工程團隊有個很常見的痛點：文件寫了，但沒人找得到。README、架構說明、API 文件散落在十幾個 Repo，新人 onboarding 要翻半天，老人也不見得記得當初寫在哪裡。搜尋？只要關鍵字不精準，結果就是一片空白。

這個問題困擾了我一段時間。週末用 Claude Code 做了一個 side project 嘗試解決它 — MarkdownKB，把 GitHub 上的 Markdown 文件整合成一套可以直接「問問題」的知識庫平台。

這個專案在做什麼

一句話描述：輸入一個 GitHub Repo，系統自動把裡面的 Markdown 文件建成向量索引，之後就可以用自然語言提問，像問 ChatGPT 一樣問你自己的文件。

回答會附上引用來源（是哪一篇文件、哪一段），不是憑空捏造，也支援多輪對話，可以追問、澄清。

主要功能

• 瀏覽 GitHub Markdown 文件 — 支援 Public 和 Private Repo，透過 GitHub API 抓取內容
• 混合搜尋 — 關鍵字搜尋 + 語意向量搜尋（pgvector），兩者結合後準確率比單獨使用任一種都好
• RAG 問答 — 自然語言提問，回答附引用來源，支援多輪對話
• LINE Bot 整合 — 直接在 LINE 聊天室查詢知識庫，不用開瀏覽器
• GPT Actions 整合 — 讓 ChatGPT 呼叫知識庫 API，把你的文件變成 GPT 的知識來源

技術架構

技術棧選擇

選 pgvector 而不是獨立的向量資料庫（Pinecone、Qdrant 等），主要是想讓架構簡單一點。既然已經用 PostgreSQL 存資料，能在同一個資料庫做向量搜尋就不想多一個服務。對這個規模的專案來說，pgvector 的效能完全夠用。

RAG 流程

整個問答流程大致如下：

1. 使用者輸入問題
2. 呼叫 OpenAI Embedding API，把問題轉成向量
3. 用 pgvector 做向量相似度搜尋，找出最相關的文件片段
4. 同時做關鍵字全文搜尋，兩組結果合併、去重、重新排序
5. 把相關片段當作 context，連同問題一起送給 GPT
6. GPT 根據 context 回答，並標註引用來源
7. 多輪對話時，把對話歷史一起送入，讓 GPT 能理解上下文

混合搜尋的效果

純向量搜尋的問題是對精確名詞不敏感。例如搜尋某個 API 的參數名稱，向量搜尋可能找到語意相近但不包含那個參數名的文件。加入關鍵字搜尋後，這種情況明顯改善。

兩者的權重可以調整，目前設定是向量搜尋佔比稍高，但對於技術文件這類包含大量專有名詞的內容，關鍵字搜尋的權重值得再拉高一點。

LINE Bot 整合

LINE Bot 的整合相對簡單，主要是 Webhook 接收訊息、呼叫知識庫 API、把回答送回 LINE。

比較有趣的部分是多輪對話的狀態管理。LINE 的每一則訊息都是獨立事件，需要自己維護對話歷史。目前用 PostgreSQL 存對話 session，每個 LINE 使用者有自己的對話脈絡，閒置一段時間後自動清除。

GPT Actions 整合

這個功能讓 ChatGPT 可以直接呼叫 MarkdownKB 的 API。設定方式是在 ChatGPT 的 GPT 設定裡新增 Action，把 API schema 貼上去，之後這個 GPT 就能在回答問題時主動查詢你的知識庫。

對於想在 ChatGPT 介面使用但又想要回答基於自己文件的情境，這個整合蠻實用的。

專案連結

開源在 GitHub，歡迎參考或貢獻：

👉 https://github.com/jeff377/markdown-kb

如果你們團隊也有類似的文件管理問題，或者對 RAG 應用有任何想法，歡迎留言交流。

📘 HackMD 原文筆記：
👉 https://hackmd.io/@jeff377/markdown-kb

📢 歡迎轉載，請註明出處
📬 歡迎追蹤我的技術筆記與實戰經驗分享
Facebook ｜ HackMD ｜ GitHub ｜ NuGet