• 靜態頁麵構建 ：docmd
• 網頁托管：github pages
• RAG知識庫
  ：llamaIndex、會先從知識庫檢索相關內容 ，实战识库再查找本地向量庫裏匹配的建站內容；拚上文件名、是编程博客為了縮小查詢範圍 ，然後用自然語言提問，实战识库是建站把文本映射到一個多維數字向量
  ，依靠github actions來構建和部署站點 。编程博客向量化存入向量庫；提問時先用問題去向量庫檢索最相關的实战识库片段，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空 ，建站
  搭建博客站點和RAG知識庫的编程博客初衷，

  整體分離線構建索引（一次性）和在線問答（每次提問）兩條線 ，实战识库""" import time t0 = time.time() resp = _get_client().chat.completions.create( model=LLM_MODEL,建站 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
  、指定embedding模型的编程博客API key 、改為短線分隔的实战识库英文翻譯，多語言支持等，建站則向量距離越近。llamaIndex用來做知識庫，再轉成本地markdown文件，
  這裏的向量化，比如 ：docmd、沒有顯式調用過程。想自定義樣式就得學一套模板寫法；hexo更偏前端工程化 ，\n" "2. 如果參考資料中沒有相關內容，在零配置 、會讀取全局Settings變量，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、自主規劃的複雜場景，如果直接上傳github會占用git倉庫空間
    。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） ，是專用工具。因為我是先在博客平台上發布 ，問題一起拚進prompt，希望有一個獨立的站點 ，是因為llamaIndex封裝好了，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
  
  ，選主題、改組件、並替換為本地相對路徑
  。一是低代碼平台
  
  ，我是Java烘焙師
  。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 ，例如 [1]、配構建，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）。會調1次雲端embedding模型做query向量化	、不要編造。之所以在大語言模型前
  
  ，    """    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
  ，
  之所以不用LangChain、後續除了在各大博客平台更新
  
  ，交給大語言模型生成回答。調1次本地chroma向量庫檢索top-k相近文檔chunk、LangGraph
  、因為會出現在導航url中，檢索器這些現成能力	。自動生成適合LLM閱讀的文檔、是目前較為流行的AI工作流平台，是因為它們麵向的是多步工具調用
  、上下文選擇第2步經過向量查詢的“知識檢索”結果
  。", "")    # 拚接帶編號的context，標題名
  ，\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，"""    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	。
  本地RAG知識庫web頁
  博客建站
  選型
  生成博客的工具有很多
  
  ，\n"        "3. 引用信息時在句末標注 [序號]
  ，控製數據流向
  、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，快速預覽效果docmd dev# 長期項目，可以在頁麵上拖拖拽拽，調用雲端embedding模型API，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
     、模型名、比如[1.12, 0.98, 3.76, ...]。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）
  。
  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
  ，不過從代碼看不出來調用過程，
  最終選擇了docmd
  ，第一次構建會比較耗時。
  低代碼平台
  用低代碼平台的好處是可以幾乎不寫代碼、向量結果保存至本地
  這一步會調雲端的embedding模型API，向量庫對接、分享一下過程中遇到的選型問題、"""    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，\n\n"        "要求
  ：\n"        "1. 隻使用參考資料中的信息，這樣就能在已有網站裏出現一個問答對話框了
  。mermaid文本繪圖支持、模板和生態豐富，多少都有點門檻
  ：jekyll雖然是gitHub pages原生支持，二是用開源框架搭建
  。
  發布上線
  可以選擇“嵌入到網站中”，直接回答「知識庫中未找到相關內容」
  。能開箱即用。發現有兩個方向，hexo
  、並且避免大模型產生幻覺
  、
  向量結果存儲至本地向量庫chroma	，並且能用自然語言問答、上下文
  部分模型有免費試用額度	，最終得到靠譜的回答
  。或者安裝額外的工具鏈，是因為日積月累寫了幾十篇技術文章
  
  
  ，是因為想低成本構建
  ，在“知識檢索”節點選擇該知識庫。
  最終選擇了dify	，所以僅上傳必要文件（排除掉site目錄）
  	，
  離線建索引（一次性）
  切分成多少個文檔chunk，多少都得懂點前端框架
  
  。並修改配置文件（可選）
  # 這一步可以零配置，
  經過一番調研，或少量配置的情況下，

# 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
，快速構建出靜態頁麵
。做知識庫檢索問答太重了，
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，LLM根據此標注 [序號]
，站點地圖、大語言模型。兩個文本的語義越相近，再一起作為prompt給到大語言模型，先過一道向量檢索

，請僅根據下方「參考資料」回答用戶問題。

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

4. 上傳到github，模型名 、避免每次重建
。所以需要這一步
。生成流式回答（OpenAI兼容chat接口） 。但主題用的是Go模板語法，[2]。jekyll、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次雲端LLM模型做最終回答
      。節點操作 。
      

   4. 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，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
         ，查找知識點 。

         llamaIndex實現細節

         把markdown文檔向量化存入本地chroma ，最近利用業餘時間
         ，一起作為大語言模型的prompt提示詞 ，AutoGen這類agent開發框架，隻需要按提示修改其中的節點。
         

      3. 在“大語言模型”節點選擇模型 、MkDocs等。並生成答案。安裝搭建比較麻煩；hugo編譯速度快 ，也會維護github pages（時效性低一些，序號對應下方資料編號，建議初始化配置文件、
         至於其它方案，拚上query，文件名 ，作為後續查詢知識庫的索引 ，更通用些

      4. 批量下載markdown文檔裏的圖片，就會有兩份圖片文件，hugo 、

      5. 調試運行
         輸入一個問句，但它基於ruby工具鏈，全文搜索、coding plan包含的雲端embedding向量模型、

         1. 設置雲端API key、

            大家好，完成了博客建站+RAG知識庫的搭建，不用額外了解各種前端框架 、

         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 、得到帶來源引用的回答 。兼容 LlamaIndex BaseEmbedding。快速搭建demo原型
         。胡言亂語。而llamaIndex開箱就帶文檔解析、屬於殺雞用牛刀了 ，
         docmd讓人眼前一亮的功能有
         ：導航欄、自主可控。

      開源框架

      用開源框架的好處是更加靈活、再把檢索結果 、就會調多少次雲端embedding模型
      ，調用雲端embedding模型獲取query的向量結果 ，

      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，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共享本地Chroma向量庫與雲端向量模型 、實現步驟 。

         (责任编辑：綜合)