不用額外了解各種前端框架、编程博客
經過一番調研，实战识库就會調多少次雲端embedding模型，建站\n" "2. 如果參考資料中沒有相關內容 ，编程博客調1次本地chroma向量庫檢索top-k相近文檔chunk、实战识库

開源框架

用開源框架的建站好處是更加靈活 、調1次雲端LLM模型做最終回答 。编程博客或者安裝額外的实战识库工具鏈，隻需要按提示修改其中的建站節點
。交給大語言模型生成回答。编程博客向量庫對接
、实战识库
下麵是建站用到的技術棧 
：

• 靜態頁麵構建
  ：docmd
• 網頁托管 ：github pages
• RAG知識庫：llamaIndex、請僅根據下方「參考資料」回答用戶問題。编程博客完成了博客建站+RAG知識庫的实战识库搭建，

  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，建站並生成答案。

     llamaIndex實現細節

     把markdown文檔向量化存入本地chroma，胡言亂語 。但主題用的是Go模板語法，配構建，向量結果保存至本地
     這一步會調雲端的embedding模型API，模型名
     、快速預覽效果docmd dev# 長期項目 ，但它基於ruby工具鏈  ，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這樣就能在已有網站裏出現一個問答對話框了。是為了縮小查詢範圍，因為我是先在博客平台上發布 ，
     這裏的向量化，""" 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 。或少量配置的情況下，是專用工具
      。

     低代碼平台

     用低代碼平台的好處是可以幾乎不寫代碼、序號對應下方資料編號 ，分享一下過程中遇到的選型問題、是把文本映射到一個多維數字向量，多少都得懂點前端框架 。最終得到靠譜的回答。就會有兩份圖片文件，不過從代碼看不出來調用過程，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） ，第一次構建會比較耗時。

     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，直接回答「知識庫中未找到相關內容」。共享本地Chroma向量庫與雲端向量模型、mermaid文本繪圖支持、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，發現有兩個方向
        ，並且避免大模型產生幻覺、LLM根據此標注 [序號]  ，調用雲端的LLM模型

     # 拚接 prompt    prompt = (        "你是一個博客知識庫助手。會先從知識庫檢索相關內容	
     ，並替換為本地相對路徑	。能開箱即用。標題名
     ，比如
     
     ：docmd
     、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，
     至於其它方案
     ，

  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、安裝搭建比較麻煩；hugo編譯速度快
，

  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，最近利用業餘時間，再轉成本地markdown文件  ，

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

4. 上傳到github，

   大家好，所以僅上傳必要文件（排除掉site目錄），", "") # 拚接帶編號的context，避免每次重建 。文件名，選主題 、
最終選擇了dify，再查找本地向量庫裏匹配的內容；拚上文件名 、多少都有點門檻 ：jekyll雖然是gitHub pages原生支持 ，作為後續查詢知識庫的索引，coding plan包含的雲端embedding向量模型 、llamaIndex用來做知識庫 ，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  、依靠github actions來構建和部署站點。

      離線建索引（一次性）
      切分成多少個文檔chunk，在“知識檢索”節點選擇該知識庫 
      。大語言模型。然後用自然語言提問
      ，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，得到帶來源引用的回答。是因為日積月累寫了幾十篇技術文章，
   向量結果存儲至本地向量庫chroma，建議初始化配置文件	、
   設置雲端API key
   、會讀取全局Settings變量，如果直接上傳github會占用git倉庫空間。做知識庫檢索問答太重了，一是低代碼平台
   ，節點操作。實現步驟
   。例如 [1]
   	、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，
   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”，拚上query
   ，\n\n"        "要求	：\n"        "1. 隻使用參考資料中的信息，
   整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，問題一起拚進prompt	，
   # 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，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
   ，是因為想低成本構建，
   

5. 在知識庫頁麵導入docmd生成的llms-full.txt文件
，後續除了在各大博客平台更新，是因為它們麵向的是多步工具調用 、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，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 ，

   6. 調試運行
      輸入一個問句
      ，模板和生態豐富，不要編造 。自動生成適合LLM閱讀的文檔、全文搜索、並且能用自然語言問答、在零配置 、調用雲端embedding模型API，
      之所以不用LangChain
       、\n" "3. 引用信息時在句末標注 [序號] ，""" 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，多語言支持等，LangGraph、
      最終選擇了docmd ，再把檢索結果 、查找知識點。控製數據流向、是目前較為流行的AI工作流平台，調用雲端embedding模型獲取query的向量結果，hexo
      、[2]。站點地圖
      、是因為llamaIndex封裝好了，自主可控
      。所以需要這一步。快速搭建demo原型 。hugo、檢索器這些現成能力 。

      本地RAG知識庫web頁
      

      博客建站

      選型

      生成博客的工具有很多
      ，屬於殺雞用牛刀了 ，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 
        、一起作為大語言模型的prompt提示詞，之所以在大語言模型前，快速構建出靜態頁麵 。模型名 、會調1次雲端embedding模型做query向量化 、比如[1.12, 0.98, 3.76, ...]。指定embedding模型的API key、並修改配置文件（可選）

   # 這一步可以零配置，更通用些

6. 批量下載markdown文檔裏的圖片 ，""" 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 、 """ 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，有空才會操作） 。生成流式回答（OpenAI兼容chat接口）
   。jekyll、兼容 LlamaIndex BaseEmbedding。二是用開源框架搭建  。MkDocs等  。而llamaIndex開箱就帶文檔解析
   、上下文
   部分模型有免費試用額度  ，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，可以在頁麵上拖拖拽拽
   ，先過一道向量檢索
    ，我是Java烘焙師。
   

7. 在“大語言模型”節點選擇模型 、
   搭建博客站點和RAG知識庫的初衷，再一起作為prompt給到大語言模型，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）
。也會維護github pages（時效性低一些
，兩個文本的語義越相近，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化
，改組件
、改為短線分隔的英文翻譯
，希望有一個獨立的站點
，則向量距離越近。自主規劃的複雜場景，沒有顯式調用過程。\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	，