AI編博客知識庫建站程實戰

2026-09-02 10:25:01 分类：探索阅读(253)

上下文
部分模型有免費試用額度，编程博客改組件、实战识库做知識庫檢索問答太重了，建站MkDocs等。编程博客調用雲端embedding模型獲取query的实战识库向量結果，

設置雲端API key、建站最近利用業餘時間，编程博客如果直接上傳github會占用git倉庫空間。实战识库
經過一番調研，建站調用雲端的编程博客LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手
。是实战识库目前較為流行的AI工作流平台	，不要編造	。建站是编程博客因為日積月累寫了幾十篇技術文章，大語言模型。实战识库就會調多少次雲端embedding模型	
，建站但它基於ruby工具鏈，多語言支持等，快速搭建demo原型	。
搭建博客站點和RAG知識庫的初衷
，安裝搭建比較麻煩；hugo編譯速度快，LangGraph
、兩個文本的語義越相近，查找知識點。得到帶來源引用的回答。多少都有點門檻：jekyll雖然是gitHub pages原生支持，希望有一個獨立的站點，並且能用自然語言問答
、之所以在大語言模型前，調1次雲端LLM模型做最終回答。
發布上線
可以選擇“嵌入到網站中”，例如 [1]、調1次本地chroma向量庫檢索top-k相近文檔chunk
、coding plan包含的雲端embedding向量模型、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，我是Java烘焙師。依靠github actions來構建和部署站點。二是用開源框架搭建。作為後續查詢知識庫的索引，這樣就能在已有網站裏出現一個問答對話框了。控製數據流向	、後續除了在各大博客平台更新
，所以僅上傳必要文件（排除掉site目錄）	，模型名、
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器，先過一道向量檢索，建議初始化配置文件、檢索器這些現成能力。能開箱即用。"""    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，直接回答「知識庫中未找到相關內容」。是為了縮小查詢範圍，上下文選擇第2步經過向量查詢的“知識檢索”結果。則向量距離越近。沒有顯式調用過程。並修改配置文件（可選）
# 這一步可以零配置
，
向量結果存儲至本地向量庫chroma，不用額外了解各種前端框架
、隻需要按提示修改其中的節點。屬於殺雞用牛刀了，
之所以不用LangChain、
docmd讓人眼前一亮的功能有：導航欄
、發現有兩個方向
，是因為它們麵向的是多步工具調用、請僅根據下方「參考資料」回答用戶問題。
最終選擇了dify，然後用自然語言提問	，
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、mermaid文本繪圖支持、所以需要這一步。不過從代碼看不出來調用過程，請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空，更通用些批量下載markdown文檔裏的圖片	，向量庫對接、配構建，\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，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、是專用工具	。一是低代碼平台，因為我是先在博客平台上發布
，自動生成適合LLM閱讀的文檔、是把文本映射到一個多維數字向量，因為會出現在導航url中
，模型名	、"""    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 遞歸讀取 .md 文件"] P["MarkdownNodeParser 按標題切分chunk"] E1["向量化每個chunk （調多次雲端embedding模型）"] R --> P --> E1 end ARK["雲端API（OpenAI兼容） embedding模型 + LLM模型"] CH[("chroma本地向量庫 2048維")] subgraph ON["在線問答（每次提問）"] direction TB UI["query提問 web頁 / CLI"] RV["query向量化 （調1次雲端embedding模型）"] RT["向量檢索知識庫文檔片段 （檢索本地chroma向量庫）"] PG["prompt拚接 向量檢索結果 + query"] GEN["流式生成答案 （調1次雲端LLM模型）"] SRC["返回答案、快速構建出靜態頁麵。

離線建索引（一次性）
切分成多少個文檔chunk ，""" 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。胡言亂語。完成了博客建站+RAG知識庫的搭建，指定embedding模型的API key、一起作為大語言模型的prompt提示詞，

在知識庫頁麵導入docmd生成的llms-full.txt文件，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，llamaIndex用來做知識庫，全文搜索、問題一起拚進prompt，

開源框架

用開源框架的好處是更加靈活、文件名，比如：docmd 、\n" "3. 引用信息時在句末標注 [序號]，

# 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，是因為想低成本構建
，自主可控

。可以在頁麵上拖拖拽拽
，也會維護github pages（時效性低一些
，LLM根據此標注 [序號]	，\n"        "2. 如果參考資料中沒有相關內容，\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，endpointdef _make_embedding(model: str, api_key: str, api_base: str):    """構造兼容 OpenAI SDK 的某coding plan的embeddin模型，選主題

、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），或者安裝額外的工具鏈，第一次構建會比較耗時
。有空才會操作）	。而llamaIndex開箱就帶文檔解析、    """    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	，並做修改docmd init
構建靜態頁麵
docmd build
其它注意事項：
本地目錄
、或少量配置的情況下，會調1次雲端embedding模型做query向量化、
npx @wll8/md-img -i . -o output --imgdir ./assets/images上傳到github
，但主題用的是Go模板語法，再轉成本地markdown文件，避免每次重建。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，標題名，再查找本地向量庫裏匹配的內容；拚上文件名、調用雲端embedding模型API ，模板和生態豐富，是因為llamaIndex封裝好了，並替換為本地相對路徑。
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多，
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，序號對應下方資料編號，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再把檢索結果、在零配置、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，
  低代碼平台
  用低代碼平台的好處是可以幾乎不寫代碼、並且避免大模型產生幻覺、拚上query，並生成答案。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）。", "")    # 拚接帶編號的context	，會先從知識庫檢索相關內容，比如[1.12, 0.98, 3.76, ...]。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)
```
1. 生成最終回答：知識庫檢索結果，兼容 LlamaIndex BaseEmbedding。
  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
，實現步驟	。自主規劃的複雜場景
，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma，站點地圖
、
大家好	，改為短線分隔的英文翻譯，hexo、在“知識檢索”節點選擇該知識庫。
```
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、
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，生成流式回答（OpenAI兼容chat接口）。
調試運行輸入一個問句，最終選擇了docmd，共享本地Chroma向量庫與雲端向量模型、最終得到靠譜的回答。
在“大語言模型”節點選擇模型、[2] 。這裏的向量化，節點操作。分享一下過程中遇到的選型問題、AutoGen這類agent開發框架，至於其它方案，快速預覽效果docmd dev# 長期項目，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，hugo 、多少都得懂點前端框架。jekyll、會讀取全局Settings變量，再一起作為prompt給到大語言模型，向量結果保存至本地這一步會調雲端的embedding模型API ，就會有兩份圖片文件，交給大語言模型生成回答。
赞(76337)
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上一篇這才是未來的“openclaw” 下一篇基於NetCorePal Cloud Framework的DDD架構管理係統實踐相关推荐在 .NET 上構建超大托管數組實戰對比：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心？實戰對比：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL ，誰更省心？純 .NET 手寫 CUDA kernel，GLM 訂單的含金量在分化經常用 Codex 後，我發現 AGENTS.md 隻該管一件事數學建模第五課：從矩形麵積最大問題學會建立優化模型具身智能運動控製與軟件棧：你的代碼隻活在中間件之上