WeKnora 完整指南10 分钟跑通自己的企业文档智能问答系统【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnoraWeKnora 是一个开源的 LLM 知识平台把文档、FAQ、网页放进去它会解析、切块、向量化变成可以检索的知识然后基于这些知识回答问题。整个过程是 RAG检索增强生成先从知识库里搜出相关内容再让大模型根据搜索结果写答案答案会标注出处。本文带你先用约 10 分钟跑起一套能用的系统再讲清楚怎么把它用好、调好。先看效果文档问答是什么体验部署之前先看看用起来的感受。WeKnora 有三种提问方式快速问答。你提问系统检索知识、返回带引用的答案。适合高频、范围明确的问题。Agent 模式。面对需要查几个地方才能答上来的复杂问题模型会分步干活先检索知识库再调用外部工具、搜索网络最后汇总出结论。这是 ReAct 式的做法——模型一边思考、一边执行、一边根据执行结果调整下一步。Wiki 模式。Agent 把原始文档蒸馏成一套相互链接的 Wiki 页面和知识图谱你可以在浏览器里手工编辑每次修改都保留版本记录可以行级对比、一键回滚。三种入口共用同一份知识库文档只入库一次三种模式只是不同的读取路径。快速上手克隆、配置、启动前提只有一个装好 Docker带 Compose。4GB 内存、20GB 空闲磁盘的机器就够80 端口留给 Web 界面8080 给后端 API确认这两个端口空着。git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose pull docker compose up -d.env第一次跑不用改默认值就能把核心服务拉起来。启动成功后浏览器打开 http://localhost进入初始化向导注册账号、选择模型服务、建第一个知识库。docker compose up -d执行完之后跑着的一批容器里各有分工frontend 是 Web 界面app 是后端docreader 是文档解析服务还有 Postgres、Redis、MinIO 等存储组件。整体关系看这张架构图三个补充说明想接本地模型而不是云端 API先在本机跑ollama serve然后在设置页里选 Ollama。官方启动脚本 scripts/start_all.sh 把 Ollama 启动、环境检查-c参数、列出运行中容器等操作封装成了子命令不想记 compose 命令时可以用它。可选组件按需开docker compose --profile neo4j up -d加知识图谱--profile minio加对象存储--profile langfuse加全链路追踪。多个 profile 可以叠加--profile full一次全开。以后升级版本把.env里的WEKNORA_VERSION改成目标版本再执行docker compose pull docker compose up -d。只跑up -d会复用本地缓存的旧镜像不会切到新版本。文档经历了什么数据管线全貌文档的旅程分两段入库时写索引提问时读索引。入库这一段。文档先交给解析引擎——PDF、Word、Excel、PPT、图片等十几种格式都支持图片和扫描页走 OCR还可以让大模型给图片生成描述。解析完的内容按语义边界切成检索用的分块每块再被向量化embedding 就是把文本换算成一串数字向量这样两段话意思有多接近就变成了两个向量距离有多近可以精确计算。分块和向量最后写进向量数据库默认用 pgvectorPostgres 的扩展也可以换成 Milvus、Qdrant、Elasticsearch 等。提问这一段。你问完系统先做查询改写把口语化、带上下文的问题改写成更适合检索的形式。然后走混合检索——一路是关键词匹配BM25找字面精确的词一路是向量相似度找意思相同但措辞不同的内容两路候选合并后由 rerank重排序模型对头部候选按相关度再排一次序。选中的分块连同问题一起组装成提示词交给大模型写出答案。上面每个环节——解析引擎、embedding 模型、向量库、rerank 服务——都可以独立替换。想让知识图谱成为第三条检索路径开启 Neo4j profile 后按 docs/KnowledgeGraph.md 配置即可。知识库实战把文档变成活的资产跑起来之后主战场是知识库页面。几个值得知道的能力文件夹树按文件夹上传会保留原始目录结构左侧树可以浏览、重命名文件夹、把文档重新归档。批量操作文档列表支持框选多选批量重新解析、批量打标签。按批次解析配置上传前可以为这批文档覆盖解析引擎、分块参数、图片描述、图谱抽取等选项之后也能按新配置重新解析。分块编辑发现某个分块切得不对直接在页面里改。每次编辑都留版本可以看 diff、可回滚保存后自动重建索引。除了手动上传知识还能自动同步飞书知识库、飞书云盘、Notion、语雀、RSS 订阅都支持增量和全量同步。FAQ 类型知识库则可以直接录入问答对适合高频固定问题。以上操作也都有对应的 REST 接口可以脚本化地导入和检索接口说明见 docs/api/。模型怎么配云端 API 或本地 Ollama模型相关配置都在设置页。三类模型各配各的角色干什么常见选择LLM写答案、做推理OpenAI、DeepSeek、Qwen、混元、Gemini、Ollama 等Embedding文本转向量Ollama、BGE、GTE、OpenAI 兼容接口Rerank检索结果再排序各家云端 rerank 服务云端 API 最省事填提供商和 Key页面自带模型测试调试器当场验证连通性。本地方案需要先在本机装好 Ollama然后设置页里选 Ollama 即可。两个细节模型可以按知识库覆盖重要知识库用强模型、其余的用便宜的默认值都写在.env.example里注释把变量分了组并标出必填项不用背。答案不理想时怎么排查问答系统部署完不算完关键在能验证。先看引用。每个答案都带来源出处引用抽屉里区分知识库来源和网络来源。答案错了先点进引用看它到底命中了哪几段——多数时候是检索没找对而不是模型不行。再回知识库检查那些分块本身是否合理就是上一节说的分块编辑。用追踪看全过程。