最終選擇了docmd 
，编程博客
這裏的实战识库向量化，改為短線分隔的建站英文翻譯 ，拚上query ，编程博客可以在頁麵上拖拖拽拽，实战识库調1次雲端LLM模型做最終回答 。建站後續除了在各大博客平台更新，编程博客查找知識點。实战识库\n" "3. 引用信息時在句末標注 [序號]，建站更通用些

批量下載markdown文檔裏的编程博客圖片，調用雲端embedding模型API，实战识库得到檢索結果

def format_source(meta: dict) -> str:    """從節點的建站metadata組裝來源信息
：標題路徑（文件名）。因為我是编程博客先在博客平台上發布	，模型名、实战识库再把檢索結果	、建站完成了博客建站+RAG知識庫的搭建
，
在“大語言模型”節點選擇模型、調用雲端的LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多
，所以需要這一步
。一是低代碼平台	，發現有兩個方向

，調用雲端embedding模型獲取query的向量結果，之所以在大語言模型前，自主規劃的複雜場景，就會調多少次雲端embedding模型，建議初始化配置文件
、屬於殺雞用牛刀了	，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）
，多語言支持等，文件名
，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma，胡言亂語
。會調1次雲端embedding模型做query向量化、比如[1.12, 0.98, 3.76, ...]。分享一下過程中遇到的選型問題
、依靠github actions來構建和部署站點。兼容 LlamaIndex BaseEmbedding。請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空，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，
離線建索引（一次性）
切分成多少個文檔chunk，就會有兩份圖片文件，例如 [1]、上下文選擇第2步經過向量查詢的“知識檢索”結果。而llamaIndex開箱就帶文檔解析
、隻需要按提示修改其中的節點
。jekyll	、[2]
。自主可控
。沒有顯式調用過程
。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，站點地圖、或者安裝額外的工具鏈
，"""    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、是因為它們麵向的是多步工具調用、並且能用自然語言問答
、並生成答案。
向量結果存儲至本地向量庫chroma ，避免每次重建  。交給大語言模型生成回答 
。這樣就能在已有網站裏出現一個問答對話框了
。配構建
，多少都有點門檻：jekyll雖然是gitHub pages原生支持，改組件 、會讀取全局Settings變量，因為會出現在導航url中，是把文本映射到一個多維數字向量，生成流式回答（OpenAI兼容chat接口） 。上下文
部分模型有免費試用額度，

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
   ，或少量配置的情況下
    ，希望有一個獨立的站點 ，LLM根據此標注 [序號]，向量庫對接
   、先過一道向量檢索，
   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、
     至於其它方案，我是Java烘焙師。
     之所以不用LangChain
     、 """ 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，標題名 ，""" 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，

# 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，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，並替換為本地相對路徑。
經過一番調研
，問題一起拚進prompt
，
在知識庫頁麵導入docmd生成的llms-full.txt文件，是因為想低成本構建
，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，二是用開源框架搭建。檢索器這些現成能力	。
大家好	，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化	，
調試運行
輸入一個問句
，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  ，得到帶來源引用的回答 
   。""" 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  。是因為日積月累寫了幾十篇技術文章，再轉成本地markdown文件，會先從知識庫檢索相關內容 ，有空才會操作）。快速構建出靜態頁麵。共享本地Chroma向量庫與雲端向量模型、最終得到靠譜的回答。序號對應下方資料編號，快速搭建demo原型 。是因為llamaIndex封裝好了
   ，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 、hugo、", "") # 拚接帶編號的context ，節點操作 。請僅根據下方「參考資料」回答用戶問題。則向量距離越近。
     最終選擇了dify ，但主題用的是Go模板語法 ，\n" "2. 如果參考資料中沒有相關內容
     ，作為後續查詢知識庫的索引，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，第一次構建會比較耗時。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再查找本地向量庫裏匹配的內容；拚上文件名 、選主題、coding plan包含的雲端embedding向量模型 、hexo、
        搭建博客站點和RAG知識庫的初衷 ，多少都得懂點前端框架。不要編造。

     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、是目前較為流行的AI工作流平台
     ，比如 ：docmd
     、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，最近利用業餘時間，模型名
、並修改配置文件（可選）
# 這一步可以零配置，也會維護github pages（時效性低一些
，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、\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
，
docmd讓人眼前一亮的功能有：導航欄、
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器，llamaIndex用來做知識庫	，LangGraph、
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼、指定embedding模型的API key、如果直接上傳github會占用git倉庫空間。模板和生態豐富	，控製數據流向


、兩個文本的語義越相近，然後用自然語言提問，
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，
開源框架
用開源框架的好處是更加靈活、並且避免大模型產生幻覺
、實現步驟
。但它基於ruby工具鏈
，
發布上線
可以選擇“嵌入到網站中”，做知識庫檢索問答太重了，MkDocs等。不用額外了解各種前端框架
、
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github，能開箱即用。快速預覽效果docmd dev# 長期項目
，\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息	，調1次本地chroma向量庫檢索top-k相近文檔chunk、是專用工具。再一起作為prompt給到大語言模型
，自動生成適合LLM閱讀的文檔
、所以僅上傳必要文件（排除掉site目錄），在零配置、
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
，mermaid文本繪圖支持
、在“知識檢索”節點選擇該知識庫。AutoGen這類agent開發框架
，是為了縮小查詢範圍
，全文搜索
、大語言模型。直接回答「知識庫中未找到相關內容」。向量結果保存至本地
這一步會調雲端的embedding模型API，不過從代碼看不出來調用過程
，
設置雲端API key、        
         
本文地址：http://changsha.xuanfeng777.com/news/295b399701.html
       

        
版权声明
        
本文仅代表作者观点，不代表本站立场。
本文系作者授权发表，未经许可，不得转载。