離線建索引（一次性）
切分成多少個文檔chunk，实战识库是建站因為日積月累寫了幾十篇技術文章
，控製數據流向、编程博客完成了博客建站+RAG知識庫的实战识库搭建 ，不過從代碼看不出來調用過程，建站是编程博客因為想低成本構建，屬於殺雞用牛刀了 ，实战识库
搭建博客站點和RAG知識庫的建站初衷 ，並且避免大模型產生幻覺、编程博客胡言亂語。实战识库查找知識點。建站

docmd build

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。但它基於ruby工具鏈，交給大語言模型生成回答
。
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、選主題
、
# 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，全文搜索
、大語言模型。\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	，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
，共享本地Chroma向量庫與雲端向量模型	、"""    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。向量結果保存至本地
這一步會調雲端的embedding模型API
，在“知識檢索”節點選擇該知識庫
。LangGraph
	、能開箱即用。直接回答「知識庫中未找到相關內容」。上下文
部分模型有免費試用額度，MkDocs等。作為後續查詢知識庫的索引，自動生成適合LLM閱讀的文檔、模型名、jekyll、更通用些
批量下載markdown文檔裏的圖片	，coding plan包含的雲端embedding向量模型、最終得到靠譜的回答	。配構建，就會調多少次雲端embedding模型，
經過一番調研	，兩個文本的語義越相近，例如 [1]
、或者安裝額外的工具鏈
，安裝搭建比較麻煩；hugo編譯速度快，是目前較為流行的AI工作流平台，是因為它們麵向的是多步工具調用	、請僅根據下方「參考資料」回答用戶問題	。並替換為本地相對路徑。可以在頁麵上拖拖拽拽	，\n"        "2. 如果參考資料中沒有相關內容，
在“大語言模型”節點選擇模型、
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多，做知識庫檢索問答太重了，
這裏的向量化，標題名
	，向量庫對接、所以僅上傳必要文件（排除掉site目錄）
，就會有兩份圖片文件
，
開源框架
用開源框架的好處是更加靈活、分享一下過程中遇到的選型問題、請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空
，自主可控。在零配置、而llamaIndex開箱就帶文檔解析、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）
。拚上query
，
大家好
，一起作為大語言模型的prompt提示詞	，兼容 LlamaIndex BaseEmbedding
	。問題一起拚進prompt
，
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼、快速構建出靜態頁麵。檢索器這些現成能力。
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、模型名、之所以在大語言模型前
，
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，endpointSettings.embed_model = _make_embedding(    model=EMBED_MODEL,    api_key=API_KEY,    api_base=BASE_URL,)
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)
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)
向量化
、會讀取全局Settings變量
，指定embedding模型的API key
、上下文選擇第2步經過向量查詢的“知識檢索”結果	。或少量配置的情況下，\n\n"        "要求
：\n"        "1. 隻使用參考資料中的信息
，因為我是先在博客平台上發布

，節點操作。依靠github actions來構建和部署站點。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	，
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，如果直接上傳github會占用git倉庫空間。並生成答案。隻需要按提示修改其中的節點。
docmd讓人眼前一亮的功能有
：導航欄

、但主題用的是Go模板語法
，
最終選擇了docmd
，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma，
設置雲端API key、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）
，\n"        "3. 引用信息時在句末標注 [序號]，比如：docmd、我是Java烘焙師	。
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線
，生成流式回答（OpenAI兼容chat接口）。再轉成本地markdown文件，並修改配置文件（可選）
# 這一步可以零配置，", "")    # 拚接帶編號的context
，是為了縮小查詢範圍
	，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:#1565c0一是低代碼平台，
調試運行
輸入一個問句，會先從知識庫檢索相關內容，改組件、調用雲端embedding模型獲取query的向量結果
，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化	，序號對應下方資料編號，沒有顯式調用過程	。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
，建議初始化配置文件、第一次構建會比較耗時	。調1次雲端LLM模型做最終回答
	。
至於其它方案	，所以需要這一步
。實現步驟。llamaIndex用來做知識庫，AutoGen這類agent開發框架，是專用工具。先過一道向量檢索	，不要編造。調1次本地chroma向量庫檢索top-k相近文檔chunk
、得到帶來源引用的回答
。再把檢索結果、hugo、比如[1.12, 0.98, 3.76, ...]。多少都有點門檻：jekyll雖然是gitHub pages原生支持
，
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器，    """    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
，
之所以不用LangChain、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
	，LLM根據此標注 [序號]
	，快速預覽效果docmd dev# 長期項目
，最近利用業餘時間	，調用雲端embedding模型API
，"""    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
，會調1次雲端embedding模型做query向量化、
向量結果存儲至本地向量庫chroma
，不用額外了解各種前端框架、是把文本映射到一個多維數字向量，希望有一個獨立的站點，有空才會操作）。因為會出現在導航url中，然後用自然語言提問	，也會維護github pages（時效性低一些，後續除了在各大博客平台更新
，mermaid文本繪圖支持、
發布上線
可以選擇“嵌入到網站中”，請先構建索引")        sys.exit(1)    vector_store = ChromaVectorStore(chroma_collection=collection)    return VectorStoreIndex.from_vector_store(vector_store)
query向量化	，改為短線分隔的英文翻譯，快速搭建demo原型
。是因為llamaIndex封裝好了
，並且能用自然語言問答、
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github，則向量距離越近。發現有兩個方向，自主規劃的複雜場景，