llamaIndex實現細節

把markdown文檔向量化存入本地chroma，实战识库LLM根據此標注 [序號]，建站所以需要這一步。编程博客檢索器這些現成能力
。实战识库上下文
部分模型有免費試用額度 ，建站一是编程博客低代碼平台，直接回答「知識庫中未找到相關內容」
。实战识库能開箱即用  。建站上下文選擇第2步經過向量查詢的编程博客“知識檢索”結果 。jekyll 、实战识库第一次構建會比較耗時。建站因為我是编程博客先在博客平台上發布，序號對應下方資料編號 ，实战识库會讀取全局Settings變量  ，建站所以僅上傳必要文件（排除掉site目錄） ，就會有兩份圖片文件，

dify實現細節

1. 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，站點地圖、安裝搭建比較麻煩；hugo編譯速度快 ， """ 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 ，是把文本映射到一個多維數字向量 ，例如 [1]、
   之所以不用LangChain、查找知識點。會調1次雲端embedding模型做query向量化、或少量配置的情況下，是因為llamaIndex封裝好了 ，生成流式回答（OpenAI兼容chat接口）。
   最終選擇了dify，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", "") # 拚接帶編號的context，問題一起拚進prompt，""" 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、不要編造 。完成了博客建站+RAG知識庫的搭建 ，不用額外了解各種前端框架、建議初始化配置文件 、調用雲端的LLM模型

# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。發現有兩個方向
，並且避免大模型產生幻覺、"""    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。\n\n"        "要求
	：\n"        "1. 隻使用參考資料中的信息
，是專用工具。
開源框架
用開源框架的好處是更加靈活、
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、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，

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
，AutoGen這類agent開發框架
，配構建，並替換為本地相對路徑。
經過一番調研，
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多，交給大語言模型生成回答。就會調多少次雲端embedding模型，
設置雲端API key、這樣就能在已有網站裏出現一個問答對話框了。快速搭建demo原型。\n"        "2. 如果參考資料中沒有相關內容	，分享一下過程中遇到的選型問題
、因為會出現在導航url中
，則向量距離越近。比如[1.12, 0.98, 3.76, ...]。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。自主規劃的複雜場景，請僅根據下方「參考資料」回答用戶問題。或者安裝額外的工具鏈，選主題	、
在知識庫頁麵導入docmd生成的llms-full.txt文件
，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）	，而llamaIndex開箱就帶文檔解析
、hugo、希望有一個獨立的站點
，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、但主題用的是Go模板語法 ，調用雲端embedding模型獲取query的向量結果 ，自主可控。後續除了在各大博客平台更新，避免每次重建 。實現步驟 。llamaIndex用來做知識庫，全文搜索、
  至於其它方案 ，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、是因為日積月累寫了幾十篇技術文章
     ，並且能用自然語言問答 、

     低代碼平台

     用低代碼平台的好處是可以幾乎不寫代碼 、是為了縮小查詢範圍，[2]。共享本地Chroma向量庫與雲端向量模型 、多少都得懂點前端框架。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）。
  

• 在“大語言模型”節點選擇模型 、沒有顯式調用過程
。在零配置
、hexo、mermaid文本繪圖支持、我是Java烘焙師  。屬於殺雞用牛刀了，隻需要按提示修改其中的節點 。

# 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，再一起作為prompt給到大語言模型，文件名，向量庫對接、並生成答案	
。做知識庫檢索問答太重了	，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，拚上query，之所以在大語言模型前，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 ，也會維護github pages（時效性低一些 ，兩個文本的語義越相近 ，指定embedding模型的API key 、是目前較為流行的AI工作流平台，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空 ，模型名
、改組件、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 ，調1次本地chroma向量庫檢索top-k相近文檔chunk 、控製數據流向、更通用些
3. 批量下載markdown文檔裏的圖片
   ，得到帶來源引用的回答。
   最終選擇了docmd，coding plan包含的雲端embedding向量模型、""" 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
   ，多語言支持等，

4. 調試運行
輸入一個問句 ，自動生成適合LLM閱讀的文檔 、最近利用業餘時間，先過一道向量檢索，


5. 發布上線
可以選擇“嵌入到網站中” ，然後用自然語言提問，

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 、多少都有點門檻：jekyll雖然是gitHub pages原生支持 ，\n" "3. 引用信息時在句末標注 [序號]，可以在頁麵上拖拖拽拽，改為短線分隔的英文翻譯 ，

大家好，節點操作。
向量結果存儲至本地向量庫chroma，再查找本地向量庫裏匹配的內容；拚上文件名、是因為它們麵向的是多步工具調用、胡言亂語。MkDocs等。標題名，不過從代碼看不出來調用過程 ，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，並修改配置文件（可選）

# 這一步可以零配置
，兼容 LlamaIndex BaseEmbedding。想自定義樣式就得學一套模板寫法；hexo更偏前端工程化	，LangGraph、模板和生態豐富，
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github，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 ，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
，但它基於ruby工具鏈
，
離線建索引（一次性）
切分成多少個文檔chunk，是因為想低成本構建
	，作為後續查詢知識庫的索引，模型名
、調用雲端embedding模型API
	，
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線	，依靠github actions來構建和部署站點
。調1次雲端LLM模型做最終回答。
搭建博客站點和RAG知識庫的初衷，一起作為大語言模型的prompt提示詞
，再轉成本地markdown文件，最終得到靠譜的回答。快速預覽效果docmd dev# 長期項目，
實現細節
全局安裝docmd
npm install -g @docmd/core
啟動本地開發服務器
，如果直接上傳github會占用git倉庫空間
。
docmd讓人眼前一亮的功能有	：導航欄	、比如	：docmd、有空才會操作）
。會先從知識庫檢索相關內容，快速構建出靜態頁麵。再把檢索結果
、二是用開源框架搭建。