小成本，认真做：这个网站和 Agent 是怎么搭出来的

职责	选择	为什么选它
网站页面	Astro 7	可以多写内容、少写 JavaScript 的框架，特别适合文章和个人主页这样的内容站。
后台 API	Cloudflare Workers	Cloudflare 提供的近乎免费 Serverless 托管，类似运行在全球边缘网络上的 AWS Lambda。
Agent 模型	deepseek-v4-flash	Agent 的大脑。三个月实际费用约 1.5 美元，便宜得像没用过，回答质量却并不廉价。
运行数据	Cloudflare D1	Cloudflare 提供的托管 SQLite。不用自己部署数据库，数据不多时几乎免费，正适合保存聊天记录、留言和 Agent 设置。
浏览器端连续性	localStorage	浏览器自带的小抽屉。把当前对话保存在访客自己的设备里，刷新页面后也不至于失忆。
防滥用	Turnstile + D1 限流	一个判断访客像不像机器人，另一个防止同一个人把 Agent 问到破产。
留言通知	Resend	不用配置 SMTP、可以直接通过 API 使用的邮件服务。
发布路径	GitHub → Cloudflare Worker	这个没啥可说的，默认路径了。

这个“RAG”故意很朴素

目前没有使用 Vectorize 或向量数据库。每次请求都会把稳定知识组装进系统 Prompt：公开履历、精选案例摘要、文章的日期、标签、标题和摘要、标准产品、实时设置，以及一套由我维护的常见问答。文章全文不会注入。

实测静态 Prompt 约 27,000 个字符、4,068 个英文词，约 6,000–8,000 tokens。聊天接口最多保留 20 条消息，每条最多 4,000 个字符。即使故意推到上限，总输入通常也只有约 25,000–30,000 tokens，而 DeepSeek 公布的上下文窗口是 1M tokens。

确定性组装上下文是权衡后的选择。价格、就业条件等关键事实必定出现，不会因为检索漏召回而缺失；也没有 embedding、索引同步、切块和 reranking 的维护周期，行为更容易复现和评估。

静态知识超过约 50,000 tokens、总输入经常超过 100,000 tokens、延迟或成本明显上升，或者评估显示无关知识开始干扰答案时，我会重新考虑。下一步大概率是 hybrid：身份、安全、产品和实时设置继续固定注入；长文章和案例再走检索。

这个判断不是只看 Prompt 有多长。我还做了一套 Prompt 质量评价系统，用它持续回答两个问题：现在的 AI 助手表现怎样，以及问题究竟来自行为规则、知识缺失，还是上下文已经大到需要检索。

它分成两层。第一层跟在每次真实回答后面运行。访客先收到正常回复；回复保存后，Cloudflare Worker 在后台创建一条 shadow evaluation，把最近八条对话、当前会话状态、预期语言和本次回答交给一个不参与对话的评估模型。它从 0 到 100 打分，检查 Agent 是否理解了显性或潜在需求、选择了自然的下一步、只使用有依据的事实、避免过早下结论或像表单一样追问、保留用户的信任和耐心、跟随用户语言，并在合适时提供可编辑的站内留言。分数至少 80，且没有路由错误、编造、语言错误或施压等关键问题，才算通过。分数、结论和原因都会写进 D1，和具体回答绑定：

真实回答 → 后台影子评价 → 0–100 分 + 是否通过 + 原因 → 保存到 D1

第二层用于修改 Prompt。测试程序会让 Codex 扮演咨询客户、项目客户、招聘者和普通访客，并维护两个隐藏状态：信任度和耐心度。DeepSeek 回答后，固定规则先检查错误语言、错误产品路由、虚构事实、泄漏 Prompt 和过早索取联系方式等硬失败；独立 AI Judge 再评价路由、需求发现、信任维护和沟通效率。候选 Prompt 最后还要面对真实网站上的固定两轮对话。完整测试通过后才能启用；失败的版本可以直接回滚。

