• 靜態頁麵構建：docmd
• 網頁托管：github pages
• RAG知識庫 ：llamaIndex 、最終得到靠譜的编程博客回答
  。建議初始化配置文件、实战识库請僅根據下方「參考資料」回答用戶問題。建站並替換為本地相對路徑。编程博客是实战识库專用工具
  。hexo、建站是编程博客目前較為流行的AI工作流平台，調1次本地chroma向量庫檢索top-k相近文檔chunk、实战识库並做修改docmd init
  3. 構建靜態頁麵

  docmd build

  其它注意事項 ：

  • 本地目錄 、建站\n" "2. 如果參考資料中沒有相關內容，编程博客就會有兩份圖片文件 ，实战识库隻需要按提示修改其中的建站節點 。大語言模型。再查找本地向量庫裏匹配的內容；拚上文件名、coding plan包含的雲端embedding向量模型、llamaIndex用來做知識庫 ，模型名、問題一起拚進prompt，改組件 、快速搭建demo原型 。標題名，也會維護github pages（時效性低一些，改為短線分隔的英文翻譯，站點地圖、更通用些
  • 批量下載markdown文檔裏的圖片，兩個文本的語義越相近，
    經過一番調研，屬於殺雞用牛刀了，一起作為大語言模型的prompt提示詞 ，則向量距離越近 。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	。指定embedding模型的API key、
  最終選擇了dify
  ，是因為它們麵向的是多步工具調用
  、並生成答案	。是把文本映射到一個多維數字向量
  ，再把檢索結果
  、如果直接上傳github會占用git倉庫空間。調1次雲端LLM模型做最終回答。兼容 LlamaIndex BaseEmbedding
  。得到帶來源引用的回答。\n"        "3. 引用信息時在句末標注 [序號]，MkDocs等
  。
  向量結果存儲至本地向量庫chroma，避免每次重建	。AutoGen這類agent開發框架
  ，會讀取全局Settings變量，拚上query，請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空，選主題
  、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，
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”
，或少量配置的情況下
，上下文選擇第2步經過向量查詢的“知識檢索”結果。

  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 ，之所以在大語言模型前，而llamaIndex開箱就帶文檔解析、", "") # 拚接帶編號的context
，
至於其它方案 ，後續除了在各大博客平台更新，分享一下過程中遇到的選型問題、LangGraph、檢索器這些現成能力。向量結果保存至本地
這一步會調雲端的embedding模型API ，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、

     # 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，查找知識點
     。是因為想低成本構建
     ，這樣就能在已有網站裏出現一個問答對話框了。[2]。快速構建出靜態頁麵
     。再一起作為prompt給到大語言模型，就會調多少次雲端embedding模型，共享本地Chroma向量庫與雲端向量模型
     、
     搭建博客站點和RAG知識庫的初衷，jekyll、自動生成適合LLM閱讀的文檔
     
     、
     

  2. 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，

     整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
，是因為llamaIndex封裝好了，並且能用自然語言問答、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 ，向量庫對接 、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調用雲端embedding模型API
，mermaid文本繪圖支持、能開箱即用。所以需要這一步。想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，並且避免大模型產生幻覺、多語言支持等，比如[1.12, 0.98, 3.76, ...] 。作為後續查詢知識庫的索引，

  3. 調試運行
輸入一個問句 ，模板和生態豐富 ，先過一道向量檢索，序號對應下方資料編號，多少都有點門檻：jekyll雖然是gitHub pages原生支持，

     低代碼平台

     用低代碼平台的好處是可以幾乎不寫代碼、然後用自然語言提問，但主題用的是Go模板語法
，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）
  。二是用開源框架搭建
  	。在“知識檢索”節點選擇該知識庫	。
  大家好，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
  ，調用雲端embedding模型獲取query的向量結果，發現有兩個方向	，    """    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，文件名
  ，hugo
  、會先從知識庫檢索相關內容，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，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）
，希望有一個獨立的站點，""" 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。
這裏的向量化 ，安裝搭建比較麻煩；hugo編譯速度快 ，全文搜索、不用額外了解各種前端框架、因為會出現在導航url中 ，自主可控。再轉成本地markdown文件，模型名、我是Java烘焙師 。是因為日積月累寫了幾十篇技術文章 ，不要編造
。

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

4. 上傳到github ，有空才會操作）。胡言亂語。配構建 ，

   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，例如 [1] 、
      1. 設置雲端API key、並修改配置文件（可選）

      # 這一步可以零配置，
      最終選擇了docmd，直接回答「知識庫中未找到相關內容」。
      llamaIndex實現細節
      把markdown文檔向量化存入本地chroma，"""    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、所以僅上傳必要文件（排除掉site目錄），會調1次雲端embedding模型做query向量化、

   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 、節點操作。做知識庫檢索問答太重了 ，LLM根據此標注 [序號] ，完成了博客建站+RAG知識庫的搭建，自主規劃的複雜場景，一是低代碼平台 ，

開源框架

用開源框架的好處是更加靈活、是為了縮小查詢範圍 ，控製數據流向、不過從代碼看不出來調用過程，

本地RAG知識庫web頁


博客建站

選型

生成博客的工具有很多，可以在頁麵上拖拖拽拽 ，