腾讯开源 WeKnora：把散落的文档变成能问答、会干活的「知识底座」

你可能也见过这种场面：项目资料散在网盘、Notion、飞书和聊天记录里，真要找一份上季度的方案，得翻四个地方；同一项规定在三个文档里有三个版本，哪个算数没人说得清；好不容易整理出一个知识库，三个月没人维护，答案陈旧得让人不敢信。

更隐秘的痛处在另一半：这些东西你明明都"告诉"过 AI 了，可下次开会话，它还是一脸茫然。 贴了一晚上上下文，关掉窗口就失忆，明天见面又是初次相识。上下文窗口再宽，也拦不住会话边界那一刀切断。

自己动手搭一套？这两年里 RAG 开源项目看了不下几十个，路线大同小异：文档导入、切片、向量化、存库、检索、拼 Prompt、丢给大模型。Demo 跑得通，一上生产就露馅——PDF 表格被切得稀碎、标题层级丢失、检索片段缺上下文、多轮对话聊着聊着就偏、知识库更新全靠人工重传。最后一地鸡毛，往往是"检索没调好"吗？不是，是没人维护。

今天要聊的 WeKnora，是腾讯开源的一个知识框架，MIT 许可证，后端主体用 Go 编写。它想做的事一句话能说清：把一个团队的文档集中到一处，让它们可以被搜索、可以被推理、并且能持续保持更新。 查资料用 RAG，干活用 Agent，整理知识用 Wiki——三种模式，共享同一套知识库。

WeKnora 整体架构：接入层、应用层、运行时服务与存储层

一、三种模式，一套知识库：各管一件事，不拼三个工具

多数 RAG 项目只做"问答"这一件事。WeKnora 把知识的使用拆成三层，但底层是同一套知识库、同一套检索基础设施——这是它和"三个工具拼着用"的本质区别。

RAG 问答，回答必须能核对。 语义加关键词的混合检索找出相关材料，每一句结论后面挂着引用来源，点一下能直接跳回原文对应段落。教育、法务、合规这类场景，"可信"比"流畅"重要得多——敢让读者核对，才是真的自信。

Agent 智能推理，负责多步任务。 跑的是 ReAct 架构：自己规划步骤，检索知识库、联网搜索、调用 MCP 工具、执行技能，每一步都摊开在对话里。运行中的对话还能追加要求、从任意历史问题分叉、带沙箱检查点就地回退。

Wiki，把知识组织起来。 开启之后，Agent 会从知识库文档里提取人物、产品、概念，生成互相链接的页面，按目录归拢，每页带来源引用。知识图谱展示页面之间的关联；页面可以直接编辑，每次改动都有版本记录，改错了能回滚。官方更新记录里提到，Wiki 摄取可以支撑到数万文档量级的知识库——对"文档腐烂"严重的团队，这是个实在的数字。

WeKnora 的问答界面：左侧知识库，右侧引用可溯源的多步推理

三层共享一套知识库意味着：文档只传一次，三种能力同时生效，不用维护三份索引。选型时拿某一层单独去比专职产品，其实测不出它的价值——它的标尺是"整合与治理"。

二、文档解析：格式不该成为第一道门槛

知识库的第一关是"文档进不进得来"。WeKnora 支持的格式覆盖了企业环境的绝大多数场景：PDF、Word、PPT、Excel、CSV、TXT、Markdown、HTML、EPUB、MHTML、JSON、XMind，以及图片。Office 文件由 anydoc 在进程内解析，图片走 OCR，图文混排的文档不用先手动拆碎。

上传方式也照顾真实习惯：文件夹上传保留目录树，不用先手动压扁。数据源可以自动同步——飞书 wiki、飞书云文档、Confluence、GitLab、腾讯 IMA、Notion、语雀、钉钉文档、Seafile、RSS——知识库跟着源头走，而不是每次手动搬运。

