评测上，它的综合表现与 Gemini-2.5-Pro-DeepResearch 等闭源系统处于同一梯队，且支持完全离线的本地部署。

仓库中 AgentCPM-Report 的核心目录结构如下：

AgentCPM-Report/ ├── agentcpm-report-demo/ # 一键部署的 docker-compose 配置 ├── examples/ # AgentCPM-Report 的管线配置示例 ├── prompts/ # 报告生成所需的 Prompt 模板 ├── servers/ # 自定义服务（报告生成管线主体） └── UltraRAG/ # 部署框架 UltraRAG

详细文档见 AgentCPM-Report/README_zh.md。

二、4 类 Prompt 模板：Analyst-Searcher-Writer 的“剧本” 📝

AgentCPM-Report 的多智能体系统由三类角色组成：Analyst（分析者）、Searcher（检索者）、Writer（写作者）。它们各自由一类 Prompt 模板驱动，模板都存放在AgentCPM-Report/prompts/目录：

其中 surveycpm_write_citation.jinja 是 write 模板的“强制引用”变体：它要求每条事实性陈述后必须紧跟[1]、[1][3][5]这类文档编号，禁止虚构不存在的引用，用于对引用准确率要求更高的场景。

统一“thought + action”输出协议

4 个模板共享同一套输出协议：模型必须先输出<thought>思维链，再输出 JSON 格式的<action>动作。这套设计带来两个关键好处：

• 可解析、可校验：状态机用正则在 surveycpm_parse_response 中抽取<thought>与<action>，并校验动作名是否在["search", "init-plan", "extend-plan", "nop", "write"]白名单内、内容语言是否与用户指令一致；
• 失败可重试：解析失败时状态原地保持并重新推理（hard mode 下更严格），这就是“近 100 轮推理”的来源——每一步都是一次完整的“思考 → 行动 → 校验”循环。

三、140 步状态机：万字报告是怎样“滚”出来的 ⚙️

整个生成流程由一份 YAML 管线配置调度，入口是 examples/AgentCPM-Report.yaml：一个times: 140的大循环，每轮先用router.surveycpm_state_router读取状态，再分派到 search、analyst-init_plan、write、analyst-extend_plan、done 五个分支之一。

状态转移逻辑集中在 surveycpm_update_state，核心规则可以浓缩成一条主循环：

search（提炼关键词→批量检索→更新检索信息） │ 大纲尚未生成（cursor == outline） ▼ analyst-init_plan（生成标题+顶层章节） │ 大纲就绪 ▼ write（写当前章节正文） ◄────────────┐ │ 章节写完 │ └──► search（为下一章节检索）────┘ │ 所有章节写完 ▼ analyst-extend_plan（最多扩展 5 轮，可 nop 直接结束） ▼ done → 格式化为最终 Markdown 报告

几个关键参数定义在 servers/custom/parameter.yaml：surveycpm_max_step: 140是总步数上限（防死循环），surveycpm_max_extend_step: 5限制深度扩展轮数。实际运行中，模型平均每篇报告执行约40 轮检索、累计近100 轮推理，在 140 步预算内自然收敛。

写作进度由cursor（游标）追踪：surveycpm_state_init 初始化时游标为outline，随后 surveycpm_after_init_plan 把大纲写入结构化 survey（JSON 树），surveycpm_after_write 每写完一节就把内容填进对应节点并把游标推进到下一节——报告像“填格子”一样逐节成型，互不覆盖、不会重复。

四、引用系统：从 textid 到 [1][2][3] 的溯源闭环 🔗

万字报告的可信度来自一套闭环引用机制：

1. 统一编号：surveycpm_process_passages_with_citation 对多路检索结果去重，并按 top-k 配额（大纲阶段 20 条、写作阶段 10 条）截取片段，给每条唯一文档分配textid1、textid2…的持久编号，注册表由 surveycpm_init_citation_registry 在流程开始前初始化；
2. 写作期约束：Writer 模板要求正文使用\cite{textidN}标注，surveycpm_after_write 还会提取本次检索到的 bibkey 集合用于一致性校验，杜绝“凭空引用”；
3. 输出期渲染：surveycpm_format_output 将 survey 树渲染为带## 1 / ### 1.1层级的干净 Markdown，并把\cite{textid2, textid1}自动替换为去重排序后的[1][2]角标（见 格式化函数中的引用替换），最终交付一篇可追溯来源的万字报告。

五、如何快速部署体验 🚀

无需写一行代码，官方提供 docker-compose 一键部署（集成 RAG 框架 UltraRAG、推理引擎 vLLM 与向量数据库 Milvus）：

git clone https://gitcode.com/gh_mirrors/ag/AgentCPM cd AgentCPM/AgentCPM-Report/agentcpm-report-demo cp env.example .env docker-compose -f docker-compose.yml up -d --build

• 首次启动需拉取镜像、下载模型，约 30 分钟；
• 纯 CPU 机器可改用 docker-compose.cpu.yml（llama.cpp + GGUF 格式模型）；
• 打开http://localhost:5050即可在图形界面上传本地知识库、建索引，然后选择 AgentCPM-Report 管线开始生成报告。

模型与环境变量配置说明见 env.example，部署细节见 README_zh.md 快速开始章节。

六、总结 🏁

AgentCPM-Report 的精髓在于：用 4 类 Prompt 模板定义角色剧本，用 140 步状态机约束执行节奏，用引用注册表保障事实溯源。这种“模板 + 状态机 + 校验重试”的工程范式，让 8B 端侧模型也能稳定完成 40 轮检索、近 100 轮推理的复杂 DeepResearch 任务——这正是它比肩顶级闭源系统、又保持本地安全的底层原因。