企业官网建设流程全解析

整体思路：

1. 前端维护树形节点数组 +activePath激活路径，上下文主体存储在后端；
2. 节点原始数据不被修改，用于前端渲染完整历史记录；摘要 / 浓缩产物为额外附属字段，不污染原始节点内容；
3. 两种触发总结逻辑：①分叉节点触发向上总结；②线性路径节点数到达阈值触发截断总结；
4. 拼接给大模型的 prompt 上下文：向上回溯到最近的总结锚点节点，使用锚点的浓缩上下文 + 锚点之后节点（摘要 / 原文混合） + 用户当前提问；
5. 最近 N 条对话保留原文，保证对话准确性，更早内容做摘要压缩。

交互流程：前端发起提问 → 携带activePath激活路径 + 用户新问题 → 后端基于路径回溯组装上下文 → 请求大模型 → 返回回答，后端新增对话子节点。

逻辑图：

核心概念定义

1. 对话节点 Node：树的最小单元，每一轮用户提问 + AI 回答生成一个节点；节点可以拥有多个子节点，代表对话分叉。
2. activePath 激活路径：节点 ID 数组，从根节点到当前正在交互的叶子节点，代表用户当前所处对话分支；例如[rootId, n1, n3, n7]。
3. 总结锚点节点 (SummaryAnchor)：打上锚标记的节点，该节点保存向上回溯得到的浓缩完整上下文；回溯上下文遇到锚点就停止向上遍历，避免遍历全部历史。
4. 原始内容：userContent、aiContent，永远不变，用于前端历史回放，禁止改写。
5. 摘要内容：附属字段，对历史对话压缩总结，仅用于 LLM 入参，不影响历史展示。
6. 线性路径阈值：单条无分叉的链路上累计节点达到阈值，生成总结锚点；
7. 最近原文保留条数：锚点之后末尾 K 条节点，不做摘要，直接使用原始对话文本，保障语义准确。

关键数据结构

对话节点结构体（后端存储，数据库 / 内存）

原始对话字段只读；summary 相关为衍生压缩数据，不修改 userContent/aiContent

interface DialogueNode { nodeId: string; // 节点唯一ID parentNodeId: string | null; // 父节点ID，根节点为null childrenNodeIds: string[]; // 子节点ID列表，多个代表对话分叉 // ========== 原始内容【只读，历史渲染使用，绝不修改】 ========== userContent: string; // 用户原始提问 aiContent: string; // AI原始返回回答 createTime: number; // ========== 压缩摘要字段【衍生数据，仅用于LLM请求】 ========== isSummaryAnchor: boolean; // 是否为总结锚点节点 anchorSummary?: string; // 锚点：该节点向上追溯到根的全部对话浓缩总结（分叉/线性阈值触发） nodeSummary?: string; // 当前节点单轮对话的简短摘要，非锚点节点使用 }

会话顶层会话对象

interface DialogueSession { sessionId: string; rootNodeId: string; allNodes: Record<string, DialogueNode>; // 总节点字典，key=nodeId，维护全部节点，替代数组，快速查找 // 后端缓存前端传递的activePath，也可以每次直接由前端传入，后端不持久化activePath // activePath?: string[]; config: TreeDialogConfig; // 当前会话压缩配置 } // 系统可配置参数 interface TreeDialogConfig { linearThreshold: number; // 线性路径触发总结阈值，例如12个节点 keepRawCount: number; // 末尾保留原文节点数量，例如3，最近3轮不走摘要 }

说明：使用Record<string, DialogueNode>字典存储全部节点，里面是'n1':{nodeID:'n1'}，相比数组，通过 nodeId 查找、找父、找子节点效率更高；前端可以把字典转成数组渲染历史。

前端请求入参

前端调用对话接口，不需要把全部节点传给后端，只传递激活路径和用户问题：

interface ChatRequestDTO { sessionId: string; activePath: string[]; // [rootId, n1, n3, n7]，从根到当前节点id数组 userQuestion: string; // 用户最新问题 }

