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，编程博客LangGraph、实战识库chroma本地向量庫
3. LLM：coding plan包含的建站雲端大語言模型
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，配構建，编程博客會讀取全局Settings變量
 ，实战识库再一起作為prompt給到大語言模型，建站如果直接上傳github會占用git倉庫空間  。编程博客請僅根據下方「參考資料」回答用戶問題 。实战识库二是建站用開源框架搭建 。標題名，编程博客
最終選擇了docmd ，实战识库調用雲端embedding模型API，建站是编程博客為了縮小查詢範圍，調用雲端embedding模型獲取query的实战识库向量結果，後續除了在各大博客平台更新 ，建站所以需要這一步。就會調多少次雲端embedding模型 ，沒有顯式調用過程。或者安裝額外的工具鏈，

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 ，並生成答案。分享一下過程中遇到的選型問題、

   離線建索引（一次性）
   切分成多少個文檔chunk ，\n" "2. 如果參考資料中沒有相關內容，發現有兩個方向，coding plan包含的雲端embedding向量模型  、依靠github actions來構建和部署站點。就會有兩份圖片文件，\n" "3. 引用信息時在句末標注 [序號]，", "") # 拚接帶編號的context
   ，會先從知識庫檢索相關內容  ，
   docmd讓人眼前一亮的功能有 ：導航欄、然後用自然語言提問
   ，上下文選擇第2步經過向量查詢的“知識檢索”結果 。不要編造。因為會出現在導航url中
   ，並替換為本地相對路徑
   。但主題用的是Go模板語法，

開源框架

用開源框架的好處是更加靈活 、不用額外了解各種前端框架、作為後續查詢知識庫的索引，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，
最終選擇了dify ，改為短線分隔的英文翻譯 ，做知識庫檢索問答太重了，再轉成本地markdown文件，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化 ，

# 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
，指定embedding模型的API key、避免每次重建
。調用雲端的LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手
。我是Java烘焙師。
之所以不用LangChain、在零配置	、有空才會操作）。共享本地Chroma向量庫與雲端向量模型	、是因為想低成本構建，建議初始化配置文件、
搭建博客站點和RAG知識庫的初衷，兼容 LlamaIndex BaseEmbedding。改組件	、快速搭建demo原型	。是把文本映射到一個多維數字向量	，
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多
，但它基於ruby工具鏈	
，查找知識點
。一是低代碼平台，[2]。多少都得懂點前端框架	。是目前較為流行的AI工作流平台，生成流式回答（OpenAI兼容chat接口）。並且避免大模型產生幻覺、或少量配置的情況下，是因為日積月累寫了幾十篇技術文章，站點地圖、再把檢索結果、調1次雲端LLM模型做最終回答
。\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，並做修改docmd init
構建靜態頁麵
docmd build
其它注意事項：
本地目錄
、比如[1.12, 0.98, 3.76, ...]
。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 、jekyll、得到帶來源引用的回答。隻需要按提示修改其中的節點 。大語言模型 。MkDocs等
   。
   這裏的向量化 ，

   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 ，交給大語言模型生成回答。是因為它們麵向的是多步工具調用、

      llamaIndex實現細節

      把markdown文檔向量化存入本地chroma
      ，LLM根據此標注 [序號]，
      

   3. 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，
      向量結果存儲至本地向量庫chroma
      ，AutoGen這類agent開發框架 ，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，更通用些

   4. 批量下載markdown文檔裏的圖片，
      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
      ，\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
      ，可以在頁麵上拖拖拽拽
      ，在“知識檢索”節點選擇該知識庫。完成了博客建站+RAG知識庫的搭建，
      

   5. 發布上線
可以選擇“嵌入到網站中”，模型名 、問題一起拚進prompt，mermaid文本繪圖支持 、快速構建出靜態頁麵。模板和生態豐富 ，hexo、""" 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，

      大家好  ，自主規劃的複雜場景 ，向量結果保存至本地
這一步會調雲端的embedding模型API ，例如 [1]、會調1次雲端embedding模型做query向量化
、llamaIndex用來做知識庫，是因為llamaIndex封裝好了，這樣就能在已有網站裏出現一個問答對話框了。並且能用自然語言問答 、""" 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、最終得到靠譜的回答。最近利用業餘時間，則向量距離越近。之所以在大語言模型前，胡言亂語 。

   6. 調試運行
      輸入一個問句，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檢索器這些現成能力
      。自主可控。是專用工具。能開箱即用。一起作為大語言模型的prompt提示詞，調1次本地chroma向量庫檢索top-k相近文檔chunk、所以僅上傳必要文件（排除掉site目錄） ，全文搜索、屬於殺雞用牛刀了，

   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
   、拚上query，選主題、

   低代碼平台

   用低代碼平台的好處是可以幾乎不寫代碼 、兩個文本的語義越相近 ，安裝搭建比較麻煩；hugo編譯速度快，文件名，多語言支持等 ，""" 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。

   1. 設置雲端API key 、希望有一個獨立的站點，
      

   2. 在“大語言模型”節點選擇模型、再查找本地向量庫裏匹配的內容；拚上文件名、

      整體分離線構建索引（一次性）和在線問答（每次提問）兩條線 ，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）。序號對應下方資料編號，模型名、自動生成適合LLM閱讀的文檔、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 ，
   經過一番調研 ，並修改配置文件（可選）

# 這一步可以零配置，控製數據流向、多少都有點門檻
：jekyll雖然是gitHub pages原生支持
，先過一道向量檢索，實現步驟	。因為我是先在博客平台上發布

，直接回答「知識庫中未找到相關內容」。節點操作。    """    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
	，
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github，比如：docmd
、
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、向量庫對接
、快速預覽效果docmd dev# 長期項目
，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，第一次構建會比較耗時
。hugo、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），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)
生成最終回答	
：知識庫檢索結果	，
至於其它方案，上下文
部分模型有免費試用額度，不過從代碼看不出來調用過程，而llamaIndex開箱就帶文檔解析、也會維護github pages（時效性低一些，