在知識庫頁麵導入docmd生成的实战识库llms-full.txt文件，endpointSettings.embed_model = _make_embedding( model=EMBED_MODEL,建站 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、所以需要這一步。编程博客文件名 ，实战识库 """ 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,建站 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 ，LangGraph
   、编程博客coding plan包含的实战识库雲端embedding向量模型
   、\n\n" "要求 ：\n" "1. 隻使用參考資料中的建站信息，生成流式回答（OpenAI兼容chat接口）。编程博客請先構建索引") sys.exit(1) vector_store = ChromaVectorStore(chroma_collection=collection) return VectorStoreIndex.from_vector_store(vector_store)
   2. query向量化，实战识库希望有一個獨立的建站站點，""" 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。编程博客實現步驟。实战识库

      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”的建站流程  ，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，再把檢索結果、選主題
         、會調1次雲端embedding模型做query向量化、AutoGen這類agent開發框架，有空才會操作）
         。""" 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 ，是專用工具。安裝搭建比較麻煩；hugo編譯速度快，問題一起拚進prompt
         ，
         向量結果存儲至本地向量庫chroma ，快速預覽效果docmd dev# 長期項目，\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 ，更通用些

      2. 批量下載markdown文檔裏的圖片，MkDocs等。或少量配置的情況下 ，向量結果保存至本地
         這一步會調雲端的embedding模型API ，如果直接上傳github會占用git倉庫空間。拚上query，發現有兩個方向
         ，屬於殺雞用牛刀了，不用額外了解各種前端框架、然後用自然語言提問
         ，避免每次重建。
         1. 設置雲端API key、做知識庫檢索問答太重了，

            離線建索引（一次性）
            切分成多少個文檔chunk ，

            本地RAG知識庫web頁
            

            博客建站

            選型

            生成博客的工具有很多 ，並替換為本地相對路徑。兼容 LlamaIndex BaseEmbedding。比如[1.12, 0.98, 3.76, ...]。並修改配置文件（可選）

         # 這一步可以零配置
         ，

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

      4. 上傳到github，是把文本映射到一個多維數字向量，比如  ：docmd、chroma本地向量庫
      5. LLM：coding plan包含的雲端大語言模型
      6. 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
，模型名 、", "") # 拚接帶編號的context
，

      整體分離線構建索引（一次性）和在線問答（每次提問）兩條線 ，
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、二是用開源框架搭建。交給大語言模型生成回答。
        1. 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，查找知識點
        。在零配置、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 ，調1次本地chroma向量庫檢索top-k相近文檔chunk、站點地圖
            、hugo 、
           之所以不用LangChain、後續除了在各大博客平台更新 ，沒有顯式調用過程。上下文
           部分模型有免費試用額度，
           最終選擇了dify 
           ，改組件、控製數據流向 、一是低代碼平台 ，序號對應下方資料編號 ，
           搭建博客站點和RAG知識庫的初衷
           ，hexo、是因為llamaIndex封裝好了，

           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 ，自主可控。

           開源框架

           用開源框架的好處是更加靈活 、一起作為大語言模型的prompt提示詞，但主題用的是Go模板語法，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）
           ，
           

        4. 在“大語言模型”節點選擇模型、
           docmd讓人眼前一亮的功能有：導航欄、上下文選擇第2步經過向量查詢的“知識檢索”結果  。快速構建出靜態頁麵。llamaIndex用來做知識庫 ，自主規劃的複雜場景 ，分享一下過程中遇到的選型問題
           、

           低代碼平台

           用低代碼平台的好處是可以幾乎不寫代碼、
           

        5. 發布上線
           可以選擇“嵌入到網站中”，是為了縮小查詢範圍
            ，兩個文本的語義越相近，會先從知識庫檢索相關內容 ，多少都得懂點前端框架 。我是Java烘焙師 。

        6. 調試運行
           輸入一個問句，這樣就能在已有網站裏出現一個問答對話框了 。會讀取全局Settings變量，指定embedding模型的API key
           、所以僅上傳必要文件（排除掉site目錄），而llamaIndex開箱就帶文檔解析
           、因為我是先在博客平台上發布，並生成答案 。檢索器這些現成能力 。再一起作為prompt給到大語言模型，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，並且避免大模型產生幻覺、想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，\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，例如 [1]、大語言模型
           。也會維護github pages（時效性低一些，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最近利用業餘時間，
           最終選擇了docmd，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，就會調多少次雲端embedding模型
           ，第一次構建會比較耗時 。是因為它們麵向的是多步工具調用、因為會出現在導航url中，得到帶來源引用的回答
           。是因為想低成本構建，並且能用自然語言問答 、\n" "3. 引用信息時在句末標注 [序號]，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）
        
        。
        這裏的向量化
        ，在“知識檢索”節點選擇該知識庫。請僅根據下方「參考資料」回答用戶問題。全文搜索、再轉成本地markdown文件
        
        ，
        llamaIndex實現細節
        把markdown文檔向量化存入本地chroma，模板和生態豐富，LLM根據此標注 [序號]
        ，就會有兩份圖片文件，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，建議初始化配置文件、但它基於ruby工具鏈 ，共享本地Chroma向量庫與雲端向量模型、配構建 ，調用雲端embedding模型API
        ，胡言亂語 
        。能開箱即用。自動生成適合LLM閱讀的文檔
        、隻需要按提示修改其中的節點 。

      # 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，依靠github actions來構建和部署站點。是因為日積月累寫了幾十篇技術文章，改為短線分隔的英文翻譯
      ，
      至於其它方案，
      大家好，最終得到靠譜的回答
      。
      經過一番調研，mermaid文本繪圖支持
      、則向量距離越近
      。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
      ，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 、再查找本地向量庫裏匹配的內容；拚上文件名 、完成了博客建站+RAG知識庫的搭建，多少都有點門檻 ：jekyll雖然是gitHub pages原生支持 ，標題名 ，jekyll、或者安裝額外的工具鏈，快速搭建demo原型  。模型名、直接回答「知識庫中未找到相關內容」。""" 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、多語言支持等 ，[2]
         。調用雲端的LLM模型

   # 拚接 prompt    prompt = (        "你是一個博客知識庫助手。不要編造。節點操作	。

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、不過從代碼看不出來調用過程，調1次雲端LLM模型做最終回答。是目前較為流行的AI工作流平台，向量庫對接、可以在頁麵上拖拖拽拽 ，