这套系统不会因为某一次低分就自动宣布“该上 RAG 了”。如果相关事实已经在当前上下文中，错误主要来自语气、路由或追问方式，那就应该修行为规则。如果知识量持续增长后，评价开始反复出现相关事实找不到、无关材料干扰回答，同时 token、延迟或成本也越过阈值，才有证据把长文章和案例迁到检索层。这样，RAG 是评估结果推动的架构变化，不是为了看起来像一套 AI 系统而预先安装的组件。

不是所有知识都要重新发布网站

把全部资料放进 Prompt，还有一个实际问题：如果我的求职条件、服务范围或 Agent 的说话方式变了，难道每次都要改代码、重新部署网站吗？

不需要。

经常变化的事实，例如“是否接受 permanent 工作”，放在网站后台的 FAQ 里。我修改后，Agent 下一次对话就会使用新答案。

Agent 的说话方式也可以单独调整。例如这次它面对招聘者时，一口气追问七项信息，很像让对方填表。我可以把规则改成“先问一个开放问题，整段对话最多主动追问一次”，然后直接在真实网站上测试。测试通过后启用，效果不好也可以退回上一版。

但删除聊天、保存留言、权限检查这些事情仍然写在代码里。因为 Prompt 适合影响“怎么说”，不适合决定“数据到底有没有被删除”。

这个 Agent 是怎么一点点调出来的

网站上线前，我只给了 Agent 一个目标：帮助来访者了解 Dewei，回答他的经历、能力和合作方式。第一版知识不是我坐下来写的一份完整说明书，而是让 AI 先采访我。它不断追问我做过什么、擅长什么、不适合什么、愿意接受怎样的合作，再把这些回答蒸馏成个人资料、案例和规则，把已有文章的日期、标签、标题和摘要加入 Prompt，然后上线。

能用，但不太会聊天。

它有时不跟随用户的语言；有人问 permanent 工作，它不知道答案；招聘者只问“是否接受”，它却立刻递过去一张七项清单；面对一个看起来不错的岗位，又会太快宣布 MATCH。它甚至会把已经取消的免费通话重新推荐出来，或者在不了解项目细节时说“十周没问题”。

这些问题不是缺少更多文章，而是 Agent 不知道怎样使用已有信息。

网站运行一段时间后，我分析了真实聊天记录，把来访者归纳成咨询客户、项目客户、招聘者，以及只想了解我的普通访客。每种人的目标不同，耐心也有限。招聘者想快速判断匹配度，不想填表；普通访客只是想得到答案，不应该一进门就被推销。

于是我给模拟用户加了两个看不见的数值：信任度和耐心度。直接回答问题，信任会上升；绕圈、编造、过早索要联系方式，信任会下降。每多聊一轮、每多读一段废话，耐心都会减少。最后再看用户有没有得到答案，或者进入正确的下一步。

接下来就是一个循环：

Codex 模拟用户 → DeepSeek 回答 → AI 评分 → 每轮只改一两个问题 → 重新测试。

比如，把七项招聘清单改成一个开放问题；把“确定 MATCH”改成“值得认真考虑”；禁止项目对话误入咨询产品；也禁止为了显得可信，随便说某个客户案例“很相似”。

改完后，再让一个独立 AI Review 整套规则。本地通过还不算结束，我会挑三个最典型的两轮对话，直接测试真实网站：一次性咨询、项目交付和 permanent 招聘。最后，我自己再读一遍完整对话，问一句很朴素的话：

我愿不愿意让这个 Agent 代表我这样说？

确定的事实和边界会写进 FAQ、Prompt 或代码；说话方式则继续通过这套循环慢慢调整。它不是一次设计完成的，而是从真实聊天里一点点调出来的。

最后，AI 只负责把话说清楚

Agent 可以回答问题、判断初步匹配度，但不能替我接受工作或作出承诺。遇到需要本人决定的事情，它会在聊天里生成一份可编辑的留言摘要。访客确认后，留言才会进入我的 inbox，不需要离开对话再填一张表。

聊天记录最多保留 90 天，也可以由访客主动删除。但已经单独确认发送的留言会继续保留。这里的边界由代码控制，不由 Prompt 临场决定。