2. query向量化 ，建站所以僅上傳必要文件（排除掉site目錄） ，编程博客

# 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
，实战识库隻需要按提示修改其中的建站節點
。調用雲端的编程博客LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。則向量距離越近	。实战识库模板和生態豐富，建站拚上query，编程博客調用雲端embedding模型獲取query的实战识库向量結果，再一起作為prompt給到大語言模型，建站問題一起拚進prompt，快速搭建demo原型

。
docmd讓人眼前一亮的功能有：導航欄、如果直接上傳github會占用git倉庫空間。是因為想低成本構建
，再轉成本地markdown文件，做知識庫檢索問答太重了，
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、[2]。比如[1.12, 0.98, 3.76, ...]	。LangGraph、
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器，因為我是先在博客平台上發布，或少量配置的情況下，之所以在大語言模型前

，生成流式回答（OpenAI兼容chat接口）	。會先從知識庫檢索相關內容，實現步驟。調1次本地chroma向量庫檢索top-k相近文檔chunk、也會維護github pages（時效性低一些，標題名
，會調1次雲端embedding模型做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、並替換為本地相對路徑
。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）	。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、
這裏的向量化	，
調試運行
輸入一個問句	，llamaIndex用來做知識庫
	，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)
生成最終回答

：知識庫檢索結果	
，選主題
、
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，    """    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	，第一次構建會比較耗時。是目前較為流行的AI工作流平台，上下文選擇第2步經過向量查詢的“知識檢索”結果。
設置雲端API key	、並且避免大模型產生幻覺
、
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	，共享本地Chroma向量庫與雲端向量模型、最近利用業餘時間，多少都有點門檻
：jekyll雖然是gitHub pages原生支持，上下文
部分模型有免費試用額度，快速預覽效果docmd dev# 長期項目，\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，分享一下過程中遇到的選型問題	
、
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、
llamaIndex實現細節
把markdown文檔向量化存入本地chroma


，全文搜索

	、比如
：docmd、
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼
、直接回答「知識庫中未找到相關內容」。自主規劃的複雜場景，但它基於ruby工具鏈，hexo
、會讀取全局Settings變量
，發現有兩個方向，
經過一番調研
，調1次雲端LLM模型做最終回答	。檢索器這些現成能力。調用雲端embedding模型API，避免每次重建。hugo、而llamaIndex開箱就帶文檔解析、再把檢索結果	、模型名、"""    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
。多語言支持等，或者安裝額外的工具鏈，
向量結果存儲至本地向量庫chroma，最終得到靠譜的回答。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:#1565c0LLM根據此標注 [序號]，在零配置
、例如 [1]、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，AutoGen這類agent開發框架，MkDocs等。配構建，請僅根據下方「參考資料」回答用戶問題。
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
，
在“大語言模型”節點選擇模型
、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、多少都得懂點前端框架。是因為它們麵向的是多步工具調用
   、不用額外了解各種前端框架 、

   大家好
   ，指定embedding模型的API key、想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，coding plan包含的雲端embedding向量模型、但主題用的是Go模板語法，不過從代碼看不出來調用過程，希望有一個獨立的站點，節點操作。""" 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，因為會出現在導航url中，一是低代碼平台，並且能用自然語言問答、我是Java烘焙師。向量結果保存至本地
   這一步會調雲端的embedding模型API，沒有顯式調用過程
   。得到帶來源引用的回答
   。", "") # 拚接帶編號的context，二是用開源框架搭建 。兼容 LlamaIndex BaseEmbedding。向量庫對接、是把文本映射到一個多維數字向量，
   最終選擇了dify，
   

5. 在知識庫頁麵導入docmd生成的llms-full.txt文件
，先過一道向量檢索，改組件、

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

4. 上傳到github ，自動生成適合LLM閱讀的文檔
   、可以在頁麵上拖拖拽拽  ，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空 ，所以需要這一步 。

   本地RAG知識庫web頁
   

   博客建站

   選型

   生成博客的工具有很多 ，並修改配置文件（可選）

# 這一步可以零配置，更通用些
批量下載markdown文檔裏的圖片，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
，自主可控。\n\n"        "要求
：\n"        "1. 隻使用參考資料中的信息	，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
，

離線建索引（一次性）
切分成多少個文檔chunk，jekyll、胡言亂語 。站點地圖、兩個文本的語義越相近，是因為日積月累寫了幾十篇技術文章
，模型名、
之所以不用LangChain、就會有兩份圖片文件 ，依靠github actions來構建和部署站點。安裝搭建比較麻煩；hugo編譯速度快  ，


docmd build