还有一个容易被忽略但很重要的细节：检索出来的文本块可以编辑、可以对比差异、可以回滚。 多数项目导入即黑盒，切坏了只能忍着；WeKnora 把"知识策展"做成了正经功能——表格和表头被拆开了，你动手改，改动留痕，改错了退得回去。

最近版本还补上了多模态这一环：图片、图表能和文字一起参与检索，用自然语言直接找"带流程图的那几页"，官方列出了腾讯 WeMM-Embedding、Qwen3-VL-Embedding 等模型的支持。

三、检索：混合召回加重排，还能自己评估

检索质量是 RAG 的生命线，WeKnora 给的是一套组合拳：关键词加向量的混合检索打底，rerank 模型精排，父子分块保证上下文完整，GraphRAG（基于 Neo4j）负责"事物之间怎么关联"这类需要关系推理的问题。

比较少见的是它自带端到端评估：召回率和 BLEU / ROUGE 都能在系统里直接测。这意味着调优不靠感觉——改一版分块策略，跑一遍评估，数字说话。对要把 RAG 推进生产的团队，这省的是实验轮次。

WeKnora 的 Wiki 界面与知识图谱：页面互联、来源可溯、改动可回滚

四、Agent 工具箱：技能、沙箱、浏览器、MCP

如果说 RAG 是"查资料"，Agent 部分就是"真干活"。WeKnora 给 Agent 配了一个相当完整的工具箱：

技能（Skills）。 可以从 ClawHub、SkillHub、Git 或 ZIP 包安装，按工作区管理，跨沙箱复用。技能跑在 Docker、E2B 或 Cube 沙箱里，会话持久，带网络策略。聊天窗口旁边就是交互终端和图形桌面，Agent 每干一步你都能盯着，不对随时接管。

本地浏览器。 通过 BrowserSkill 扩展，Agent 可以直接操作你自己的 Chrome 或 Edge——开页面、填表单。关键是遇到登录和验证码，它会交还给你。这个"交还"设计我很喜欢：既给了行动能力，又守住安全边界，很多产品在这里含糊其辞。

MCP 工具。 外部 MCP 服务可以逐工具启用、逐调用审批，支持 OAuth，不是一刀切全放开。反过来，WeKnora 自己也内置了 MCP Server——每个工作区一个独立端点，各自带 token、知识库范围和速率限制，可以把知识库发布给 Cursor、Claude 这类外部 AI 工具用。

五、连接面：模型、存储、IM，全都可以换

企业级框架的底气体现在"可替换"上。WeKnora 在这件事上做得相当彻底：

  • 模型：内置 29 家厂商，OpenAI、Anthropic、DeepSeek、Qwen、智谱、混元、Gemini、MiniMax、NVIDIA、LiteLLM、Ollama 都在列，没覆盖到的还能走自定义 OpenAI 兼容接口；
  • 向量库：PostgreSQL（pgvector）、Elasticsearch、OpenSearch、Milvus、Weaviate、Qdrant、Apache Doris、腾讯云 VectorDB，八种任选；
  • 对象存储：本地、MinIO、AWS S3、腾讯云 COS、火山 TOS、阿里云 OSS、金山云 KS3、华为云 OBS；
  • IM 渠道：企业微信、飞书、Lark、QQBot、Slack、Telegram、钉钉、Mattermost、微信、云之家，问答可以直接开在这些聊天工具里；
  • 部署：Docker Compose、Kubernetes（Helm）、Lite 单二进制、桌面应用，UI 有中英日韩俄五种语言。

权限和运维也没落下：多工作区 RBAC 四级角色、按资源的归属划分、工作区级审计日志、AES-256-GCM 凭据加密、SSRF 安全的出网请求、Langfuse 追踪每一步推理和 token 消耗。官方文档提到整套系统约 360 个 API 端点、约 150 个环境变量——这个体量决定了它不是玩具，是照着企业落地去的。