后端返回给前端

interface ChatResponseDTO { newNodeId: string; // 新建子节点ID aiAnswer: string; }

核心业务逻辑流程

流程 1：接收前端对话请求，组装 LLM 上下文

输入：sessionId、activePath、userQuestion输出：组装完成给大模型的 messages 上下文数组

1. 根据sessionId拿到会话，根据activePath校验路径合法性（路径节点必须全部存在）；
2. 向上回溯查找最近的总结锚点节点：
   • 从 activePath 最后一个节点的父节点开始，沿着 parentNodeId 向根节点遍历；
   • 停止条件：找到isSummaryAnchor=true节点 || 到达根节点；
3. 分割路径：
   • anchorNode：找到的锚点节点；如果没有锚点，则 anchorNode=null；
   • afterAnchorNodeIdList：锚点节点之后，一直到当前 activePath 末尾的全部节点 ID 列表；
4. 处理上下文片段：
   1. 如果存在anchorNode：取anchorNode.anchorSummary作为前置全局上下文；
   2. 遍历afterAnchorNodeIdList节点集合：
      • 判断距离当前路径末尾位置：属于最后keepRawCount条，直接取原始userContent+aiContent；
      • 其余节点使用nodeSummary单轮摘要；
5. 将前置全局上下文 + 遍历得到的片段消息 + 当前用户新问题，组装成 LLM messages 数组，调用大模型。

关键点：原始 node 对象不会被修改，只是读取 summary 附属字段。

流程 2：大模型返回后，新建子节点

1. 在 activePath 最后一个节点下创建新子节点，填充原始 userContent、aiContent；
2. 将新节点 id 加入父节点的childrenNodeIds；存入allNodes；
3. 触发总结判断逻辑（两个条件满足任意就执行总结生成，不修改原始字段）
   • 条件 A【分叉触发总结】：父节点在新增子节点之后，childrenNodeIds.length > 1→ 当前父节点成为分叉节点，执行向上浓缩总结，生成anchorSummary，标记isSummaryAnchor=true；
   • 条件 B【线性阈值触发总结】：当前分支（activePath）最新节点离上一个锚点或根节点后的节点数量 >=linearThreshold，把该位置节点设置为锚点，生成anchorSummary；
4. 对非锚点的旧节点，生成单轮nodeSummary（单轮对话简短摘要）；

注意：生成 anchorSummary、nodeSummary 是调用大模型做总结，生成的结果写入附属字段，原始 userContent/aiContent 保持原样，用于前端历史渲染。

流程 3：锚点总结逻辑（分叉 / 线性阈值触发）

只写衍生 summary 字段，原始节点只读！

1. 从待标记为锚点的节点向上回溯直到上一个锚点或根，收集该段全部原始对话内容；
2. 调用 LLM：对收集的全部对话做整体浓缩总结，提示模型锚点的上下文尽量不要改，只总结后面的原始文本，与前面的上下文拼接成新的上下文输出anchorSummary（大致是上个锚点上下文+后续总结）；
3. 设置节点isSummaryAnchor = true，赋值anchorSummary；
4. 后续回溯上下文，遇到这个节点就直接使用这份总摘要，不再继续向上遍历。

流程 4：单节点摘要逻辑（普通历史节点）

对单条用户 + AI 对话做简短摘要，输出nodeSummary，仅用于上下文组装，原始数据不动。

边界规则说明

1. 分叉节点：只要一个节点产生≥2 个子对话，就触发锚点总结；分叉之后，所有子分支回溯都会复用该分叉锚点的anchorSummary，分叉之后各自分支继续独立增长。
2. 多锚点嵌套：树形路径可以存在多个锚点，回溯只取离当前节点最近那一个，更早锚点直接忽略。
3. 原文保留策略：锚点之后末尾 N 轮强制原始文本，防止摘要丢失最新细节，避免大模型幻觉。
4. 回退历史分支场景：当用户切换 activePath 到历史某旧节点，回溯逻辑不变，依然向上找最近锚点，自动适配旧分支上下文。
5. 历史展示：前端读取allNodes全部原始userContent、aiContent渲染对话树，完全不读取 summary 字段；summary 仅后端内部 LLM 调用使用。
6. 锚点节点本身也参与对话，可以继续往下生成子节点。

伪代码实现（核心片段）

回溯查找最近锚点节点

/** * 沿着节点向上查找最近的总结锚点 * @param nodeId 当前节点id * @param allNodes 全部节点字典 * @returns {anchorNode: DialogueNode|null, pathAfterAnchor: string[]} */ function findNearestSummaryAnchor(nodeId: string, allNodes: Record<string, DialogueNode>) { let cur: string | null = nodeId; const afterAnchor: string[] = []; while(cur) { const node = allNodes[cur]; if (!node) break; // 找到锚点，直接返回，afterAnchor不包含锚点自身 if(node.isSummaryAnchor) { return { anchorNode: node, pathAfterAnchor: [...afterAnchor] } } afterAnchor.unshift(cur); cur = node.parentNodeId; } // 遍历到根节点依然没有锚点 return { anchorNode: null, pathAfterAnchor: [...afterAnchor] }; }

