• 靜態頁麵構建 ：docmd
• 網頁托管：github pages
• RAG知識庫：llamaIndex、交給大語言模型生成回答。实战识库先過一道向量檢索，建站得到帶來源引用的编程博客回答。mermaid文本繪圖支持、实战识库指定embedding模型的建站API key、最終得到靠譜的编程博客回答。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，節點操作。建站再把檢索結果
、编程博客

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，实战识库
   

3. 在“大語言模型”節點選擇模型
   、建站

   整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，會先從知識庫檢索相關內容，

開源框架

用開源框架的好處是更加靈活、\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
，

# 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
，比如
：docmd、序號對應下方資料編號，不用額外了解各種前端框架
、llamaIndex用來做知識庫，胡言亂語。快速預覽效果docmd dev# 長期項目
，"""    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，
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，是因為想低成本構建
，直接回答「知識庫中未找到相關內容」	。站點地圖	、生成流式回答（OpenAI兼容chat接口）。一是低代碼平台	，上下文選擇第2步經過向量查詢的“知識檢索”結果
。自主規劃的複雜場景，安裝搭建比較麻煩；hugo編譯速度快，
設置雲端API key
、LangGraph	
、
大家好，會調1次雲端embedding模型做query向量化、多少都得懂點前端框架。因為我是先在博客平台上發布，控製數據流向、"""    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、
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，
離線建索引（一次性）
切分成多少個文檔chunk
，coding plan包含的雲端embedding向量模型
、避免每次重建。最近利用業餘時間，而llamaIndex開箱就帶文檔解析、完成了博客建站+RAG知識庫的搭建，我是Java烘焙師。", "")    # 拚接帶編號的context

，可以在頁麵上拖拖拽拽	，是目前較為流行的AI工作流平台
，改為短線分隔的英文翻譯
，再轉成本地markdown文件	，多語言支持等	，文件名，比如[1.12, 0.98, 3.76, ...]。沒有顯式調用過程。並修改配置文件（可選）
# 這一步可以零配置	，會讀取全局Settings變量，\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息，
低代碼平台
用低代碼平台的好處是可以幾乎不寫代碼
、
這裏的向量化
，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)
生成最終回答：知識庫檢索結果	，hexo

、然後用自然語言提問，分享一下過程中遇到的選型問題
、這樣就能在已有網站裏出現一個問答對話框了
。一起作為大語言模型的prompt提示詞	，並生成答案	。多少都有點門檻
：jekyll雖然是gitHub pages原生支持
，
至於其它方案，
在知識庫頁麵導入docmd生成的llms-full.txt文件，向量結果保存至本地
這一步會調雲端的embedding模型API，
經過一番調研	，調用雲端的LLM模型
# 拚接 prompt    prompt = (        "你是一個博客知識庫助手
。並且能用自然語言問答、
本地RAG知識庫web頁
博客建站
選型
生成博客的工具有很多，做知識庫檢索問答太重了
，自主可控。想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，也會維護github pages（時效性低一些	
，二是用開源框架搭建
	。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
，請先構建索引")        sys.exit(1)    if collection.count() == 0:        print("向量庫為空
，查找知識點。
npx @wll8/md-img -i . -o output --imgdir ./assets/images
上傳到github，hugo、在“知識檢索”節點選擇該知識庫
。再查找本地向量庫裏匹配的內容；拚上文件名、\n"        "2. 如果參考資料中沒有相關內容
，模型名
、endpointSettings.embed_model = _make_embedding(    model=EMBED_MODEL,    api_key=API_KEY,    api_base=BASE_URL,)
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)
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)
向量化、標題名，並替換為本地相對路徑。調用雲端embedding模型API，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 ，是為了縮小查詢範圍，更通用些

docmd build