檢索器這些現成能力。编程博客所以僅上傳必要文件（排除掉site目錄）
，实战识库""" file_name = meta.get("file_name",建站 "未知文件") # MarkdownNodeParser 把各級標題存為 header_path（形如 "/H1/H2/"） header_str = meta.get("header_path", "").strip("/").replace("/", " / ") return f"{ header_str}（{ file_name}）" if header_str else file_namedef answer(index, question: str): """檢索本地向量庫裏top-k匹配的內容，或者安裝額外的编程博客工具鏈  ，但主題用的实战识库是Go模板語法，\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,建站 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，調1次雲端LLM模型做最終回答。编程博客做知識庫檢索問答太重了 ，实战识库再查找本地向量庫裏匹配的建站內容；拚上文件名 、請僅根據下方「參考資料」回答用戶問題
。编程博客MkDocs等
。实战识库直接回答「知識庫中未找到相關內容」。建站例如 [1]
、编程博客節點操作 。实战识库不要編造 。建站控製數據流向
、站點地圖 、改組件 、之所以在大語言模型前
， """ 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，是因為llamaIndex封裝好了 ，最近利用業餘時間，查找知識點 。並且避免大模型產生幻覺、jekyll、建議初始化配置文件、分享一下過程中遇到的選型問題 、在零配置、因為我是先在博客平台上發布，快速構建出靜態頁麵 。再轉成本地markdown文件
，

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

，選主題、
設置雲端API key、
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼
、
搭建博客站點和RAG知識庫的初衷	，並且能用自然語言問答
、hugo、多語言支持等，", "")    # 拚接帶編號的context
，或少量配置的情況下，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片段
，文件名，
開源框架
用開源框架的好處是更加靈活、全文搜索
、
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線	，是把文本映射到一個多維數字向量，hexo
、
dify實現細節
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”的流程，是因為日積月累寫了幾十篇技術文章，比如[1.12, 0.98, 3.76, ...]
。依靠github actions來構建和部署站點。則向量距離越近
。也會維護github pages（時效性低一些，會調1次雲端embedding模型做query向量化、就會調多少次雲端embedding模型	
，先過一道向量檢索，調用雲端embedding模型API，\n"        "3. 引用信息時在句末標注 [序號]，能開箱即用
。
經過一番調研，然後用自然語言提問，調用雲端的LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手
。AutoGen這類agent開發框架，配構建，二是用開源框架搭建。沒有顯式調用過程	。是因為想低成本構建，胡言亂語。安裝搭建比較麻煩；hugo編譯速度快，
在“大語言模型”節點選擇模型、並修改配置文件（可選）
# 這一步可以零配置，如果直接上傳github會占用git倉庫空間。並做修改docmd init
構建靜態頁麵
docmd build
其它注意事項
：
本地目錄、並替換為本地相對路徑。序號對應下方資料編號	，問題一起拚進prompt，交給大語言模型生成回答	。指定embedding模型的API key、這樣就能在已有網站裏出現一個問答對話框了。是因為它們麵向的是多步工具調用
、快速搭建demo原型。在“知識檢索”節點選擇該知識庫。大語言模型。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
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、
至於其它方案	，自主可控
。
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器
，coding plan包含的雲端embedding向量模型
、自動生成適合LLM閱讀的文檔、endpointSettings.embed_model = _make_embedding(    model=EMBED_MODEL,    api_key=API_KEY,    api_base=BASE_URL,)
加載文檔
# SimpleDirectoryReader遞歸讀取博客目錄下的幾十篇markdown文檔    reader = SimpleDirectoryReader(        input_dir=BLOG_DATA_DIR,        required_exts=[".md"],        recursive=True,        filename_as_id=True    )    documents = reader.load_data(show_progress=True)
文檔切分
# 文檔切分

	：經MarkdownNodeParser按標題層級切成幾百個chunk    parser = MarkdownNodeParser()    nodes = parser.get_nodes_from_documents(documents)
向量化、
docmd讓人眼前一亮的功能有	
：導航欄	、
發布上線
可以選擇“嵌入到網站中”
，會讀取全局Settings變量，不用額外了解各種前端框架、模型名、拚上query
，\n"        "2. 如果參考資料中沒有相關內容，
大家好，所以需要這一步
。向量庫對接、快速預覽效果docmd dev# 長期項目，調1次本地chroma向量庫檢索top-k相近文檔chunk、
最終選擇了docmd，得到檢索結果
def format_source(meta: dict) -> str:    """從節點的metadata組裝來源信息：標題路徑（文件名）。上下文選擇第2步經過向量查詢的“知識檢索”結果。
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github	，實現步驟。
這裏的向量化，標題名，"""    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。請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空，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
，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 ，更通用些
4. 批量下載markdown文檔裏的圖片，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，會先從知識庫檢索相關內容，
下麵是用到的技術棧：
靜態頁麵構建：docmd
網頁托管：github pages
RAG知識庫：llamaIndex、改為短線分隔的英文翻譯
，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），多少都得懂點前端框架
。上下文
部分模型有免費試用額度，一是低代碼平台
，最終得到靠譜的回答。而llamaIndex開箱就帶文檔解析	
、避免每次重建。發現有兩個方向，\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，生成流式回答（OpenAI兼容chat接口）
。有空才會操作）
。第一次構建會比較耗時。得到帶來源引用的回答。
最終選擇了dify，
調試運行
輸入一個問句，[2]
	。作為後續查詢知識庫的索引，比如：docmd、
# 向量化並寫入chroma（本地持久化）    db = chromadb.PersistentClient(path=CHROMA_PATH)    if rebuild:        try:            db.delete_collection(COLLECTION_NAME)            logger.info("已清空舊索引")        except Exception:            logger.error("清空索引失敗")    collection = db.get_or_create_collection(COLLECTION_NAME)    vector_store = ChromaVectorStore(chroma_collection=collection)    # 向量化，
向量結果存儲至本地向量庫chroma
，兼容 LlamaIndex BaseEmbedding
。共享本地Chroma向量庫與雲端向量模型	、"""    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、隻需要按提示修改其中的節點。模板和生態豐富，調用雲端embedding模型獲取query的向量結果，模型名
、後續除了在各大博客平台更新
，兩個文本的語義越相近
，llamaIndex用來做知識庫
，LLM根據此標注 [序號]

，可以在頁麵上拖拖拽拽
，就會有兩份圖片文件，自主規劃的複雜場景

，完成了博客建站+RAG知識庫的搭建，mermaid文本繪圖支持、再一起作為prompt給到大語言模型，再把檢索結果
、並生成答案。
離線建索引（一次性）
切分成多少個文檔chunk
，屬於殺雞用牛刀了
，
之所以不用LangChain、多少都有點門檻：jekyll雖然是gitHub pages原生支持	，一起作為大語言模型的prompt提示詞，我是Java烘焙師
。是目前較為流行的AI工作流平台	，不過從代碼看不出來調用過程，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 ，
   

3. 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，希望有一個獨立的站點，是為了縮小查詢範圍，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，LangGraph
   、但它基於ruby工具鏈
   ，

   llamaIndex實現細節

   把markdown文檔向量化存入本地chroma ，是專用工具
   。因為會出現在導航url中，chroma本地向量庫

4. LLM
   ：coding plan包含的雲端大語言模型
5. 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 ，向量結果保存至本地
這一步會調雲端的embedding模型API ，

本地RAG知識庫web頁


博客建站

選型

生成博客的工具有很多，