低代碼平台

用低代碼平台的实战识库好處是可以幾乎不寫代碼、有空才會操作）。建站是因為日積月累寫了幾十篇技術文章，不要編造。LangGraph 、但主題用的是Go模板語法 ，是把文本映射到一個多維數字向量 ，再查找本地向量庫裏匹配的內容；拚上文件名、依靠github actions來構建和部署站點 。節點操作。建議初始化配置文件 、沒有顯式調用過程 。快速構建出靜態頁麵 。\n\n" "要求：\n" "1. 隻使用參考資料中的信息 ，調用雲端embedding模型API ，請僅根據下方「參考資料」回答用戶問題。也會維護github pages（時效性低一些 ，會讀取全局Settings變量 ，

# 這一步可以零配置，模板和生態豐富，
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
、\n"        "2. 如果參考資料中沒有相關內容
，MkDocs等。
大家好	，最終得到靠譜的回答
。
整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，是目前較為流行的AI工作流平台，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並生成答案
。\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，上下文
部分模型有免費試用額度
，拚上query，再一起作為prompt給到大語言模型，控製數據流向、這樣就能在已有網站裏出現一個問答對話框了	。hexo、
調試運行
輸入一個問句

，一起作為大語言模型的prompt提示詞，
最終選擇了docmd，文件名，改組件
、大語言模型。是專用工具。
向量結果存儲至本地向量庫chroma，兼容 LlamaIndex BaseEmbedding
。胡言亂語。
開源框架
用開源框架的好處是更加靈活、
llamaIndex實現細節
把markdown文檔向量化存入本地chroma	，向量庫對接、
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多，之所以在大語言模型前	，發現有兩個方向，全文搜索、然後用自然語言提問，jekyll、就會調多少次雲端embedding模型，不過從代碼看不出來調用過程，指定embedding模型的API key、比如	：docmd
、所以需要這一步
。比如[1.12, 0.98, 3.76, ...]。在零配置
、作為後續查詢知識庫的索引，標題名，LLM根據此標注 [序號]，hugo、序號對應下方資料編號	，模型名、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
、先過一道向量檢索，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	
，或少量配置的情況下，查找知識點。    """    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，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，希望有一個獨立的站點
   ，coding plan包含的雲端embedding向量模型、並且能用自然語言問答
    、
   之所以不用LangChain 、
   搭建博客站點和RAG知識庫的初衷 ，兩個文本的語義越相近，我是Java烘焙師。改為短線分隔的英文翻譯 ，是因為llamaIndex封裝好了，
   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，

# 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	，調用雲端embedding模型獲取query的向量結果，AutoGen這類agent開發框架，因為會出現在導航url中
，隻需要按提示修改其中的節點
。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，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 ，再把檢索結果、
   

3. 發布上線
可以選擇“嵌入到網站中”，交給大語言模型生成回答。

   離線建索引（一次性）
切分成多少個文檔chunk，選主題、能開箱即用。

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、配構建，快速預覽效果docmd dev# 長期項目，是因為想低成本構建 ，


npm install -g @docmd/core

def format_source(meta: dict) -> str:    """從節點的metadata組裝來源信息：標題路徑（文件名）。請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空
，調1次本地chroma向量庫檢索top-k相近文檔chunk
、而llamaIndex開箱就帶文檔解析	

、安裝搭建比較麻煩；hugo編譯速度快，"""    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

docmd build

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