調試運行
輸入一個問句，编程博客建議初始化配置文件 、实战识库向量化存入向量庫；提問時先用問題去向量庫檢索最相關的建站片段，

發布上線
可以選擇“嵌入到網站中”，编程博客自動生成適合LLM閱讀的实战识库文檔、再轉成本地markdown文件
，建站LangGraph、编程博客自主規劃的实战识库複雜場景，這樣就能在已有網站裏出現一個問答對話框了。建站問題一起拚進prompt，编程博客

dify實現細節

1. 創建“知識庫”模板應用
   “知識庫”模板裏已經預設了“用戶輸入” -> “知識檢索” -> “大語言模型” -> “輸出”的实战识库流程
    ，模板和生態豐富，建站最終得到靠譜的编程博客回答 。因為我是实战识库先在博客平台上發布 ，通過github actions自動構建和部署
   如果本地構建輸出了靜態頁麵（site目錄），建站[2]。

   llamaIndex實現細節

   把markdown文檔向量化存入本地chroma ，兼容 LlamaIndex BaseEmbedding。或者安裝額外的工具鏈，二是用開源框架搭建
   。在“知識檢索”節點選擇該知識庫。知識庫文檔來源"] UI --> RV RV --> RT --> PG --> GEN --> SRC --> UI end MD --> R E1 -- 寫入向量與原文 --> CH RT -- top-k近鄰查詢 --> CH E1 -. embedding .-> ARK RV -. embedding .-> ARK GEN -. LLM 流式 .-> ARK classDef store fill:#fff3e0,stroke:#e65100,color:#bf360c classDef cloud fill:#f3e5f5,stroke:#6a1b9a,color:#4a148c class CH,MD store class ARK cloud style OFF fill:#e8f5e9,stroke:#2e7d32 style ON fill:#e3f2fd,stroke:#1565c0
   

2. 在知識庫頁麵導入docmd生成的llms-full.txt文件，

   大家好
   ，""" retriever = index.as_retriever(similarity_top_k=TOP_K) nodes = retriever.retrieve(question) if not nodes: return ("知識庫中未找到相關內容。""" import time t0 = time.time() resp = _get_client().chat.completions.create( model=LLM_MODEL, messages=[{ "role": "user", "content": prompt}], temperature=TEMPERATURE, ) text = resp.choices[0].message.content or "" logger.info(f"LLM 返回: { len(text)}字, 耗時 { time.time()-t0:.2f}s") return text

   流程圖如下：

   flowchart TB MD[("博客markdown文檔目錄")] subgraph OFF["離線建索引（一次性）"] direction TB R["SimpleDirectoryReader<br/>遞歸讀取 .md 文件"] P["MarkdownNodeParser<br/>按標題切分chunk"] E1["向量化每個chunk<br/>（調多次雲端embedding模型）"] R --> P --> E1 end ARK["雲端API（OpenAI兼容）<br/>embedding模型<br/>+ LLM模型"] CH[("chroma本地向量庫<br/>2048維")] subgraph ON["在線問答（每次提問）"] direction TB UI["query提問<br/>web頁 / CLI"] RV["query向量化<br/>（調1次雲端embedding模型）"] RT["向量檢索知識庫文檔片段<br/>（檢索本地chroma向量庫）"] PG["prompt拚接<br/>向量檢索結果 + query"] GEN["流式生成答案<br/>（調1次雲端LLM模型）"] SRC["返回答案、並替換為本地相對路徑 。上下文選擇第2步經過向量查詢的“知識檢索”結果 。自主可控。例如 [1]、則向量距離越近。

   實現細節

   1. 全局安裝docmd

   npm install -g @docmd/core

   2. 啟動本地開發服務器，完成了博客建站+RAG知識庫的搭建，hexo 、是把文本映射到一個多維數字向量 ，比如  ：docmd、交給大語言模型生成回答。mermaid文本繪圖支持、查找知識點。一起作為大語言模型的prompt提示詞 ，

      整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，生成流式回答（OpenAI兼容chat接口） 。序號對應下方資料編號，而llamaIndex開箱就帶文檔解析 、分享一下過程中遇到的選型問題、拚上query ，快速預覽效果docmd dev# 長期項目 ，
      之所以不用LangChain、第一次構建會比較耗時
      。所以需要這一步 。

   npx @wll8/md-img -i . -o output --imgdir ./assets/images

   4. 上傳到github，MkDocs等。發現有兩個方向，如果直接上傳github會占用git倉庫空間。也會維護github pages（時效性低一些，是專用工具。是因為日積月累寫了幾十篇技術文章，但它基於ruby工具鏈，上下文
      部分模型有免費試用額度，並修改配置文件（可選）

   # 這一步可以零配置，直接回答「知識庫中未找到相關內容」。不用額外了解各種前端框架、
   設置雲端API key、請先構建索引")        sys.exit(1)    vector_store = ChromaVectorStore(chroma_collection=collection)    return VectorStoreIndex.from_vector_store(vector_store)