六、四个值得抄走的设计取舍

看一个项目的水准，不看它宣传什么，看它在细节上怎么取舍。WeKnora 有几处设计，哪怕你不用它，也值得搬进自己的检索栈：

1. 引用是可跳转的，不是角标。 从答案直接导航到原文对应段落。这倒逼检索必须准——敢让你核对，才是真的自信。

2. 长期记忆要用户确认。 跨会话记忆会自动提取用户画像、偏好、事实，但每一条都要用户确认才入库。AI 不悄悄记你的事，这条底线很多产品没有。

3. 本地浏览器的"交还"机制。 Agent 操作你的浏览器，登录和验证码交还给人。能力可以下放，边界不让步。

4. 知识库作为能力供给。 内置 MCP Server 把知识库发布给外部 AI 工具，每个工作区独立端点、独立 token、独立限流。这意味着你的知识库不只是自用，还能成为任意 AI 工具的能力源——这个思路，比框架本身更值钱。

七、安装：四条命令跑起来

标准部署走 Docker Compose，需要 Docker、Docker Compose 和 Git：

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env    # 按注释编辑配置
docker compose pull     # 拉取镜像
docker compose up -d    # 启动核心服务

然后打开 http://localhost，跟着引导走就行，官方文档里有带示例数据的快速上手。后端 API 在 http://localhost:8080，Langfuse 追踪面板在 http://localhost:3000。

想加知识图谱、对象存储、追踪面板，按需启用 profile：

docker compose --profile neo4j --profile minio up -d

资源紧张可以试 Lite 单二进制版：SQLite 加内存队列，零外部依赖，本地或低资源环境直接跑。生产集群用 Helm chart。想接本地模型，先 ollama serve，再在配置里把 Ollama 设为对话或向量模型——官方明确支持本地出向量、远程出答案的混用。

不想自己部署的，微信对话开放平台上有基于 WeKnora 的托管问答，上传知识、发布到公众号或小程序，不用写代码；腾讯云 Lighthouse 也有一键部署模板。命令行用户还有官方 CLI，agent-first 设计，每条命令默认输出稳定 JSON，也能 weknora mcp serve 把知识库暴露成 MCP 服务。

一个官方反复强调的提醒：虽然自带登录认证，但生产部署建议放内网或私有云，别直接暴露公网，防火墙和访问控制要配好。

八、适合谁用

被"文档腐烂"折磨的团队。 制度文档、产品手册、会议纪要散在各处，版本还对不上——WeKnora 的数据源同步加自动 Wiki，治的就是这个。

做 RAG 系统的工程师。 哪怕不整体替换，它的混合检索配置、中文友好的分块策略、可编辑检索块、MCP 出向设计，都值得直接借鉴。文档站和架构文档完全公开，照官方说法覆盖约 360 个 API 端点。

想把知识库接进 AI 工具的人。 内置 MCP Server、官方 CLI、DeepSeek Harness 插件（给编码 Agent 四个只读工具：检索、读文档、提问、列知识库）——接入路径是现成的。

数据不能出门的组织。 本地或私有云部署、四级角色权限、审计日志、凭据加密，这套组合是照着企业安全合规去的。

结尾：知识管理的下半场

RAG 项目这两年层出不穷，但大多数停在"能问答"这一层。WeKnora 有意思的地方在于，它把知识管理当成一个系统工程来做：解析、检索、推理、组织、权限、运维，全链路都产品化了，而不是给一个 demo 让你自己填坑。

它当然不完美——版本号还挂在 0.x，说明仍在快速迭代；换向量模型要重建索引、Milvus 度量类型这类坑也得自己趟。但"让文档可搜索、可推理、可维护"这件事上，它是目前少见的、认真的、完整的开源答案。

说到底，工具的价值不在于让你少看几份文档，而在于让组织攒下的知识真正开始复利。收藏夹吃灰的时代，该结束了。

相关链接：