• 靜態頁麵構建 ：docmd
• 網頁托管：github pages
• RAG知識庫：llamaIndex、比如[1.12, 0.98, 3.76, ...]
  。拚上query，沒有顯式調用過程。第一次構建會比較耗時 。調用雲端embedding模型API，有空才會操作） 。hugo、就會有兩份圖片文件 ，
  

• 在知識庫頁麵導入docmd生成的llms-full.txt文件 ，mermaid文本繪圖支持、再一起作為prompt給到大語言模型，配構建，上下文
部分模型有免費試用額度，所以僅上傳必要文件（排除掉site目錄） ，向量庫對接、但它基於ruby工具鏈
，因為會出現在導航url中，問題一起拚進prompt ，
最終選擇了dify， """ 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，發現有兩個方向 ，作為後續查詢知識庫的索引，\n" "2. 如果參考資料中沒有相關內容，再轉成本地markdown文件，LangGraph 、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 ，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空，AutoGen這類agent開發框架  ，做知識庫檢索問答太重了，
     最終選擇了docmd ，

  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
  、檢索器這些現成能力 。例如 [1] 、自主規劃的複雜場景，因為我是先在博客平台上發布 ，而llamaIndex開箱就帶文檔解析 、
  

• 發布上線
  可以選擇“嵌入到網站中”，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文件名，LLM根據此標注 [序號]，是專用工具。直接回答「知識庫中未找到相關內容」 。", "") # 拚接帶編號的context，不用額外了解各種前端框架 、二是用開源框架搭建。一是低代碼平台 ，是因為想低成本構建，

  llamaIndex實現細節

  把markdown文檔向量化存入本地chroma，如果直接上傳github會占用git倉庫空間。所以需要這一步
  。多少都得懂點前端框架。再查找本地向量庫裏匹配的內容；拚上文件名 、生成流式回答（OpenAI兼容chat接口）
  。是目前較為流行的AI工作流平台 ，會調1次雲端embedding模型做query向量化、在零配置 、請僅根據下方「參考資料」回答用戶問題 。hexo、大語言模型。

# 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

，控製數據流向、[2]
。快速搭建demo原型。
這裏的向量化，jekyll	
、或少量配置的情況下，或者安裝額外的工具鏈，多語言支持等，調用雲端的LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手。一起作為大語言模型的prompt提示詞
，共享本地Chroma向量庫與雲端向量模型、之所以在大語言模型前，自動生成適合LLM閱讀的文檔、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），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）。llamaIndex用來做知識庫，並且避免大模型產生幻覺	
、再把檢索結果	、
向量結果存儲至本地向量庫chroma，"""    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。指定embedding模型的API key	、但主題用的是Go模板語法，自主可控。\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，節點操作
。隻需要按提示修改其中的節點。
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多，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，快速構建出靜態頁麵 。不過從代碼看不出來調用過程，並且能用自然語言問答、實現步驟。""" 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：

docmd build