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，实战识库逐個向量化（僅首次構建索引時會調雲端） storage_context = StorageContext.from_defaults(vector_store=vector_store) VectorStoreIndex(nodes,建站 storage_context=storage_context, show_progress=True)

   在線問答（每次提問）
   每次問答，標題名，编程博客\n" "2. 如果參考資料中沒有相關內容，实战识库共享本地Chroma向量庫與雲端向量模型、建站希望有一個獨立的编程博客站點，直接回答「知識庫中未找到相關內容」。实战识库

# 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，建站後續除了在各大博客平台更新
，编程博客一是实战识库低代碼平台，
在知識庫頁麵導入docmd生成的建站llms-full.txt文件
，並生成答案。编程博客指定embedding模型的实战识库API key、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，建站一起作為大語言模型的prompt提示詞 ，\n\n" "要求 ：\n" "1. 隻使用參考資料中的信息 ，但它基於ruby工具鏈，""" 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
   ，
   搭建博客站點和RAG知識庫的初衷 ，

3. 調試運行
   輸入一個問句，完成了博客建站+RAG知識庫的搭建 ，改為短線分隔的英文翻譯 ，能開箱即用。調用雲端embedding模型獲取query的向量結果 ，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） ，
   之所以不用LangChain、選主題 、""" 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。是為了縮小查詢範圍，而llamaIndex開箱就帶文檔解析 、所以僅上傳必要文件（排除掉site目錄），快速搭建demo原型  。因為我是先在博客平台上發布，站點地圖 、

   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，請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空，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，更通用些
   4. 批量下載markdown文檔裏的圖片，發現有兩個方向，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，不過從代碼看不出來調用過程
      ，

      llamaIndex實現細節

      把markdown文檔向量化存入本地chroma ，調1次雲端LLM模型做最終回答。這樣就能在已有網站裏出現一個問答對話框了。大語言模型。問題一起拚進prompt， """ 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
      ，是因為日積月累寫了幾十篇技術文章
      ，做知識庫檢索問答太重了，

      1. 設置雲端API key、會讀取全局Settings變量，自主規劃的複雜場景，比如[1.12, 0.98, 3.76, ...]。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、我是Java烘焙師。MkDocs等  。再轉成本地markdown文件，隻需要按提示修改其中的節點
            。但主題用的是Go模板語法，快速構建出靜態頁麵。實現步驟 。調用雲端的LLM模型

         # 拚接 prompt    prompt = (        "你是一個博客知識庫助手。模板和生態豐富，並修改配置文件（可選）

      # 這一步可以零配置
      ，分享一下過程中遇到的選型問題	
      、再查找本地向量庫裏匹配的內容；拚上文件名、hexo
      、
      經過一番調研
      ，二是用開源框架搭建。並替換為本地相對路徑	。不要編造。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、並且能用自然語言問答
      、調1次本地chroma向量庫檢索top-k相近文檔chunk、在“知識檢索”節點選擇該知識庫。作為後續查詢知識庫的索引，也會維護github pages（時效性低一些，", "")    # 拚接帶編號的context
      ，\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
      ，全文搜索、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
   ，在零配置	、jekyll
   、是目前較為流行的AI工作流平台，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
   這裏的向量化，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）。如果直接上傳github會占用git倉庫空間。模型名
、LLM根據此標注 [序號]，
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼、是因為llamaIndex封裝好了	，[2]。多語言支持等，安裝搭建比較麻煩；hugo編譯速度快
	，
開源框架
用開源框架的好處是更加靈活
、是因為它們麵向的是多步工具調用、兼容 LlamaIndex BaseEmbedding
。所以需要這一步。
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
，是專用工具。序號對應下方資料編號
，
向量結果存儲至本地向量庫chroma，向量庫對接、
最終選擇了dify，向量結果保存至本地
這一步會調雲端的embedding模型API，拚上query	，檢索器這些現成能力。mermaid文本繪圖支持
、
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多
，兩個文本的語義越相近
，自主可控。請僅根據下方「參考資料」回答用戶問題
。再把檢索結果
、屬於殺雞用牛刀了
，因為會出現在導航url中	，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，
發布上線
可以選擇“嵌入到網站中”，生成流式回答（OpenAI兼容chat接口）
。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	，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
、或者安裝額外的工具鏈，依靠github actions來構建和部署站點
。交給大語言模型生成回答。比如
：docmd
、coding plan包含的雲端embedding向量模型、
離線建索引（一次性）
切分成多少個文檔chunk，沒有顯式調用過程
。得到帶來源引用的回答。LangGraph	、多少都有點門檻
	：jekyll雖然是gitHub pages原生支持
，hugo、"""    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：

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