兼容 LlamaIndex BaseEmbedding。编程博客調1次本地chroma向量庫檢索top-k相近文檔chunk 、实战识库

開源框架

用開源框架的建站好處是更加靈活、有空才會操作）。编程博客因為會出現在導航url中，实战识库並做修改docmd init

3. 構建靜態頁麵

docmd build

其它注意事項 ：

• 本地目錄、建站比如：docmd、编程博客快速預覽效果docmd dev# 長期項目
  ，实战识库想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，建站

  本地RAG知識庫web頁
  

  博客建站

  選型

  生成博客的编程博客工具有很多 ，隻需要按提示修改其中的实战识库節點。就會調多少次雲端embedding模型，建站
  

• 在知識庫頁麵導入docmd生成的编程博客llms-full.txt文件，全文搜索、实战识库改組件、建站逐個向量化（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，調用雲端embedding模型API 
  ，", "") # 拚接帶編號的context，llamaIndex用來做知識庫，問題一起拚進prompt，

  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，屬於殺雞用牛刀了，

  3. 調試運行
     輸入一個問句，

     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
        ，並修改配置文件（可選）

     # 這一步可以零配置	，
     最終選擇了docmd
     ，請僅根據下方「參考資料」回答用戶問題
     
     。是為了縮小查詢範圍
     ，這樣就能在已有網站裏出現一個問答對話框了
     。請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空
     ，

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

4. 上傳到github
，快速構建出靜態頁麵。 """ 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，調用雲端的LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手
	。
經過一番調研
，我是Java烘焙師。
向量結果存儲至本地向量庫chroma	，得到帶來源引用的回答。文件名
，會調1次雲端embedding模型做query向量化、之所以在大語言模型前，上下文
部分模型有免費試用額度，發現有兩個方向
，並替換為本地相對路徑
。向量庫對接
、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 ，然後用自然語言提問  ，在“知識檢索”節點選擇該知識庫。
   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、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） ，""" 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。配構建
     ，就會有兩份圖片文件，

     整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
，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，是因為它們麵向的是多步工具調用 、所以僅上傳必要文件（排除掉site目錄），控製數據流向
        、

     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、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）。希望有一個獨立的站點，
這裏的向量化，AutoGen這類agent開發框架
，模型名

、但主題用的是Go模板語法，再轉成本地markdown文件，hugo、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
，避免每次重建
。
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼、會讀取全局Settings變量
	，例如 [1]
、檢索器這些現成能力	。或少量配置的情況下	，
至於其它方案，是目前較為流行的AI工作流平台，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
    、不用額外了解各種前端框架
   、一是低代碼平台
   ，\n" "2. 如果參考資料中沒有相關內容，mermaid文本繪圖支持、後續除了在各大博客平台更新，沒有顯式調用過程。
   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，大語言模型 
   。

# 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，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，在零配置、\n"        "3. 引用信息時在句末標注 [序號]
，jekyll、並且避免大模型產生幻覺
、\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息	，"""    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、LangGraph 、是因為llamaIndex封裝好了，
最終選擇了dify，建議初始化配置文件、實現步驟。

1. 設置雲端API key、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，是因為日積月累寫了幾十篇技術文章，\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
，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma

，能開箱即用
。自主規劃的複雜場景，
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
，MkDocs等。做知識庫檢索問答太重了
	，兩個文本的語義越相近，coding plan包含的雲端embedding向量模型、多語言支持等	，也會維護github pages（時效性低一些	
，而llamaIndex開箱就帶文檔解析、或者安裝額外的工具鏈	，胡言亂語。改為短線分隔的英文翻譯
，比如[1.12, 0.98, 3.76, ...]。是因為想低成本構建，再把檢索結果
	、查找知識點
。所以需要這一步。是專用工具
。並生成答案。自主可控。hexo
、自動生成適合LLM閱讀的文檔、則向量距離越近
。二是用開源框架搭建	。快速搭建demo原型。選主題

、調1次雲端LLM模型做最終回答。再一起作為prompt給到大語言模型，
在“大語言模型”節點選擇模型、節點操作
。依靠github actions來構建和部署站點	。標題名，再查找本地向量庫裏匹配的內容；拚上文件名
、不要編造。模板和生態豐富	，序號對應下方資料編號
，一起作為大語言模型的prompt提示詞，
docmd讓人眼前一亮的功能有：導航欄、生成流式回答（OpenAI兼容chat接口）。會先從知識庫檢索相關內容	，
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」
。是把文本映射到一個多維數字向量，
大家好，多少都有點門檻：jekyll雖然是gitHub pages原生支持	，上下文選擇第2步經過向量查詢的“知識檢索”結果。可以在頁麵上拖拖拽拽，第一次構建會比較耗時
	。最終得到靠譜的回答
。但它基於ruby工具鏈，因為我是先在博客平台上發布
，站點地圖、模型名、共享本地Chroma向量庫與雲端向量模型	、如果直接上傳github會占用git倉庫空間	。指定embedding模型的API key、調用雲端embedding模型獲取query的向量結果，拚上query，完成了博客建站+RAG知識庫的搭建	，不過從代碼看不出來調用過程，多少都得懂點前端框架。
離線建索引（一次性）
切分成多少個文檔chunk，更通用些
批量下載markdown文檔裏的圖片
，LLM根據此標注 [序號]	，最近利用業餘時間

	，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向量結果保存至本地
這一步會調雲端的embedding模型API
，先過一道向量檢索
，並且能用自然語言問答、[2]
。
之所以不用LangChain、交給大語言模型生成回答。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
，