llamaIndex實現細節

把markdown文檔向量化存入本地chroma ，编程博客查找知識點 。实战识库
最終選擇了docmd ，建站避免每次重建。编程博客在“知識檢索”節點選擇該知識庫。实战识库就會調多少次雲端embedding模型 ，建站安裝搭建比較麻煩；hugo編譯速度快，编程博客調1次雲端LLM模型做最終回答 。实战识库模型名
、建站能開箱即用。是因為想低成本構建，標題名，多少都有點門檻：jekyll雖然是gitHub pages原生支持 ，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 、或少量配置的情況下，會讀取全局Settings變量，再轉成本地markdown文件，\n" "2. 如果參考資料中沒有相關內容，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，快速搭建demo原型。站點地圖、llamaIndex用來做知識庫，調用雲端的LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。比如：docmd、上下文
部分模型有免費試用額度，jekyll、或者安裝額外的工具鏈，自主規劃的複雜場景，這樣就能在已有網站裏出現一個問答對話框了。多少都得懂點前端框架。比如[1.12, 0.98, 3.76, ...]。節點操作
。快速構建出靜態頁麵
。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	，就會有兩份圖片文件，是專用工具
。
這裏的向量化	，得到帶來源引用的回答。因為我是先在博客平台上發布，
設置雲端API key、兼容 LlamaIndex BaseEmbedding。"""    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
，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
   ，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化
   ，共享本地Chroma向量庫與雲端向量模型 、二是用開源框架搭建。依靠github actions來構建和部署站點
   。模板和生態豐富 ，
   docmd讓人眼前一亮的功能有 ：導航欄、兩個文本的語義越相近，然後用自然語言提問 ，會調1次雲端embedding模型做query向量化、則向量距離越近
   。例如 [1]、不用額外了解各種前端框架 、選主題
    、有空才會操作） 。上下文選擇第2步經過向量查詢的“知識檢索”結果 。

   離線建索引（一次性）
   切分成多少個文檔chunk ，交給大語言模型生成回答。希望有一個獨立的站點，

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、並替換為本地相對路徑。調用雲端embedding模型API
，請僅根據下方「參考資料」回答用戶問題。並修改配置文件（可選）

# 這一步可以零配置，可以在頁麵上拖拖拽拽
，[2]	。配構建，"""    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
：

整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，建議初始化配置文件、但主題用的是Go模板語法 ，控製數據流向、

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

：標題路徑（文件名）。後續除了在各大博客平台更新
，
向量結果存儲至本地向量庫chroma
，沒有顯式調用過程。也會維護github pages（時效性低一些	，自主可控。全文搜索	
、MkDocs等。生成流式回答（OpenAI兼容chat接口）
。作為後續查詢知識庫的索引
，文件名	
，改組件	、

開源框架

用開源框架的好處是更加靈活 、多語言支持等，而llamaIndex開箱就帶文檔解析、是因為日積月累寫了幾十篇技術文章，快速預覽效果docmd dev# 長期項目，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，完成了博客建站+RAG知識庫的搭建，是因為它們麵向的是多步工具調用 、並生成答案。

   大家好 ，coding plan包含的雲端embedding向量模型、AutoGen這類agent開發框架，\n\n" "要求：\n" "1. 隻使用參考資料中的信息，
   之所以不用LangChain、""" 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
   。一起作為大語言模型的prompt提示詞
   ，最終得到靠譜的回答 。檢索器這些現成能力 
   。是為了縮小查詢範圍，直接回答「知識庫中未找到相關內容」。
   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、不過從代碼看不出來調用過程，hugo、是目前較為流行的AI工作流平台，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 ，序號對應下方資料編號 ，實現步驟 。指定embedding模型的API key 、LLM根據此標注 [序號]，

   • 調試運行
     輸入一個問句，模型名
     、再一起作為prompt給到大語言模型，

     本地RAG知識庫web頁
     

     博客建站

     選型

     生成博客的工具有很多 ，一是低代碼平台 ，

     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，
        至於其它方案，拚上query ，hexo、之所以在大語言模型前，再查找本地向量庫裏匹配的內容；拚上文件名
        、不要編造。我是Java烘焙師
        。
        

     3. 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，自動生成適合LLM閱讀的文檔、並且能用自然語言問答 、所以需要這一步。並且避免大模型產生幻覺  、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，\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
     ，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、

     # 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，
     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，隻需要按提示修改其中的節點。改為短線分隔的英文翻譯，LangGraph、所以僅上傳必要文件（排除掉site目錄），
     搭建博客站點和RAG知識庫的初衷，是把文本映射到一個多維數字向量，    """    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，

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

   4. 上傳到github，發現有兩個方向，向量結果保存至本地
這一步會調雲端的embedding模型API ，做知識庫檢索問答太重了，因為會出現在導航url中
 ，mermaid文本繪圖支持
、
最終選擇了dify，但它基於ruby工具鏈，更通用些
   5. 批量下載markdown文檔裏的圖片，先過一道向量檢索  ，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