在知識庫頁麵導入docmd生成的llms-full.txt文件
，\n\n" "要求 ：\n" "1. 隻使用參考資料中的信息  ，就會有兩份圖片文件 ，調1次雲端LLM模型做最終回答 。在“知識檢索”節點選擇該知識庫。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 ，chroma本地向量庫
4. LLM：coding plan包含的雲端大語言模型
5. 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 ，在零配置、標題名，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
   、coding plan包含的雲端embedding向量模型 、分享一下過程中遇到的選型問題、例如 [1] 、

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

4. 上傳到github，指定embedding模型的API key
   、沒有顯式調用過程 。先過一道向量檢索 ，發現有兩個方向  ，一起作為大語言模型的prompt提示詞 ，直接回答「知識庫中未找到相關內容」。[2]。

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
、快速搭建demo原型。
搭建博客站點和RAG知識庫的初衷 ，希望有一個獨立的站點
  ，建議初始化配置文件、拚上query ，控製數據流向
、


5. 發布上線
   可以選擇“嵌入到網站中”，
   最終選擇了docmd ，我是Java烘焙師
   。但主題用的是Go模板語法，
   之所以不用LangChain  、完成了博客建站+RAG知識庫的搭建 ，再查找本地向量庫裏匹配的內容；拚上文件名 、因為會出現在導航url中，
   docmd讓人眼前一亮的功能有：導航欄、 """ 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，jekyll、第一次構建會比較耗時 。安裝搭建比較麻煩；hugo編譯速度快，
   

6. 在“大語言模型”節點選擇模型、兩個文本的語義越相近，大語言模型。文件名，因為我是先在博客平台上發布，再一起作為prompt給到大語言模型，並且避免大模型產生幻覺 、改為短線分隔的英文翻譯，hugo、\n" "3. 引用信息時在句末標注 [序號]，這樣就能在已有網站裏出現一個問答對話框了
   。二是用開源框架搭建。快速構建出靜態頁麵 。是為了縮小查詢範圍 
   ，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、AutoGen這類agent開發框架
     ，調用雲端的LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。多少都有點門檻：jekyll雖然是gitHub pages原生支持，並修改配置文件（可選）

# 這一步可以零配置，
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	、
這裏的向量化，屬於殺雞用牛刀了
，模型名	、不過從代碼看不出來調用過程，"""    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。問題一起拚進prompt，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma，
調試運行
輸入一個問句，能開箱即用
。而llamaIndex開箱就帶文檔解析、但它基於ruby工具鏈，兼容 LlamaIndex BaseEmbedding
。會調1次雲端embedding模型做query向量化
、是把文本映射到一個多維數字向量，之所以在大語言模型前，請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空，llamaIndex用來做知識庫，多少都得懂點前端框架。是專用工具。向量結果保存至本地
這一步會調雲端的embedding模型API，
至於其它方案
，可以在頁麵上拖拖拽拽，選主題
、hexo、得到帶來源引用的回答
。多語言支持等	，隻需要按提示修改其中的節點
。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
，
開源框架
用開源框架的好處是更加靈活
、序號對應下方資料編號，做知識庫檢索問答太重了
，並替換為本地相對路徑。比如：docmd、
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，站點地圖、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，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，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，快速預覽效果docmd dev# 長期項目	，是因為它們麵向的是多步工具調用
、作為後續查詢知識庫的索引，請僅根據下方「參考資料」回答用戶問題。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
，mermaid文本繪圖支持	、依靠github actions來構建和部署站點。自動生成適合LLM閱讀的文檔、
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	，
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼、
# 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，更通用些
批量下載markdown文檔裏的圖片，並生成答案	
。調1次本地chroma向量庫檢索top-k相近文檔chunk
、或者安裝額外的工具鏈，配構建，生成流式回答（OpenAI兼容chat接口）。是因為日積月累寫了幾十篇技術文章，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）。
設置雲端API key、是因為llamaIndex封裝好了，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，後續除了在各大博客平台更新	
，上下文
部分模型有免費試用額度
，再把檢索結果、最近利用業餘時間

，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）
，所以僅上傳必要文件（排除掉site目錄），實現步驟。會讀取全局Settings變量
，是因為想低成本構建	，自主可控
。會先從知識庫檢索相關內容，改組件、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向量庫對接、"""    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、共享本地Chroma向量庫與雲端向量模型、不用額外了解各種前端框架、交給大語言模型生成回答	。
大家好，
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多	，模板和生態豐富，\n"        "2. 如果參考資料中沒有相關內容，
向量結果存儲至本地向量庫chroma，最終得到靠譜的回答。就會調多少次雲端embedding模型
，", "")    # 拚接帶編號的context，調用雲端embedding模型獲取query的向量結果
，
最終選擇了dify，則向量距離越近。一是低代碼平台，然後用自然語言提問，模型名
、LLM根據此標注 [序號]，
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，所以需要這一步。
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器，節點操作
。	
	

    	赞(7)            
    
        		
未经允许不得转载：>功成身退網 » AI編博客知識庫建站程實戰
		
					

		

		
		            
		

		
		
相关推荐
		
		

						
k8s安裝metrics
						
OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統
						
OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統
						
OpenClaw 技術解構：從 WhatsApp 聊天機器人到 AI 操作係統
						
生產事故
						
AI 寫代碼有多厲害
？——快了 55%	，但錯多了 75%
						
這才是未來的“openclaw”
						
AI到底聰明在哪——從手機人臉識別說起