在線問答（每次提問）
每次問答 ，
經過一番調研
，编程博客LLM根據此標注 [序號]
，实战识库站點地圖 、建站是编程博客因為日積月累寫了幾十篇技術文章，比如：docmd 、实战识库

# 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，
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
，因為我是先在博客平台上發布，模型名、一起作為大語言模型的prompt提示詞，安裝搭建比較麻煩；hugo編譯速度快，調用雲端embedding模型API，得到帶來源引用的回答
。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
、
發布上線
可以選擇“嵌入到網站中”
，標題名	，問題一起拚進prompt，
大家好	
，"""    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 ：

2. query向量化，檢索器這些現成能力
   。會調1次雲端embedding模型做query向量化、實現步驟。調用雲端的LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。調1次雲端LLM模型做最終回答。多少都得懂點前端框架	
。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
，但它基於ruby工具鏈
，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，則向量距離越近。\n\n" "要求：\n" "1. 隻使用參考資料中的信息 
   ，控製數據流向、共享本地Chroma向量庫與雲端向量模型、
   docmd讓人眼前一亮的功能有
   ：導航欄 、不用額外了解各種前端框架
   、希望有一個獨立的站點，直接回答「知識庫中未找到相關內容」。這樣就能在已有網站裏出現一個問答對話框了。快速構建出靜態頁麵 。
   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、再把檢索結果、
     這裏的向量化，並且避免大模型產生幻覺、大語言模型。是目前較為流行的AI工作流平台，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 、拚上query ，

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、是因為llamaIndex封裝好了，

離線建索引（一次性）
切分成多少個文檔chunk，

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，向量庫對接、之所以在大語言模型前，

   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
      ，
      至於其它方案
      ，兩個文本的語義越相近，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）。LangGraph、並且能用自然語言問答、
   llamaIndex實現細節
   把markdown文檔向量化存入本地chroma
   ，然後用自然語言提問，做知識庫檢索問答太重了，在“知識檢索”節點選擇該知識庫	。
   向量結果存儲至本地向量庫chroma
   ，有空才會操作）。向量結果保存至本地
   這一步會調雲端的embedding模型API
   
   ，後續除了在各大博客平台更新
   ，\n"        "3. 引用信息時在句末標注 [序號]，第一次構建會比較耗時。快速預覽效果docmd dev# 長期項目，自主規劃的複雜場景，jekyll、是因為它們麵向的是多步工具調用、請僅根據下方「參考資料」回答用戶問題。上下文
   部分模型有免費試用額度，所以僅上傳必要文件（排除掉site目錄），我是Java烘焙師。不要編造。\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，因為會出現在導航url中，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，不過從代碼看不出來調用過程
，\n"        "2. 如果參考資料中沒有相關內容，
設置雲端API key
、更通用些
批量下載markdown文檔裏的圖片
	，查找知識點。
最終選擇了docmd，序號對應下方資料編號，
在知識庫頁麵導入docmd生成的llms-full.txt文件，節點操作
。想自定義樣式就得學一套模板寫法；hexo更偏前端工程化

，能開箱即用。就會調多少次雲端embedding模型，隻需要按提示修改其中的節點
。自主可控
。coding plan包含的雲端embedding向量模型、依靠github actions來構建和部署站點	。改為短線分隔的英文翻譯
，完成了博客建站+RAG知識庫的搭建
，自動生成適合LLM閱讀的文檔
	、多少都有點門檻：jekyll雖然是gitHub pages原生支持
，"""    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
，比如[1.12, 0.98, 3.76, ...]。
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼、mermaid文本繪圖支持、", "")    # 拚接帶編號的context
，胡言亂語。所以需要這一步。最終得到靠譜的回答
。會讀取全局Settings變量
	，[2]。交給大語言模型生成回答。
之所以不用LangChain、並替換為本地相對路徑。再一起作為prompt給到大語言模型，避免每次重建
。上下文選擇第2步經過向量查詢的“知識檢索”結果。請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空	，並生成答案
。兼容 LlamaIndex BaseEmbedding
。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，配構建，
最終選擇了dify，改組件、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），可以在頁麵上拖拖拽拽，屬於殺雞用牛刀了
，再轉成本地markdown文件，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:#1565c0hugo、或者安裝額外的工具鏈，或少量配置的情況下，而llamaIndex開箱就帶文檔解析
、建議初始化配置文件
、是為了縮小查詢範圍
，沒有顯式調用過程	。AutoGen這類agent開發框架	，
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，發現有兩個方向，就會有兩份圖片文件
，會先從知識庫檢索相關內容	
，最近利用業餘時間，先過一道向量檢索，調1次本地chroma向量庫檢索top-k相近文檔chunk
、並修改配置文件（可選）
# 這一步可以零配置，二是用開源框架搭建
。文件名，
調試運行
輸入一個問句，作為後續查詢知識庫的索引，多語言支持等，
開源框架
用開源框架的好處是更加靈活、指定embedding模型的API key、
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github	，