調1次雲端LLM模型做最終回答。编程博客全文搜索、实战识库mermaid文本繪圖支持、建站有空才會操作）。编程博客

發布上線
可以選擇“嵌入到網站中”，实战识库調1次本地chroma向量庫檢索top-k相近文檔chunk、建站

實現細節

全局安裝docmd

npm install -g @docmd/core

啟動本地開發服務器，编程博客
低代碼平台
用低代碼平台的实战识库好處是可以幾乎不寫代碼、""" file_name = meta.get("file_name",建站 "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，[2]。编程博客快速搭建demo原型。实战识库自主可控。建站

RAG知識庫

原理

RAG是编程博客檢索增強生成（Retrieval Augmented Generation）：預先把私有知識（這裏是博客文章）切塊、因為我是实战识库先在博客平台上發布，模型名、建站問題一起拚進prompt，自動生成適合LLM閱讀的文檔、之所以在大語言模型前，coding plan包含的雲端embedding向量模型、如果直接上傳github會占用git倉庫空間。多少都得懂點前端框架。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，是把文本映射到一個多維數字向量，llamaIndex用來做知識庫，改為短線分隔的英文翻譯，也會維護github pages（時效性低一些，MkDocs等。上下文
部分模型有免費試用額度，不要編造。
之所以不用LangChain、
搭建博客站點和RAG知識庫的初衷，是專用工具。作為後續查詢知識庫的索引，
最終選擇了docmd ，
離線建索引（一次性）
切分成多少個文檔chunk，
至於其它方案，
最終選擇了dify，避免每次重建。\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 ，自主規劃的複雜場景，在“知識檢索”節點選擇該知識庫。

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

上傳到github，
在“大語言模型”節點選擇模型、不用額外了解各種前端框架、隻需要按提示修改其中的節點。大語言模型。所以需要這一步。就會有兩份圖片文件，兼容 LlamaIndex BaseEmbedding。一是低代碼平台，例如 [1] 、發現有兩個方向，標題名，\n" "3. 引用信息時在句末標注 [序號] ，AutoGen這類agent開發框架，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，
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"        "要求：\n"        "1. 隻使用參考資料中的信息，會調1次雲端embedding模型做query向量化、

`開源框架`

用開源框架的好處是更加靈活、hexo 、多語言支持等，所以僅上傳必要文件（排除掉site目錄），序號對應下方資料編號，是因為它們麵向的是多步工具調用、向量結果存儲至本地向量庫chroma，依靠github actions來構建和部署站點。並且能用自然語言問答、jekyll 、再把檢索結果、或少量配置的情況下，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），

本地RAG知識庫web頁

`博客建站`

`選型`

生成博客的工具有很多，但主題用的是Go模板語法，建議初始化配置文件、二是用開源框架搭建。直接回答「知識庫中未找到相關內容」。是因為日積月累寫了幾十篇技術文章，就會調多少次雲端embedding模型，""" 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。

在知識庫頁麵導入docmd生成的llms-full.txt文件，並生成答案。檢索器這些現成能力。這裏的向量化，改組件、多少都有點門檻：jekyll雖然是gitHub pages原生支持，快速預覽效果docmd dev# 長期項目，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、模型名、hugo、上下文選擇第2步經過向量查詢的“知識檢索”結果。我是Java烘焙師。胡言亂語。會先從知識庫檢索相關內容，得到帶來源引用的回答。實現步驟。希望有一個獨立的站點，拚上query ，最終得到靠譜的回答。第一次構建會比較耗時。是因為想低成本構建，請先構建索引") sys.exit(1) vector_store = ChromaVectorStore(chroma_collection=collection) return VectorStoreIndex.from_vector_store(vector_store)
1. query向量化， """ 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，是為了縮小查詢範圍，調用雲端embedding模型API，查找知識點。指定embedding模型的API key、因為會出現在導航url中，endpointSettings.embed_model = _make_embedding( model=EMBED_MODEL, api_key=API_KEY, api_base=BASE_URL,)
  1. 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)
```
  1. 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)
```
  1. 向量化、模板和生態豐富，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，生成流式回答（OpenAI兼容chat接口）。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
    1. 設置雲端API key 、快速構建出靜態頁麵。而llamaIndex開箱就帶文檔解析、屬於殺雞用牛刀了，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。則向量距離越近。", "") # 拚接帶編號的context ，配構建，共享本地Chroma向量庫與雲端向量模型、LangGraph 、比如[1.12, 0.98, 3.76, ...] 。在零配置、調用雲端embedding模型獲取query的向量結果，站點地圖、再一起作為prompt給到大語言模型，請僅根據下方「參考資料」回答用戶問題。沒有顯式調用過程。LLM根據此標注 [序號] ，chroma本地向量庫
    2. LLM：coding plan包含的雲端大語言模型
    3. 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，調用雲端的LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。
經過一番調研，比如	：docmd、這樣就能在已有網站裏出現一個問答對話框了	。交給大語言模型生成回答。調試運行
輸入一個問句，可以在頁麵上拖拖拽拽，"""    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 遞歸讀取 .md 文件"] P["MarkdownNodeParser 按標題切分chunk"] E1["向量化每個chunk （調多次雲端embedding模型）"] R --> P --> E1 end ARK["雲端API（OpenAI兼容） embedding模型 + LLM模型"] CH[("chroma本地向量庫 2048維")] subgraph ON["在線問答（每次提問）"] direction TB UI["query提問 web頁 / CLI"] RV["query向量化 （調1次雲端embedding模型）"] RT["向量檢索知識庫文檔片段 （檢索本地chroma向量庫）"] PG["prompt拚接 向量檢索結果 + query"] GEN["流式生成答案 （調1次雲端LLM模型）"] SRC["返回答案、然後用自然語言提問，向量結果保存至本地
這一步會調雲端的embedding模型API，更通用些

批量下載markdown文檔裏的圖片，

整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，並且避免大模型產生幻覺、兩個文本的語義越相近，

dify實現細節

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，節點操作。但它基於ruby工具鏈，並修改配置文件（可選）

# 這一步可以零配置，一起作為大語言模型的prompt提示詞，或者安裝額外的工具鏈，做知識庫檢索問答太重了
，

# 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，並做修改docmd init

構建靜態頁麵

docmd build

其它注意事項：

本地目錄、完成了博客建站+RAG知識庫的搭建，選主題、大家好，安裝搭建比較麻煩；hugo編譯速度快，再查找本地向量庫裏匹配的內容；拚上文件名、向量庫對接、是因為llamaIndex封裝好了，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，\n" "2. 如果參考資料中沒有相關內容，控製數據流向、後續除了在各大博客平台更新，不過從代碼看不出來調用過程，分享一下過程中遇到的選型問題、並替換為本地相對路徑。先過一道向量檢索，最近利用業餘時間，是目前較為流行的AI工作流平台，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）	
。再轉成本地markdown文件，會讀取全局Settings變量，
llamaIndex實現細節把markdown文檔向量化存入本地chroma，文件名	，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， docmd讓人眼前一亮的功能有：導航欄、

AI編博客知識庫建站程實戰

實現細節

低代碼平台

RAG知識庫

原理

開源框架

博客建站

選型

效果

dify實現細節

llamaIndex實現細節

`開源框架`

`博客建站`

`選型`