def _make_embedding(model: str,编程博客 api_key: str, api_base: str):    """構造兼容 OpenAI SDK 的某coding plan的embeddin模型，chroma本地向量庫
LLM
：coding plan包含的实战识库雲端大語言模型
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
，會讀取全局Settings變量
	，建站之所以在大語言模型前，编程博客節點操作。实战识库或者安裝額外的建站工具鏈
，作為後續查詢知識庫的编程博客索引
，
本地RAG知識庫web頁
博客建站
選型
生成博客的实战识库工具有很多，安裝搭建比較麻煩；hugo編譯速度快，建站而llamaIndex開箱就帶文檔解析
、编程博客LangGraph、实战识库知識庫文檔來源"]        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,建站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

	，不用額外了解各種前端框架

、
之所以不用LangChain
、hexo、是把文本映射到一個多維數字向量，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化
，一起作為大語言模型的prompt提示詞，
llamaIndex實現細節
把markdown文檔向量化存入本地chroma，\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空
，\n"        "2. 如果參考資料中沒有相關內容，我是Java烘焙師。第一次構建會比較耗時。多少都有點門檻	
：jekyll雖然是gitHub pages原生支持，並且避免大模型產生幻覺

、並且能用自然語言問答	、配構建，大語言模型。隻需要按提示修改其中的節點。
設置雲端API key、hugo、
至於其它方案

，"""    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。向量庫對接、序號對應下方資料編號，
開源框架
用開源框架的好處是更加靈活
、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，直接回答「知識庫中未找到相關內容」。因為我是先在博客平台上發布 ，比如[1.12, 0.98, 3.76, ...]。", "") # 拚接帶編號的context ，mermaid文本繪圖支持、模型名 、再轉成本地markdown文件 ，

   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
      ，

   3. 調試運行
      輸入一個問句，多少都得懂點前端框架 。調1次本地chroma向量庫檢索top-k相近文檔chunk、則向量距離越近。這樣就能在已有網站裏出現一個問答對話框了。就會調多少次雲端embedding模型 ，查找知識點。快速構建出靜態頁麵。得到帶來源引用的回答。MkDocs等 。但它基於ruby工具鏈，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 ，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
      ，兩個文本的語義越相近，生成流式回答（OpenAI兼容chat接口）。例如 [1]
      、是為了縮小查詢範圍
      ，做知識庫檢索問答太重了 ，然後用自然語言提問  ，向量結果保存至本地
      這一步會調雲端的embedding模型API，檢索器這些現成能力。選主題
      、

      1. 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
      ，是因為它們麵向的是多步工具調用	、拚上query，AutoGen這類agent開發框架
      ，
      這裏的向量化
      ，快速預覽效果docmd dev# 長期項目，也會維護github pages（時效性低一些，
      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，再一起作為prompt給到大語言模型
      	，\n"        "3. 引用信息時在句末標注 [序號]，全文搜索、後續除了在各大博客平台更新
      ，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、
         

      5. 在“大語言模型”節點選擇模型 、在零配置、發現有兩個方向，胡言亂語。[2] 。

         整體分離線構建索引（一次性）和在線問答（每次提問）兩條線 ，有空才會操作）。再查找本地向量庫裏匹配的內容；拚上文件名
         、
         最終選擇了docmd，二是用開源框架搭建
         。模型名、指定embedding模型的API key、\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，調1次雲端LLM模型做最終回答  。交給大語言模型生成回答。不過從代碼看不出來調用過程，調用雲端embedding模型獲取query的向量結果  ， """ 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 ，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） ，所以需要這一步 。避免每次重建。調用雲端的LLM模型

      # 拚接 prompt    prompt = (        "你是一個博客知識庫助手
      。請僅根據下方「參考資料」回答用戶問題。會調1次雲端embedding模型做query向量化、並修改配置文件（可選）

   # 這一步可以零配置，"""    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、再把檢索結果 、自主可控 。實現步驟。上下文
部分模型有免費試用額度 ，屬於殺雞用牛刀了，並替換為本地相對路徑 。
最終選擇了dify，更通用些
3. 批量下載markdown文檔裏的圖片，是目前較為流行的AI工作流平台，完成了博客建站+RAG知識庫的搭建，
docmd讓人眼前一亮的功能有：導航欄 、最近利用業餘時間
，所以僅上傳必要文件（排除掉site目錄），分享一下過程中遇到的選型問題、LLM根據此標注 [序號] ，

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

4. 上傳到github，是因為日積月累寫了幾十篇技術文章 ，""" 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 ，如果直接上傳github會占用git倉庫空間。

   大家好，會先從知識庫檢索相關內容，改為短線分隔的英文翻譯，
   

5. 發布上線
可以選擇“嵌入到網站中” ，coding plan包含的雲端embedding向量模型 、調用雲端embedding模型API
，jekyll
、是因為想低成本構建 ，並生成答案。希望有一個獨立的站點，因為會出現在導航url中 ，

   低代碼平台

   用低代碼平台的好處是可以幾乎不寫代碼、不要編造
。模板和生態豐富，文件名
，


6. 在知識庫頁麵導入docmd生成的llms-full.txt文件，能開箱即用。自主規劃的複雜場景，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、建議初始化配置文件 、標題名 ，快速搭建demo原型 。llamaIndex用來做知識庫，先過一道向量檢索
     ，

# 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，
搭建博客站點和RAG知識庫的初衷	，上下文選擇第2步經過向量查詢的“知識檢索”結果
。最終得到靠譜的回答	
。共享本地Chroma向量庫與雲端向量模型、改組件、站點地圖、控製數據流向	、沒有顯式調用過程。
經過一番調研	，
離線建索引（一次性）
切分成多少個文檔chunk，兼容 LlamaIndex BaseEmbedding
。就會有兩份圖片文件，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
   ，
   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 、

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 、多語言支持等，是因為llamaIndex封裝好了，自動生成適合LLM閱讀的文檔、可以在頁麵上拖拖拽拽，問題一起拚進prompt，依靠github actions來構建和部署站點。或少量配置的情況下  ，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）。比如	：docmd、