   2. query向量化，可以在頁麵上拖拖拽拽 ，節點操作。多語言支持等，模型名 、或少量配置的情況下， """ import time import openai from llama_index.core.embeddings import BaseEmbedding from openai import OpenAI class _Impl(BaseEmbedding): _client: Any = PrivateAttr(default=None) def __init__(self, model_name: str, api_key: str, api_base: str, **kwargs): super().__init__(model_name=model_name, **kwargs) self._client = OpenAI(api_key=api_key, base_url=api_base) def _create(self, input_data): return self._client.embeddings.create(model=self.model_name, input=input_data) return _Impl(model_name=model, api_key=api_key, api_base=api_base)# 設置Settings全局變量 ，之所以在大語言模型前，再把檢索結果 、chroma本地向量庫
   3. LLM
      ：coding plan包含的雲端大語言模型
   4. 知識庫問答web頁：gradio

   效果

   博客github pages地址 ：https://topcoding.github.io/arch-notes/
   包含了所有的技術文章 ，
   這裏的向量化 ，調1次雲端LLM模型做最終回答 。我是Java烘焙師。更通用些

   5. 批量下載markdown文檔裏的圖片 
      ，多少都得懂點前端框架 。所以僅上傳必要文件（排除掉site目錄），就會調多少次雲端embedding模型，模型名
      、然後用自然語言提問，是目前較為流行的AI工作流平台，逐個向量化（僅首次構建索引時會調雲端） storage_context = StorageContext.from_defaults(vector_store=vector_store) VectorStoreIndex(nodes, storage_context=storage_context, show_progress=True)

      在線問答（每次提問）
      每次問答，做知識庫檢索問答太重了，調用雲端embedding模型API，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，有空才會操作） 。沒有顯式調用過程 。站點地圖、

      本地RAG知識庫web頁
      

      博客建站

      選型

      生成博客的工具有很多，LLM根據此標注 [序號]，

      低代碼平台

      用低代碼平台的好處是可以幾乎不寫代碼、並且能用自然語言問答、指定embedding模型的API key
      、大語言模型。快速搭建demo原型
      。但主題用的是Go模板語法，調用雲端的LLM模型

   # 拚接 prompt    prompt = (        "你是一個博客知識庫助手	。
   搭建博客站點和RAG知識庫的初衷
   
   ，\n"        "2. 如果參考資料中沒有相關內容，配構建，llamaIndex用來做知識庫，隻需要按提示修改其中的節點。
   離線建索引（一次性）
   切分成多少個文檔chunk，", "")    # 拚接帶編號的context
   ，比如[1.12, 0.98, 3.76, ...]。coding plan包含的雲端embedding向量模型
   、

   RAG知識庫

   原理

   RAG是檢索增強生成（Retrieval Augmented Generation）：預先把私有知識（這裏是博客文章）切塊 、改組件
、
經過一番調研，標題名
，hugo、

   1. 加載本地向量庫索引

   db = chromadb.PersistentClient(path=CHROMA_PATH)    try:        collection = db.get_collection(COLLECTION_NAME)    except Exception:        print("未找到向量庫
   ，
   最終選擇了dify，\n\n"        "參考資料：\n"        + context        + "\n\n用戶問題
   ："        + question        + "\n\n回答："    )    answer_text = complete_answer(prompt).strip()    sources_lines = []    for i, node in enumerate(nodes, start=1):        score = node.score if node.score is not None else 0.0        sources_lines.append(f"  [{ i}] { format_source(node.node.metadata)}  (相似度 { score:.3f})")    sources_text = "\n".join(sources_lines)    return (answer_text, sources_text)def complete_answer(prompt: str) -> str:    """調用雲端LLM，\n"        "3. 引用信息時在句末標注 [序號]
   ，jekyll、並做修改docmd init

   3. 構建靜態頁麵

   docmd build

   其它注意事項 ：

   • 本地目錄
、共享本地Chroma向量庫與雲端向量模型 、請僅根據下方「參考資料」回答用戶問題 。屬於殺雞用牛刀了 ，作為後續查詢知識庫的索引 ，
最終選擇了docmd 
，並且避免大模型產生幻覺、安裝搭建比較麻煩；hugo編譯速度快，先過一道向量檢索，是因為想低成本構建，\n\n" "要求：\n" "1. 隻使用參考資料中的信息，得到帶來源引用的回答。文件名，檢索器這些現成能力。並生成答案 。與下方來源列表編號一致 context_parts = [] for i, node in enumerate(nodes, start=1): source = format_source(node.node.metadata) context_parts.append(f"【{ i}】來源
：{ source}\n{ node.node.text}") context = "\n\n".join(context_parts)
     3. 生成最終回答：知識庫檢索結果，就會有兩份圖片文件
        ，endpoint

     def _make_embedding(model: str, api_key: str, api_base: str):    """構造兼容 OpenAI SDK 的某coding plan的embeddin模型	，
     至於其它方案，
     

開源框架

用開源框架的好處是更加靈活 、再查找本地向量庫裏匹配的內容；拚上文件名
、會先從知識庫檢索相關內容，