在“大語言模型”節點選擇模型、兼容 LlamaIndex BaseEmbedding 。得到帶來源引用的回答。改為短線分隔的英文翻譯 ，AutoGen這類agent開發框架 ，不用額外了解各種前端框架 、更通用些

3. 構建靜態頁麵

docmd build

其它注意事項
：

• 本地目錄
  、我是Java烘焙師 。或者安裝額外的工具鏈
  ，

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

4. 上傳到github ，
   之所以不用LangChain、再把檢索結果 、請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空
   ，mermaid文本繪圖支持、
   經過一番調研，自主可控 。並且避免大模型產生幻覺、再轉成本地markdown文件，建議初始化配置文件、並替換為本地相對路徑。二是用開源框架搭建。站點地圖 、拚上query
   ，LangGraph
   、指定embedding模型的API key、先過一道向量檢索，自動生成適合LLM閱讀的文檔、是因為它們麵向的是多步工具調用 、[2] 。配構建，是專用工具。而llamaIndex開箱就帶文檔解析
   、

   llamaIndex實現細節

   把markdown文檔向量化存入本地chroma，
   至於其它方案，所以僅上傳必要文件（排除掉site目錄）
   ，希望有一個獨立的站點  ，但它基於ruby工具鏈，
   這裏的向量化 ，做知識庫檢索問答太重了，交給大語言模型生成回答。coding plan包含的雲端embedding向量模型 、模型名 、可以在頁麵上拖拖拽拽 ，
   

5. 在知識庫頁麵導入docmd生成的llms-full.txt文件，
   最終選擇了docmd ，會調1次雲端embedding模型做query向量化、一是低代碼平台，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，

      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\n" "2. 如果參考資料中沒有相關內容  ，上下文
         部分模型有免費試用額度，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“知識檢索”節點選擇該知識庫	。因為我是先在博客平台上發布
      ，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，但主題用的是Go模板語法	
   
   ，

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、隻需要按提示修改其中的節點
。
向量結果存儲至本地向量庫chroma ，在零配置、調1次本地chroma向量庫檢索top-k相近文檔chunk、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
、比如 ：docmd 
、所以需要這一步
。是因為日積月累寫了幾十篇技術文章 ，並生成答案 。自主規劃的複雜場景，分享一下過程中遇到的選型問題、共享本地Chroma向量庫與雲端向量模型、hugo、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，生成流式回答（OpenAI兼容chat接口）。再一起作為prompt給到大語言模型，
      docmd讓人眼前一亮的功能有：導航欄、這樣就能在已有網站裏出現一個問答對話框了 。屬於殺雞用牛刀了
       ，一起作為大語言模型的prompt提示詞
      ，並修改配置文件（可選）

   # 這一步可以零配置，因為會出現在導航url中，節點操作。\n"        "3. 引用信息時在句末標注 [序號]
   ，然後用自然語言提問，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化
   ，改組件、模型名、檢索器這些現成能力。調用雲端embedding模型獲取query的向量結果，如果直接上傳github會占用git倉庫空間。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）。兩個文本的語義越相近	
，向量結果保存至本地
這一步會調雲端的embedding模型API

，會讀取全局Settings變量
，就會有兩份圖片文件，\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

，能開箱即用。多語言支持等	，MkDocs等
。則向量距離越近。多少都得懂點前端框架
。
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，大語言模型。完成了博客建站+RAG知識庫的搭建
	，例如 [1]、快速預覽效果docmd dev# 長期項目，是因為想低成本構建，
開源框架
用開源框架的好處是更加靈活、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）
，之所以在大語言模型前
，選主題
、

調試運行
輸入一個問句 ，避免每次重建
。查找知識點 。

本地RAG知識庫web頁


博客建站

選型

生成博客的工具有很多 ，


發布上線
可以選擇“嵌入到網站中”  ，""" 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，是目前較為流行的AI工作流平台，調1次雲端LLM模型做最終回答。安裝搭建比較麻煩；hugo編譯速度快 ，向量庫對接、

1. 設置雲端API key、就會調多少次雲端embedding模型，上下文選擇第2步經過向量查詢的“知識檢索”結果。llamaIndex用來做知識庫 ，

   整體分離線構建索引（一次性）和在線問答（每次提問）兩條線 ，快速構建出靜態頁麵。沒有顯式調用過程。調用雲端embedding模型API ，多少都有點門檻：jekyll雖然是gitHub pages原生支持，並且能用自然語言問答 、第一次構建會比較耗時 。jekyll、
   最終選擇了dify
   ，最終得到靠譜的回答
   。發現有兩個方向，控製數據流向、

   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 ，
   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
     、hexo、有空才會操作）。\n\n" "要求：\n" "1. 隻使用參考資料中的信息，文件名 ，""" 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。
     赞(691)
     未经允许不得转载：>反哺之情網 » AI編博客知識庫程實戰建站

     相关推荐

     • 在 .NET 上構建超大托管數組
     • .NET 11 Runtime Async 詳解
     • 在 .NET 上構建超大托管數組
     • 在 .NET 上構建超大托管數組
     • AI 寫代碼有多厲害？——快了 55% ，但錯多了 75%
     • Pretext ：值得關注的文本排版引擎
     • .NET 11 Runtime Async 詳解
     • Pretext：值得關注的文本排版引擎