def format_source(meta: dict) -> str:    """從節點的建站metadata組裝來源信息

：標題路徑（文件名）
。胡言亂語。编程博客
在“大語言模型”節點選擇模型
、实战识库不用額外了解各種前端框架、建站調用雲端的LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手
	。會讀取全局Settings變量，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化	，避免每次重建。"""    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，能開箱即用。
搭建博客站點和RAG知識庫的初衷，
大家好，配構建
，hexo、更通用些
批量下載markdown文檔裏的圖片，問題一起拚進prompt
，會調1次雲端embedding模型做query向量化、是因為llamaIndex封裝好了，llamaIndex用來做知識庫，比如[1.12, 0.98, 3.76, ...]
。先過一道向量檢索	，在“知識檢索”節點選擇該知識庫

。改為短線分隔的英文翻譯	，交給大語言模型生成回答。
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github，快速搭建demo原型。jekyll
、沒有顯式調用過程

。
這裏的向量化，\n"        "2. 如果參考資料中沒有相關內容
，兩個文本的語義越相近	，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
，"""    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	。查找知識點。做知識庫檢索問答太重了
	，    """    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
，再一起作為prompt給到大語言模型	，
開源框架
用開源框架的好處是更加靈活、是因為日積月累寫了幾十篇技術文章，拚上query
，AutoGen這類agent開發框架，是目前較為流行的AI工作流平台，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，MkDocs等
。站點地圖
、
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
，兼容 LlamaIndex BaseEmbedding。而llamaIndex開箱就帶文檔解析、改組件
、第一次構建會比較耗時
。再把檢索結果、
最終選擇了dify，之所以在大語言模型前

，hugo、一是低代碼平台	，這樣就能在已有網站裏出現一個問答對話框了	
。分享一下過程中遇到的選型問題、
向量結果存儲至本地向量庫chroma，調1次雲端LLM模型做最終回答	。模型名、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比如
：docmd、多少都有點門檻：jekyll雖然是gitHub pages原生支持，
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，標題名	，"""    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
、例如 [1]	、文件名，並替換為本地相對路徑
。多語言支持等	，生成流式回答（OpenAI兼容chat接口）
。屬於殺雞用牛刀了，後續除了在各大博客平台更新
，上下文
部分模型有免費試用額度，二是用開源框架搭建。LLM根據此標注 [序號]，有空才會操作）。並生成答案
。向量庫對接	、
至於其它方案，並且避免大模型產生幻覺、就會有兩份圖片文件，
在知識庫頁麵導入docmd生成的llms-full.txt文件，[2]
。
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、全文搜索、請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空
，自主規劃的複雜場景，
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器，然後用自然語言提問
，不要編造

。控製數據流向、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、或少量配置的情況下 ，

  離線建索引（一次性）
  切分成多少個文檔chunk，也會維護github pages（時效性低一些  ，\n" "3. 引用信息時在句末標注 [序號]，是為了縮小查詢範圍，是因為它們麵向的是多步工具調用、選主題、建議初始化配置文件 、

# 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，
經過一番調研，直接回答「知識庫中未找到相關內容」。可以在頁麵上拖拖拽拽，就會調多少次雲端embedding模型，會先從知識庫檢索相關內容，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，調1次本地chroma向量庫檢索top-k相近文檔chunk 、在零配置、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，再轉成本地markdown文件 ，所以需要這一步
   。調用雲端embedding模型獲取query的向量結果 ，LangGraph、\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，不過從代碼看不出來調用過程，則向量距離越近。再查找本地向量庫裏匹配的內容；拚上文件名、

   低代碼平台

   用低代碼平台的好處是可以幾乎不寫代碼
   、", "") # 拚接帶編號的context 
   ，調用雲端embedding模型API ，

   1. 設置雲端API key
      、

   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
   、快速構建出靜態頁麵 。實現步驟 。節點操作。安裝搭建比較麻煩；hugo編譯速度快，
   之所以不用LangChain 、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，
      最終選擇了docmd，發現有兩個方向 ，是因為想低成本構建，得到帶來源引用的回答
      。

      本地RAG知識庫web頁
      

      博客建站

      選型

      生成博客的工具有很多，如果直接上傳github會占用git倉庫空間 。大語言模型 。模型名、所以僅上傳必要文件（排除掉site目錄），

      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，\n\n" "要求：\n" "1. 隻使用參考資料中的信息 ，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），最近利用業餘時間 ，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
            、但主題用的是Go模板語法，我是Java烘焙師。是專用工具 。依靠github actions來構建和部署站點。

            llamaIndex實現細節

            把markdown文檔向量化存入本地chroma，並修改配置文件（可選）

         # 這一步可以零配置，完成了博客建站+RAG知識庫的搭建
         ，因為我是先在博客平台上發布，coding plan包含的雲端embedding向量模型、序號對應下方資料編號，是把文本映射到一個多維數字向量，隻需要按提示修改其中的節點。但它基於ruby工具鏈，多少都得懂點前端框架。上下文選擇第2步經過向量查詢的“知識檢索”結果。chroma本地向量庫

      2. LLM：coding plan包含的雲端大語言模型
      3. 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 ，一起作為大語言模型的prompt提示詞
，


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，mermaid文本繪圖支持、希望有一個獨立的站點，或者安裝額外的工具鏈，最終得到靠譜的回答。
docmd讓人眼前一亮的功能有
：導航欄
、