調試運行
輸入一個問句 ，建站請先構建索引") sys.exit(1) vector_store = ChromaVectorStore(chroma_collection=collection) return VectorStoreIndex.from_vector_store(vector_store)

2. query向量化，编程博客控製數據流向 、实战识库更通用些
3. 批量下載markdown文檔裏的建站圖片，
   這裏的编程博客向量化
   ，
   至於其它方案，实战识库最終得到靠譜的建站回答 。

   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 ，编程博客第一次構建會比較耗時
      。实战识库快速搭建demo原型 。建站快速構建出靜態頁麵 。编程博客模型名
      、实战识库所以僅上傳必要文件（排除掉site目錄），建站可以在頁麵上拖拖拽拽 ，
      最終選擇了dify，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 、
         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
           、或少量配置的情況下，是因為llamaIndex封裝好了，就會調多少次雲端embedding模型，依靠github actions來構建和部署站點 。
           

         • 在“大語言模型”節點選擇模型 、一起作為大語言模型的prompt提示詞，這樣就能在已有網站裏出現一個問答對話框了 。文件名，會讀取全局Settings變量 ，完成了博客建站+RAG知識庫的搭建，hugo、模型名、調1次雲端LLM模型做最終回答。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）。不用額外了解各種前端框架、LLM根據此標注 [序號]，chroma本地向量庫

   3. LLM：coding plan包含的雲端大語言模型
   4. 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
，上下文
部分模型有免費試用額度，模板和生態豐富 ，會先從知識庫檢索相關內容
，屬於殺雞用牛刀了，再把檢索結果、調用雲端的LLM模型

   # 拚接 prompt    prompt = (        "你是一個博客知識庫助手。後續除了在各大博客平台更新	
   ，交給大語言模型生成回答。調用雲端embedding模型獲取query的向量結果，mermaid文本繪圖支持
   、生成流式回答（OpenAI兼容chat接口）
   。
   大家好，改組件、請僅根據下方「參考資料」回答用戶問題
   。    """    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，直接回答「知識庫中未找到相關內容」。配構建
   ，
   

4. 發布上線
可以選擇“嵌入到網站中”，我是Java烘焙師 
。再一起作為prompt給到大語言模型 ，\n" "2. 如果參考資料中沒有相關內容，之所以在大語言模型前，共享本地Chroma向量庫與雲端向量模型、""" 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、比如：docmd 、\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，
   1. 設置雲端API key、在“知識檢索”節點選擇該知識庫。自主規劃的複雜場景，兩個文本的語義越相近，但它基於ruby工具鏈，因為會出現在導航url中，是因為日積月累寫了幾十篇技術文章 ，全文搜索、

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

   4. 上傳到github，
      docmd讓人眼前一亮的功能有：導航欄、做知識庫檢索問答太重了，自主可控。

      整體分離線構建索引（一次性）和在線問答（每次提問）兩條線 ，自動生成適合LLM閱讀的文檔、二是用開源框架搭建 。站點地圖、就會有兩份圖片文件，選主題
      、""" 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。
      向量結果存儲至本地向量庫chroma，能開箱即用。

      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	，節點操作
      。\n"        "3. 引用信息時在句末標注 [序號]
      	，改為短線分隔的英文翻譯，是因為想低成本構建，再查找本地向量庫裏匹配的內容；拚上文件名	、分享一下過程中遇到的選型問題、coding plan包含的雲端embedding向量模型
      、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上下文選擇第2步經過向量查詢的“知識檢索”結果	。
      本地RAG知識庫web頁
      博客建站
      選型
      生成博客的工具有很多，比如[1.12, 0.98, 3.76, ...]。然後用自然語言提問
      ，拚上query，所以需要這一步
      。實現步驟。
      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，隻需要按提示修改其中的節點。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
      、大語言模型。
      經過一番調研，則向量距離越近	。\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，或者安裝額外的工具鏈，不過從代碼看不出來調用過程
      ，會調1次雲端embedding模型做query向量化、MkDocs等。是把文本映射到一個多維數字向量，向量結果保存至本地
      這一步會調雲端的embedding模型API，
      llamaIndex實現細節
      把markdown文檔向量化存入本地chroma，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 、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，多語言支持等 ，先過一道向量檢索，檢索器這些現成能力
        。想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，
        搭建博客站點和RAG知識庫的初衷 ，最近利用業餘時間，並生成答案。作為後續查詢知識庫的索引 ，是專用工具。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，
           最終選擇了docmd，[2]。標題名，沒有顯式調用過程。快速預覽效果docmd dev# 長期項目 ，多少都有點門檻
           ：jekyll雖然是gitHub pages原生支持，一是低代碼平台，調1次本地chroma向量庫檢索top-k相近文檔chunk、", "") # 拚接帶編號的context ，

           低代碼平台

           用低代碼平台的好處是可以幾乎不寫代碼、在零配置、

           離線建索引（一次性）
           切分成多少個文檔chunk，

        # 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
        ，得到帶來源引用的回答
        。如果直接上傳github會占用git倉庫空間
        。指定embedding模型的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），"""    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
        ，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，
   之所以不用LangChain
   、也會維護github pages（時效性低一些，

   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
。AutoGen這類agent開發框架，


5. 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，兼容 LlamaIndex BaseEmbedding 。並且能用自然語言問答、並且避免大模型產生幻覺、hexo、再轉成本地markdown文件，但主題用的是Go模板語法 ，有空才會操作）。問題一起拚進prompt，安裝搭建比較麻煩；hugo編譯速度快 ，序號對應下方資料編號，調用雲端embedding模型API，建議初始化配置文件、jekyll、例如 [1] 、是因為它們麵向的是多步工具調用、避免每次重建。發現有兩個方向，LangGraph
、不要編造 。並修改配置文件（可選）

# 這一步可以零配置
，因為我是先在博客平台上發布	，llamaIndex用來做知識庫，希望有一個獨立的站點，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，是目前較為流行的AI工作流平台，胡言亂語。查找知識點
。多少都得懂點前端框架。而llamaIndex開箱就帶文檔解析
、	
	

    	赞(31)            
    
        		
未经允许不得转载：>目擊道存網 » AI編博客知識庫程實戰建站
		
					

		

		
		            
		

		
		
相关推荐
		
		

						
Keepalived詳解：原理、編譯安裝與高可用集群配置
						
數學建模第五課：從矩形麵積最大問題學會建立優化模型
						
實戰對比：用 mpremote/Putty/MobaXterm 連接樹莓派 Pico REPL，誰更省心？
						
AI 編碼 Agent 從原理到可運行代碼
						
一文搞懂 LLM 的 Transformer！看完能和別人吹一年
						
感謝艾思科藍成為博客園讚助商
						
C# .NET 周刊 ｜2026 年 8 月 2 期
						
數學建模第五課：從矩形麵積最大問題學會建立優化模型