组装 LLM messages

async function buildLLMMessages( activePath: string[], userNewQuestion: string, session: DialogueSession ) { const { allNodes, config } = session; const currentNodeId = activePath.at(-1)!; const { anchorNode, pathAfterAnchor } = findNearestSummaryAnchor(currentNodeId, allNodes); const messages: Array<{role: string, content: string}> = []; // 加入锚点全局浓缩上下文 if(anchorNode && anchorNode.anchorSummary) { messages.push({ role: "system", content: `【历史对话总摘要】${anchorNode.anchorSummary}` }); } // 处理锚点之后的节点，区分摘要/原文 const totalAfter = pathAfterAnchor.length; for(let idx = 0; idx < totalAfter; idx++) { const nid = pathAfterAnchor[idx]; const node = allNodes[nid]; // 判断是否属于末尾需要保留原文的条目 const isKeepRaw = (totalAfter - idx) <= config.keepRawCount; if(isKeepRaw) { messages.push({role:"user", content: node.userContent}); messages.push({role:"assistant", content: node.aiContent}); } else { // 使用单轮节点摘要 if(node.nodeSummary) { messages.push({role:"system", content: `【历史片段摘要】${node.nodeSummary}`}) } else { // 兜底，如果摘要还未生成，降级使用原始文本 messages.push({role:"user", content: node.userContent}); messages.push({role:"assistant", content: node.aiContent}); } } } // 追加当前用户最新提问 messages.push({role:"user", content: userNewQuestion}); return messages; }

新增节点后判断是否触发锚点总结

/** * 创建完新子节点之后调用 * @param parentNodeId 父节点id，刚刚新增了子节点 * @param session 会话 */ async function tryTriggerSummaryAnchor(parentNodeId: string, session: DialogueSession) { const { allNodes, config } = session; const parentNode = allNodes[parentNodeId]; // 条件1：分叉，子节点数量大于1，触发锚点 const isFork = parentNode.childrenNodeIds.length > 1; // 条件2：获取当前从根到父节点路径，线性节点数达到阈值 const pathToParent = getPathFromRoot(parentNodeId, allNodes); const isReachLinearThreshold = pathToParent.length >= config.linearThreshold; if ((isFork || isReachLinearThreshold) && !parentNode.isSummaryAnchor) { // 收集从根到该节点全部原始对话，调用LLM做整体浓缩 const rawDialogues = collectRawDialogue(pathToParent, allNodes); const anchorSummary = await callLLMGenerateWholeSummary(rawDialogues); // 仅修改衍生字段，原始userContent/aiContent不变！！ parentNode.isSummaryAnchor = true; parentNode.anchorSummary = anchorSummary; } // 给普通节点生成单轮摘要 for(const nodeId of pathToParent) { const node = allNodes[nodeId]; if(!node.isSummaryAnchor && !node.nodeSummary) { node.nodeSummary = await callLLMGenerateSingleTurnSummary(node.userContent, node.aiContent); } } }

辅助工具函数：getPathFromRoot根据节点 id 向上回溯生成完整 path 数组；collectRawDialogue收集路径上全部原始对话文本；callLLMGenerateWholeSummary、callLLMGenerateSingleTurnSummary调用大模型做摘要生成。

前后端分工

前端

1. 维护会话树，维护activePath（根到当前交互节点 ID 数组）；
2. 渲染全部历史：读取所有节点userContent、aiContent原始字段，渲染树形分叉对话 UI；
3. 用户切换历史分支时更新activePath；
4. 请求接口仅传递sessionId + activePath + 用户新问题；不把完整对话传给大模型，上下文全部后端组装。

后端

1. 持久化session会话对象，存储全部节点；
2. 根据activePath回溯树节点，组装 LLM 上下文；
3. 新增节点后判断分叉、线性阈值，异步生成锚点摘要、单轮节点摘要；
4. 绝对禁止改写节点原始对话字段，summary 全部为附属字段；
5. 提供接口，返回全部节点数据给前端渲染历史。

性能与优化点

1. 摘要生成可以异步任务处理，不要阻塞主对话接口；对话时摘要未生成做降级兜底，直接读取原始内容；
2. 锚点越多，单次组装上下文遍历节点越少，减少 token 消耗；
3. 数据库存储：节点表一条记录存一个DialogueNode；session 表存会话基础信息；
4. 分叉节点会成为公共锚点，多个子分支可以复用同一个anchorSummary，减少重复总结；
5. 配置调参示例：linearThreshold=12，keepRawCount=3，可根据模型窗口大小动态调整。

异常 case

1. 切换旧分支 activePath：回溯逻辑完全复用，自动找到该分支最近锚点；
2. 摘要生成失败：程序降级，直接读取原始对话，保证对话可用；
3. activePath 路径非法：后端校验，返回错误，前端重新同步会话节点。