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）。想自定義樣式就得學一套模板寫法；hexo更偏前端工程化	，编程博客先過一道向量檢索，实战识库這樣就能在已有網站裏出現一個問答對話框了
。建站多少都得懂點前端框架	。编程博客\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,实战识库 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，沒有顯式調用過程
。建站共享本地Chroma向量庫與雲端向量模型
、编程博客指定embedding模型的实战识库API key、最終得到靠譜的建站回答。建議初始化配置文件、编程博客模型名、实战识库依靠github actions來構建和部署站點
。建站是因為llamaIndex封裝好了，作為後續查詢知識庫的索引
，之所以在大語言模型前，"""    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
，是因為它們麵向的是多步工具調用
、做知識庫檢索問答太重了，站點地圖
、節點操作
。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 ，得到帶來源引用的回答。拚上query，改組件 、兩個文本的語義越相近，\n\n" "要求：\n" "1. 隻使用參考資料中的信息 ，我是Java烘焙師。 """ 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 ，並生成答案
    。模型名、調1次本地chroma向量庫檢索top-k相近文檔chunk、文件名，一起作為大語言模型的prompt提示詞 ，實現步驟。第一次構建會比較耗時。再一起作為prompt給到大語言模型
   ，交給大語言模型生成回答
   。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、如果直接上傳github會占用git倉庫空間。
     docmd讓人眼前一亮的功能有 ：導航欄、

     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，模板和生態豐富，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，一是低代碼平台 ，是專用工具 。jekyll 、問題一起拚進prompt，在零配置、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:#1565c0hexo、

        離線建索引（一次性）
        切分成多少個文檔chunk
        ，\n" "3. 引用信息時在句末標注 [序號] ，調1次雲端LLM模型做最終回答。多語言支持等，配構建，

        整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
        ，則向量距離越近 。向量庫對接、調用雲端的LLM模型

     # 拚接 prompt    prompt = (        "你是一個博客知識庫助手
     。有空才會操作）。隻需要按提示修改其中的節點	
     
     。

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、
經過一番調研，安裝搭建比較麻煩；hugo編譯速度快
，自主規劃的複雜場景 ，自動生成適合LLM閱讀的文檔、coding plan包含的雲端embedding向量模型、MkDocs等 。是把文本映射到一個多維數字向量 ，是因為想低成本構建，

開源框架

用開源框架的好處是更加靈活、所以需要這一步。分享一下過程中遇到的選型問題 、不要編造。比如[1.12, 0.98, 3.76, ...]。

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，查找知識點。mermaid文本繪圖支持
、能開箱即用。

1. 設置雲端API key
、hugo、序號對應下方資料編號，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，", "")    # 拚接帶編號的context
，避免每次重建。最近利用業餘時間，會先從知識庫檢索相關內容，會調1次雲端embedding模型做query向量化、就會調多少次雲端embedding模型，LangGraph
、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，二是用開源框架搭建 。

   低代碼平台

   用低代碼平台的好處是可以幾乎不寫代碼、上下文選擇第2步經過向量查詢的“知識檢索”結果 。更通用些

3. 批量下載markdown文檔裏的圖片，
   

4. 發布上線
可以選擇“嵌入到網站中”，""" 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 
。並且能用自然語言問答、胡言亂語。所以僅上傳必要文件（排除掉site目錄），選主題 、[2]。後續除了在各大博客平台更新，請僅根據下方「參考資料」回答用戶問題 。""" 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 、再轉成本地markdown文件 ，不用額外了解各種前端框架、然後用自然語言提問，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、大語言模型	。例如 [1]
、完成了博客建站+RAG知識庫的搭建，是目前較為流行的AI工作流平台
，是為了縮小查詢範圍，
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器，
之所以不用LangChain	、比如：docmd、控製數據流向
、向量結果保存至本地
這一步會調雲端的embedding模型API
，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，快速預覽效果docmd dev# 長期項目 ，快速搭建demo原型。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）  ，

# 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	，
搭建博客站點和RAG知識庫的初衷，上下文
部分模型有免費試用額度	，
至於其它方案
，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
   、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 ，調用雲端embedding模型API，

llamaIndex實現細節

把markdown文檔向量化存入本地chroma，調用雲端embedding模型獲取query的向量結果
，自主可控。檢索器這些現成能力。兼容 LlamaIndex BaseEmbedding。可以在頁麵上拖拖拽拽，生成流式回答（OpenAI兼容chat接口）。


7. 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，\n" "2. 如果參考資料中沒有相關內容 ，或少量配置的情況下 ，快速構建出靜態頁麵  。不過從代碼看不出來調用過程，
   最終選擇了dify，

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

4. 上傳到github，是因為日積月累寫了幾十篇技術文章
   ，也會維護github pages（時效性低一些 ，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，多少都有點門檻
    ：jekyll雖然是gitHub pages原生支持，屬於殺雞用牛刀了 
   ，就會有兩份圖片文件，或者安裝額外的工具鏈，llamaIndex用來做知識庫，
   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，會讀取全局Settings變量，因為會出現在導航url中，而llamaIndex開箱就帶文檔解析、發現有兩個方向，
   向量結果存儲至本地向量庫chroma
   ，改為短線分隔的英文翻譯	
   ，全文搜索	、但它基於ruby工具鏈
   ，再查找本地向量庫裏匹配的內容；拚上文件名、標題名	，LLM根據此標注 [序號]，並替換為本地相對路徑
   。因為我是先在博客平台上發布
   ，
   最終選擇了docmd
   ，	
   	
   
       	赞(1187)            
       
           		
   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
   		
   		
   
   						
   AI到底聰明在哪——從手機人臉識別說起
   						
   Pretext：值得關注的文本排版引擎
   						
   Pretext：值得關注的文本排版引擎
   						
   .NET 11 Runtime Async 詳解
   						
   別再吹牛了
   ，100% Vibe Coding 存在無法自洽的邏輯漏洞！
   						
   Pretext
   ：值得關注的文本排版引擎
   						
   Pretext
   ：值得關注的文本排版引擎
   						
   在 .NET 上構建超大托管數組