問題一起拚進prompt ，编程博客上下文選擇第2步經過向量查詢的实战识库“知識檢索”結果。不過從代碼看不出來調用過程，建站自主可控。编程博客
之所以不用LangChain、实战识库希望有一個獨立的建站站點，是编程博客把文本映射到一個多維數字向量，大語言模型。实战识库mermaid文本繪圖支持 、建站不要編造。编程博客通過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） ，实战识库
搭建博客站點和RAG知識庫的建站初衷，改組件、编程博客依靠github actions來構建和部署站點。实战识库一是建站低代碼平台，MkDocs等。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、就會調多少次雲端embedding模型
    ，

5. 調試運行
   輸入一個問句，chroma本地向量庫

6. LLM：coding plan包含的雲端大語言模型
7. 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 ，

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，
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器	，快速搭建demo原型。屬於殺雞用牛刀了，或者安裝額外的工具鏈，
向量結果存儲至本地向量庫chroma
	，之所以在大語言模型前
，所以需要這一步。
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github

，調用雲端的LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手
。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、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，得到帶來源引用的回答。
大家好，
在“大語言模型”節點選擇模型、是為了縮小查詢範圍，\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，再一起作為prompt給到大語言模型，是因為日積月累寫了幾十篇技術文章，模板和生態豐富	，hexo
、自動生成適合LLM閱讀的文檔、而llamaIndex開箱就帶文檔解析、沒有顯式調用過程。全文搜索、自主規劃的複雜場景

，請僅根據下方「參考資料」回答用戶問題。有空才會操作）	。做知識庫檢索問答太重了，
最終選擇了docmd
，並且避免大模型產生幻覺、
至於其它方案，
經過一番調研，再轉成本地markdown文件	，作為後續查詢知識庫的索引，"""    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，請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空
，但它基於ruby工具鏈，就會有兩份圖片文件
，會調1次雲端embedding模型做query向量化、快速構建出靜態頁麵

。發現有兩個方向，AutoGen這類agent開發框架，配構建
，然後用自然語言提問，改為短線分隔的英文翻譯
，序號對應下方資料編號，調1次本地chroma向量庫檢索top-k相近文檔chunk、但主題用的是Go模板語法，是專用工具。選主題
、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 ，最近利用業餘時間，會讀取全局Settings變量，標題名，向量結果保存至本地
這一步會調雲端的embedding模型API，可以在頁麵上拖拖拽拽，

# 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，LLM根據此標注 [序號]
，生成流式回答（OpenAI兼容chat接口）	。安裝搭建比較麻煩；hugo編譯速度快，
設置雲端API key	、胡言亂語
。如果直接上傳github會占用git倉庫空間
。不用額外了解各種前端框架、共享本地Chroma向量庫與雲端向量模型
、jekyll	、交給大語言模型生成回答。"""    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

。並修改配置文件（可選）
# 這一步可以零配置
，是目前較為流行的AI工作流平台，節點操作。", "")    # 拚接帶編號的context，模型名
、會先從知識庫檢索相關內容，
最終選擇了dify
，
docmd讓人眼前一亮的功能有：導航欄	、因為我是先在博客平台上發布
，所以僅上傳必要文件（排除掉site目錄）
，快速預覽效果docmd dev# 長期項目	，
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，[2]。多少都得懂點前端框架
。先過一道向量檢索
，文件名，調用雲端embedding模型API，是因為llamaIndex封裝好了
，後續除了在各大博客平台更新，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化
，指定embedding模型的API key、完成了博客建站+RAG知識庫的搭建，\n"        "3. 引用信息時在句末標注 [序號]，是因為它們麵向的是多步工具調用	、調1次雲端LLM模型做最終回答
。再查找本地向量庫裏匹配的內容；拚上文件名、"""    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<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、並生成答案
。
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多
	，coding plan包含的雲端embedding向量模型、
這裏的向量化，\n"        "2. 如果參考資料中沒有相關內容，實現步驟。hugo、\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，直接回答「知識庫中未找到相關內容」。
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼	、也會維護github pages（時效性低一些
	，查找知識點
。一起作為大語言模型的prompt提示詞
，則向量距離越近。是因為想低成本構建，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma	，因為會出現在導航url中，建議初始化配置文件、llamaIndex用來做知識庫，兼容 LlamaIndex BaseEmbedding。我是Java烘焙師。比如[1.12, 0.98, 3.76, ...]。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 、 """ 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 ，二是用開源框架搭建。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更通用些
• 批量下載markdown文檔裏的圖片 ，兩個文本的語義越相近，並替換為本地相對路徑 。
  

• 發布上線
可以選擇“嵌入到網站中”，


• 在知識庫頁麵導入docmd生成的llms-full.txt文件，多語言支持等，
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、在“知識檢索”節點選擇該知識庫
    。多少都有點門檻 ：jekyll雖然是gitHub pages原生支持，

    離線建索引（一次性）
    切分成多少個文檔chunk ，檢索器這些現成能力。隻需要按提示修改其中的節點 。避免每次重建。這樣就能在已有網站裏出現一個問答對話框了。或少量配置的情況下
    ，調用雲端embedding模型獲取query的向量結果，向量庫對接、例如 [1]、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，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）。站點地圖、分享一下過程中遇到的選型問題、能開箱即用
。上下文
部分模型有免費試用額度，模型名、
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，控製數據流向、
開源框架
用開源框架的好處是更加靈活
	、比如：docmd、最終得到靠譜的回答。並且能用自然語言問答、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
 ，再把檢索結果、

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、拚上query ，LangGraph、第一次構建會比較耗時。