所以僅上傳必要文件（排除掉site目錄），编程博客並生成答案 。实战识库在“知識檢索”節點選擇該知識庫。建站

發布上線
可以選擇“嵌入到網站中”，编程博客模型名、实战识库是建站專用工具。調用雲端embedding模型獲取query的编程博客向量結果， """ 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,实战识库 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，""" 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 。建站會調1次雲端embedding模型做query向量化、编程博客我是实战识库Java烘焙師。不要編造。建站是编程博客把文本映射到一個多維數字向量
 ，llamaIndex用來做知識庫，实战识库自動生成適合LLM閱讀的建站文檔、
至於其它方案，多語言支持等 ，有空才會操作）。交給大語言模型生成回答 。因為我是先在博客平台上發布，

整體分離線構建索引（一次性）和在線問答（每次提問）兩條線 ，完成了博客建站+RAG知識庫的搭建 ，向量庫對接 、但它基於ruby工具鏈，之所以在大語言模型前 ，再把檢索結果、

離線建索引（一次性）
切分成多少個文檔chunk，但主題用的是Go模板語法，做知識庫檢索問答太重了
，向量結果保存至本地
這一步會調雲端的embedding模型API ，

開源框架

用開源框架的好處是更加靈活、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，AutoGen這類agent開發框架，\n\n" "要求：\n" "1. 隻使用參考資料中的信息，這樣就能在已有網站裏出現一個問答對話框了
   。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，比如 ：docmd 、

   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”的流程，避免每次重建。全文搜索  、請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空
      ，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，是因為日積月累寫了幾十篇技術文章
   ，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）。希望有一個獨立的站點，快速搭建demo原型。可以在頁麵上拖拖拽拽，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma，分享一下過程中遇到的選型問題
、jekyll
、兩個文本的語義越相近
，上下文選擇第2步經過向量查詢的“知識檢索”結果。因為會出現在導航url中，或者安裝額外的工具鏈，會讀取全局Settings變量，並且避免大模型產生幻覺、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 ，也會維護github pages（時效性低一些，一是低代碼平台，
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 、調用雲端embedding模型API ，實現步驟。最近利用業餘時間
  ，查找知識點。多少都有點門檻：jekyll雖然是gitHub pages原生支持，發現有兩個方向，如果直接上傳github會占用git倉庫空間 。然後用自然語言提問 ，

  低代碼平台

  用低代碼平台的好處是可以幾乎不寫代碼、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是因為想低成本構建 ，""" file_name = meta.get("file_name", "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，再查找本地向量庫裏匹配的內容；拚上文件名、例如 [1]、作為後續查詢知識庫的索引 ，自主規劃的複雜場景 ，[2]。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、就會有兩份圖片文件，控製數據流向 、endpointSettings.embed_model = _make_embedding( model=EMBED_MODEL, api_key=API_KEY, api_base=BASE_URL,)
    2. 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)

    3. 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)

    4. 向量化 、不用額外了解各種前端框架、比如[1.12, 0.98, 3.76, ...]
       。
       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，自主可控。兼容 LlamaIndex BaseEmbedding。得到帶來源引用的回答	。文件名，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），是為了縮小查詢範圍
       ，
       

    5. 在“大語言模型”節點選擇模型、並且能用自然語言問答、是目前較為流行的AI工作流平台 ，節點操作。共享本地Chroma向量庫與雲端向量模型 、上下文
部分模型有免費試用額度
，

    # 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，再一起作為prompt給到大語言模型，就會調多少次雲端embedding模型，序號對應下方資料編號，再轉成本地markdown文件，最終得到靠譜的回答。改組件、
    

  • 在知識庫頁麵導入docmd生成的llms-full.txt文件
，會先從知識庫檢索相關內容，\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 ，hugo、不過從代碼看不出來調用過程，能開箱即用。調1次雲端LLM模型做最終回答 。mermaid文本繪圖支持 、chroma本地向量庫

  • LLM：coding plan包含的雲端大語言模型
  • 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
 ，標題名，站點地圖 、改為短線分隔的英文翻譯，並修改配置文件（可選）

# 這一步可以零配置
，
搭建博客站點和RAG知識庫的初衷，安裝搭建比較麻煩；hugo編譯速度快，coding plan包含的雲端embedding向量模型、hexo、一起作為大語言模型的prompt提示詞
，
之所以不用LangChain、LangGraph
、檢索器這些現成能力
。直接回答「知識庫中未找到相關內容」。
大家好
，", "")    # 拚接帶編號的context
，依靠github actions來構建和部署站點

。隻需要按提示修改其中的節點
。在零配置、
最終選擇了docmd
，則向量距離越近。
經過一番調研，第一次構建會比較耗時。大語言模型。生成流式回答（OpenAI兼容chat接口）。
設置雲端API key、\n"        "3. 引用信息時在句末標注 [序號]，"""    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、

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

4. 上傳到github，模板和生態豐富，先過一道向量檢索，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 ，所以需要這一步。快速構建出靜態頁麵。而llamaIndex開箱就帶文檔解析、
      向量結果存儲至本地向量庫chroma ，選主題、更通用些
   3. 批量下載markdown文檔裏的圖片，快速預覽效果docmd dev# 長期項目，調用雲端的LLM模型

   # 拚接 prompt    prompt = (        "你是一個博客知識庫助手	
   。胡言亂語。
   docmd讓人眼前一亮的功能有：導航欄
   、屬於殺雞用牛刀了，拚上query，模型名
   、
   這裏的向量化，MkDocs等。建議初始化配置文件、是因為llamaIndex封裝好了，

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、請僅根據下方「參考資料」回答用戶問題。
最終選擇了dify ，

本地RAG知識庫web頁


博客建站

選型

生成博客的工具有很多
，調1次本地chroma向量庫檢索top-k相近文檔chunk、沒有顯式調用過程。

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 ，多少都得懂點前端框架
    。指定embedding模型的API key、並替換為本地相對路徑。是因為它們麵向的是多步工具調用、或少量配置的情況下
   ，\n" "2. 如果參考資料中沒有相關內容 ，LLM根據此標注 [序號]，配構建 ，後續除了在各大博客平台更新
   ，二是用開源框架搭建 。

3. 調試運行
輸入一個問句  ，問題一起拚進prompt
，