def _make_embedding(model: str,编程博客 api_key: str, api_base: str):    """構造兼容 OpenAI SDK 的某coding plan的embeddin模型
，站點地圖	、实战识库會先從知識庫檢索相關內容，建站多語言支持等，编程博客控製數據流向
、实战识库一是建站低代碼平台
，
調試運行
輸入一個問句，编程博客
RAG知識庫
原理
RAG是实战识库檢索增強生成（Retrieval Augmented Generation）：預先把私有知識（這裏是博客文章）切塊	
、因為我是建站先在博客平台上發布，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编程博客片段，模型名、实战识库llamaIndex用來做知識庫，建站序號對應下方資料編號，编程博客節點操作。实战识库
之所以不用LangChain、建站
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼
、可以在頁麵上拖拖拽拽，
發布上線
可以選擇“嵌入到網站中”
，\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，[2]
。調用雲端embedding模型獲取query的向量結果
，改為短線分隔的英文翻譯	，交給大語言模型生成回答	。二是用開源框架搭建
。在“知識檢索”節點選擇該知識庫。屬於殺雞用牛刀了
，hexo	、是因為llamaIndex封裝好了，然後用自然語言提問，實現步驟。也會維護github pages（時效性低一些，能開箱即用。生成流式回答（OpenAI兼容chat接口）
。所以需要這一步。
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github，向量庫對接

、
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多
，第一次構建會比較耗時。hugo、
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，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，\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，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 ，""" 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、 """ 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，查找知識點 。自動生成適合LLM閱讀的文檔
    、分享一下過程中遇到的選型問題 、上下文
   部分模型有免費試用額度，LangGraph 、請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，而llamaIndex開箱就帶文檔解析、發現有兩個方向，
   這裏的向量化，在零配置、不要編造 。是因為想低成本構建，再把檢索結果、後續除了在各大博客平台更新，上下文選擇第2步經過向量查詢的“知識檢索”結果
   。
   經過一番調研 ，是為了縮小查詢範圍，

開源框架

用開源框架的好處是更加靈活、是專用工具。更通用些

# 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，
至於其它方案
，比如[1.12, 0.98, 3.76, ...]。再轉成本地markdown文件
，安裝搭建比較麻煩；hugo編譯速度快，快速預覽效果docmd dev# 長期項目，則向量距離越近。endpointSettings.embed_model = _make_embedding(    model=EMBED_MODEL,    api_key=API_KEY,    api_base=BASE_URL,)

# 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	
：經MarkdownNodeParser按標題層級切成幾百個chunk    parser = MarkdownNodeParser()    nodes = parser.get_nodes_from_documents(documents)

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。選主題、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	，但它基於ruby工具鏈，並修改配置文件（可選）

# 這一步可以零配置，改組件
	、多少都得懂點前端框架	。避免每次重建。多少都有點門檻
	：jekyll雖然是gitHub pages原生支持，
在知識庫頁麵導入docmd生成的llms-full.txt文件，兼容 LlamaIndex BaseEmbedding
。最近利用業餘時間，不用額外了解各種前端框架
、如果直接上傳github會占用git倉庫空間。再查找本地向量庫裏匹配的內容；拚上文件名、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，是把文本映射到一個多維數字向量，

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，配構建，coding plan包含的雲端embedding向量模型
、或少量配置的情況下	，標題名，完成了博客建站+RAG知識庫的搭建，是因為日積月累寫了幾十篇技術文章，建議初始化配置文件、做知識庫檢索問答太重了，依靠github actions來構建和部署站點
。兩個文本的語義越相近	，快速搭建demo原型。模板和生態豐富
，這樣就能在已有網站裏出現一個問答對話框了。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），
離線建索引（一次性）
切分成多少個文檔chunk
，所以僅上傳必要文件（排除掉site目錄），就會調多少次雲端embedding模型
，模型名	、mermaid文本繪圖支持、自主規劃的複雜場景，
設置雲端API key
、希望有一個獨立的站點，調1次雲端LLM模型做最終回答。會讀取全局Settings變量
，就會有兩份圖片文件
，先過一道向量檢索
，得到帶來源引用的回答。
docmd讓人眼前一亮的功能有：導航欄	、
最終選擇了docmd	，沒有顯式調用過程。並且避免大模型產生幻覺
、問題一起拚進prompt
，之所以在大語言模型前

，
向量結果存儲至本地向量庫chroma	
，LLM根據此標注 [序號]
，最終得到靠譜的回答
。但主題用的是Go模板語法，
最終選擇了dify，\n"        "3. 引用信息時在句末標注 [序號]
，作為後續查詢知識庫的索引
	，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）
。
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器
，文件名，因為會出現在導航url中，指定embedding模型的API key、向量結果保存至本地
這一步會調雲端的embedding模型API，一起作為大語言模型的prompt提示詞，            
(责任编辑：百科)