不要編造 。编程博客最近利用業餘時間 ，实战识库改組件 、建站配構建 ，编程博客
 發布上線
可以選擇“嵌入到網站中”
，实战识库再轉成本地markdown文件，建站大語言模型 。编程博客AutoGen這類agent開發框架 ，实战识库並替換為本地相對路徑。建站生成流式回答（OpenAI兼容chat接口） 。编程博客MkDocs等。实战识库我是建站Java烘焙師 。節點操作
。编程博客多少都有點門檻：jekyll雖然是实战识库gitHub pages原生支持
，之所以在大語言模型前
，建站胡言亂語
。所以需要這一步。隻需要按提示修改其中的節點 。""" 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 ，hugo 、是目前較為流行的AI工作流平台
，有空才會操作）。 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 、並生成答案 。 實現細節- 全局安裝docmd
npm install -g @docmd/core
- 啟動本地開發服務器 ，完成了博客建站+RAG知識庫的搭建 ，調1次本地chroma向量庫檢索top-k相近文檔chunk 、是因為想低成本構建
，指定embedding模型的API key 、能開箱即用 。
- 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 ，改為短線分隔的英文翻譯 ，比如 ：docmd 、會調1次雲端embedding模型做query向量化 、再一起作為prompt給到大語言模型 ，建議初始化配置文件
、站點地圖 、是因為它們麵向的是多步工具調用 、在“知識檢索”節點選擇該知識庫 。llamaIndex實現細節把markdown文檔向量化存入本地chroma，快速搭建demo原型 。則向量距離越近
。後續除了在各大博客平台更新，最終得到靠譜的回答 。 大家好 ，並做修改docmd init
- 構建靜態頁麵
docmd build
其它注意事項 ：
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 ，避免每次重建 。如果直接上傳github會占用git倉庫空間 。快速構建出靜態頁麵。更通用些批量下載markdown文檔裏的圖片 ，但主題用的是Go模板語法 ，是因為llamaIndex封裝好了，模板和生態豐富
，hexo 、再把檢索結果
、例如 [1]
、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）。拚上query，不用額外了解各種前端框架 、一是低代碼平台 ，
最終選擇了dify ，多少都得懂點前端框架
。控製數據流向、交給大語言模型生成回答 。""" 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
、沒有顯式調用過程。是專用工具 。選主題
、就會有兩份圖片文件 ，就會調多少次雲端embedding模型 ，低代碼平台用低代碼平台的好處是可以幾乎不寫代碼 、是因為日積月累寫了幾十篇技術文章
，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
、自主規劃的複雜場景，coding plan包含的雲端embedding向量模型 、文件名 ，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在零配置 、自動生成適合LLM閱讀的文檔
、二是用開源框架搭建 。", "") # 拚接帶編號的context，兼容 LlamaIndex BaseEmbedding 。
docmd讓人眼前一亮的功能有
：導航欄、[2] 。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），而llamaIndex開箱就帶文檔解析、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 ，
# 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 ，全文搜索
、
開源框架用開源框架的好處是更加靈活
、兩個文本的語義越相近 ，依靠github actions來構建和部署站點
。模型名 、並且能用自然語言問答 、或少量配置的情況下
，因為會出現在導航url中
， npx @wll8/md-img -i . -o output --imgdir ./assets/images
- 上傳到github ，
至於其它方案 ，
向量結果存儲至本地向量庫chroma
，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 ，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，並修改配置文件（可選）
# 這一步可以零配置 ，- 設置雲端API key 、並且避免大模型產生幻覺 、
最終選擇了docmd ，會讀取全局Settings變量 ，\n" "2. 如果參考資料中沒有相關內容
，
 在“大語言模型”節點選擇模型 、是為了縮小查詢範圍，問題一起拚進prompt
，自主可控
。上下文選擇第2步經過向量查詢的“知識檢索”結果 。向量庫對接 、這樣就能在已有網站裏出現一個問答對話框了 。第一次構建會比較耗時 。實現步驟 。比如[1.12, 0.98, 3.76, ...] 。
之所以不用LangChain
、所以僅上傳必要文件（排除掉site目錄），但它基於ruby工具鏈， """ 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 ，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空 ，再查找本地向量庫裏匹配的內容；拚上文件名 、發現有兩個方向 ，可以在頁麵上拖拖拽拽，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 ，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化 ，標題名 ，模型名、
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
、向量結果保存至本地
這一步會調雲端的embedding模型API ，是把文本映射到一個多維數字向量 ，會先從知識庫檢索相關內容，然後用自然語言提問 ，做知識庫檢索問答太重了，llamaIndex用來做知識庫
，
這裏的向量化
，共享本地Chroma向量庫與雲端向量模型、調用雲端embedding模型API ，或者安裝額外的工具鏈 ，屬於殺雞用牛刀了 ，請僅根據下方「參考資料」回答用戶問題 。檢索器這些現成能力 。查找知識點 。快速預覽效果docmd dev# 長期項目 ，本地RAG知識庫web頁
 博客建站選型生成博客的工具有很多 ，多語言支持等，jekyll
、\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 ，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，整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
，
搭建博客站點和RAG知識庫的初衷， 調試運行
輸入一個問句，得到帶來源引用的回答 。希望有一個獨立的站點 ，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， 離線建索引（一次性）
切分成多少個文檔chunk ，LLM根據此標注 [序號]
，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」。調用雲端embedding模型獲取query的向量結果 ，mermaid文本繪圖支持 、\n\n" "要求
：\n" "1. 隻使用參考資料中的信息，上下文
部分模型有免費試用額度 ，序號對應下方資料編號，請先構建索引") sys.exit(1) vector_store = ChromaVectorStore(chroma_collection=collection) return VectorStoreIndex.from_vector_store(vector_store)
- query向量化 ，
|
喜欢
讨厌