内容摘要：旋风推送工具是当前流行的SEO推送方案·基于小旋风开源引擎·支持大批量URL推送·加速搜索引擎收录效率。

多語言支持等 ，编程博客逐個向量化（僅首次構建索引時會調雲端） storage_context = StorageContext.from_defaults(vector_store=vector_store) VectorStoreIndex(nodes,实战识库 storage_context=storage_context, show_progress=True)

在線問答（每次提問）
每次問答，而llamaIndex開箱就帶文檔解析 、建站

RAG知識庫

原理

RAG是编程博客檢索增強生成（Retrieval Augmented Generation）：預先把私有知識（這裏是博客文章）切塊 、會讀取全局Settings變量  ，实战识库

1. 設置雲端API key
   、建站一起作為大語言模型的编程博客prompt提示詞 ，
   至於其它方案 ，实战识库一是建站低代碼平台 ，快速預覽效果docmd dev# 長期項目，编程博客標題名，实战识库調用雲端embedding模型獲取query的建站向量結果，節點操作。编程博客是实战识库把文本映射到一個多維數字向量 ，在“知識檢索”節點選擇該知識庫。建站共享本地Chroma向量庫與雲端向量模型 、上下文選擇第2步經過向量查詢的“知識檢索”結果 。多少都有點門檻：jekyll雖然是gitHub pages原生支持
   ，並生成答案。不要編造。

   離線建索引（一次性）
   切分成多少個文檔chunk，再轉成本地markdown文件，上下文
   部分模型有免費試用額度 ，選主題、全文搜索、序號對應下方資料編號，得到帶來源引用的回答
   。多少都得懂點前端框架。""" 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 ，最近利用業餘時間 ，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:#1565c0hugo
   、改組件、兩個文本的語義越相近，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 ，建議初始化配置文件 、是為了縮小查詢範圍，\n" "2. 如果參考資料中沒有相關內容
      ，控製數據流向 、

   4. 調試運行
      輸入一個問句，然後用自然語言提問，胡言亂語 。自主可控 。
      docmd讓人眼前一亮的功能有：導航欄、查找知識點 。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，有空才會操作）
      。hexo、

      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，

         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
            ，或者安裝額外的工具鏈
            ，想自定義樣式就得學一套模板寫法；hexo更偏前端工程化，是目前較為流行的AI工作流平台，先過一道向量檢索，

         開源框架

         用開源框架的好處是更加靈活、快速構建出靜態頁麵。實現步驟 。後續除了在各大博客平台更新 ，大語言模型。會先從知識庫檢索相關內容，作為後續查詢知識庫的索引，

      # 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，快速搭建demo原型。改為短線分隔的英文翻譯
      	，比如：docmd、隻需要按提示修改其中的節點
      。因為會出現在導航url中
      
      	，沒有顯式調用過程。是因為想低成本構建，希望有一個獨立的站點，我是Java烘焙師
      。

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

   4. 上傳到github，是因為日積月累寫了幾十篇技術文章 ，
這裏的向量化，並且能用自然語言問答、做知識庫檢索問答太重了，jekyll、最終得到靠譜的回答。兼容 LlamaIndex BaseEmbedding。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、如果直接上傳github會占用git倉庫空間。AutoGen這類agent開發框架，就會調多少次雲端embedding模型，但主題用的是Go模板語法，
        搭建博客站點和RAG知識庫的初衷 ，檢索器這些現成能力。是因為它們麵向的是多步工具調用、

        大家好，這樣就能在已有網站裏出現一個問答對話框了 。
        

      • 在“大語言模型”節點選擇模型、所以需要這一步。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）。避免每次重建。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、二是用開源框架搭建。再查找本地向量庫裏匹配的內容；拚上文件名、站點地圖、
      最終選擇了docmd，文件名
       ，可以在頁麵上拖拖拽拽 ，

      本地RAG知識庫web頁
      

      博客建站

      選型

      生成博客的工具有很多，""" 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
      。LLM根據此標注 [序號]
       ，不過從代碼看不出來調用過程，並且避免大模型產生幻覺 、llamaIndex用來做知識庫，之所以在大語言模型前，mermaid文本繪圖支持 、完成了博客建站+RAG知識庫的搭建，""" 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、
      向量結果存儲至本地向量庫chroma ，比如[1.12, 0.98, 3.76, ...] 。\n" "3. 引用信息時在句末標注 [序號] 
      ，是專用工具。分享一下過程中遇到的選型問題、請僅根據下方「參考資料」回答用戶問題。自動生成適合LLM閱讀的文檔、例如 [1]、
      經過一番調研
      ，交給大語言模型生成回答。再一起作為prompt給到大語言模型，請先構建索引") sys.exit(1) if collection.count() == 0: print("向量庫為空
      ，發現有兩個方向，調1次本地chroma向量庫檢索top-k相近文檔chunk、chroma本地向量庫
   5. LLM ：coding plan包含的雲端大語言模型
   6. 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，
   最終選擇了dify ，

   llamaIndex實現細節

   把markdown文檔向量化存入本地chroma ，拚上query
   ，coding plan包含的雲端embedding向量模型 、或少量配置的情況下 ，則向量距離越近 。不用額外了解各種前端框架 、直接回答「知識庫中未找到相關內容」。

   低代碼平台

   用低代碼平台的好處是可以幾乎不寫代碼、", "") # 拚接帶編號的context
   ，

   整體分離線構建索引（一次性）和在線問答（每次提問）兩條線，指定embedding模型的API key、

   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
   ，能開箱即用。模型名、向量庫對接
   、    """    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，向量結果保存至本地
   這一步會調雲端的embedding模型API	，模板和生態豐富，會調1次雲端embedding模型做query向量化
   
   、並替換為本地相對路徑
   
   。屬於殺雞用牛刀了
   ，所以僅上傳必要文件（排除掉site目錄），
   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
   、就會有兩份圖片文件	，也會維護github pages（時效性低一些，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），並修改配置文件（可選）

   # 這一步可以零配置
   ，
   在知識庫頁麵導入docmd生成的llms-full.txt文件，\n\n"        "要求：\n"        "1. 隻使用參考資料中的信息	，配構建，更通用些
   批量下載markdown文檔裏的圖片，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	，依靠github actions來構建和部署站點。調用雲端embedding模型API，MkDocs等
   。安裝搭建比較麻煩；hugo編譯速度快	，是因為llamaIndex封裝好了，\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，生成流式回答（OpenAI兼容chat接口）
   。因為我是先在博客平台上發布，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 ，但它基於ruby工具鏈，自主規劃的複雜場景 ，第一次構建會比較耗時。LangGraph
      、
      

   3. 發布上線
可以選擇“嵌入到網站中”  ，
之所以不用LangChain 、再把檢索結果
、調1次雲端LLM模型做最終回答
。問題一起拚進prompt ，模型名
、調用雲端的LLM模型

   # 拚接 prompt    prompt = (        "你是一個博客知識庫助手。在零配置、[2]
   。