开启 Langfuse profile 后每次提问都有完整记录检索到哪些分块、调用过哪些工具、消耗多少 token。文档解析过程也有按阶段展开的进度时间线解析卡住时能看出卡在哪一步。三个高频问题服务起不来先docker compose ps看哪个容器没起来再看它的日志端口冲突、Postgres/Redis 依赖没就绪是最常见的两个原因。检索效果差调分块大小和重叠参数确认 BM25 与向量两路检索都开着再试试换 rerank 模型。版本不一致多半是改了版本号后忘了docker compose pull容器还在跑旧镜像。再往远走一步基础流程跑通后这几个方向值得看接进 IM企业微信、飞书、Slack、Telegram 等渠道接上后同事可以直接在聊天窗口提问。嵌进网站embed 组件可以把智能体发布到外部站点带域名白名单和限流。给别的 AI 用仓库自带官方 MCP server见 mcp-server/ 目录让外部 Agent 也能检索、管理这份知识库。程序化接入权限范围 API Key 可以给不同集成方授予不同权限。更完整的架构细节、环境变量说明和 API 参考都在 website-docs/ 目录里。上手最快的一条路部署完之后先问 WeKnora 自己几个关于它部署方式的问题——它自己的文档就建在系统里。【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 WeKnora 完整指南：10 分钟跑通自己的企业文档智能问答系统
WeKnora 完整指南10 分钟跑通自己的企业文档智能问答系统【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnoraWeKnora 是一个开源的 LLM 知识平台把文档、FAQ、网页放进去它会解析、切块、向量化变成可以检索的知识然后基于这些知识回答问题。整个过程是 RAG检索增强生成先从知识库里搜出相关内容再让大模型根据搜索结果写答案答案会标注出处。本文带你先用约 10 分钟跑起一套能用的系统再讲清楚怎么把它用好、调好。先看效果文档问答是什么体验部署之前先看看用起来的感受。WeKnora 有三种提问方式快速问答。你提问系统检索知识、返回带引用的答案。适合高频、范围明确的问题。Agent 模式。面对需要查几个地方才能答上来的复杂问题模型会分步干活先检索知识库再调用外部工具、搜索网络最后汇总出结论。这是 ReAct 式的做法——模型一边思考、一边执行、一边根据执行结果调整下一步。Wiki 模式。Agent 把原始文档蒸馏成一套相互链接的 Wiki 页面和知识图谱你可以在浏览器里手工编辑每次修改都保留版本记录可以行级对比、一键回滚。三种入口共用同一份知识库文档只入库一次三种模式只是不同的读取路径。快速上手克隆、配置、启动前提只有一个装好 Docker带 Compose。4GB 内存、20GB 空闲磁盘的机器就够80 端口留给 Web 界面8080 给后端 API确认这两个端口空着。git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose pull docker compose up -d.env第一次跑不用改默认值就能把核心服务拉起来。启动成功后浏览器打开 http://localhost进入初始化向导注册账号、选择模型服务、建第一个知识库。docker compose up -d执行完之后跑着的一批容器里各有分工frontend 是 Web 界面app 是后端docreader 是文档解析服务还有 Postgres、Redis、MinIO 等存储组件。整体关系看这张架构图三个补充说明想接本地模型而不是云端 API先在本机跑ollama serve然后在设置页里选 Ollama。官方启动脚本 scripts/start_all.sh 把 Ollama 启动、环境检查-c参数、列出运行中容器等操作封装成了子命令不想记 compose 命令时可以用它。可选组件按需开docker compose --profile neo4j up -d加知识图谱--profile minio加对象存储--profile langfuse加全链路追踪。多个 profile 可以叠加--profile full一次全开。以后升级版本把.env里的WEKNORA_VERSION改成目标版本再执行docker compose pull docker compose up -d。只跑up -d会复用本地缓存的旧镜像不会切到新版本。文档经历了什么数据管线全貌文档的旅程分两段入库时写索引提问时读索引。入库这一段。文档先交给解析引擎——PDF、Word、Excel、PPT、图片等十几种格式都支持图片和扫描页走 OCR还可以让大模型给图片生成描述。解析完的内容按语义边界切成检索用的分块每块再被向量化embedding 就是把文本换算成一串数字向量这样两段话意思有多接近就变成了两个向量距离有多近可以精确计算。分块和向量最后写进向量数据库默认用 pgvectorPostgres 的扩展也可以换成 Milvus、Qdrant、Elasticsearch 等。提问这一段。你问完系统先做查询改写把口语化、带上下文的问题改写成更适合检索的形式。然后走混合检索——一路是关键词匹配BM25找字面精确的词一路是向量相似度找意思相同但措辞不同的内容两路候选合并后由 rerank重排序模型对头部候选按相关度再排一次序。选中的分块连同问题一起组装成提示词交给大模型写出答案。上面每个环节——解析引擎、embedding 模型、向量库、rerank 服务——都可以独立替换。想让知识图谱成为第三条检索路径开启 Neo4j profile 后按 docs/KnowledgeGraph.md 配置即可。知识库实战把文档变成活的资产跑起来之后主战场是知识库页面。几个值得知道的能力文件夹树按文件夹上传会保留原始目录结构左侧树可以浏览、重命名文件夹、把文档重新归档。批量操作文档列表支持框选多选批量重新解析、批量打标签。按批次解析配置上传前可以为这批文档覆盖解析引擎、分块参数、图片描述、图谱抽取等选项之后也能按新配置重新解析。分块编辑发现某个分块切得不对直接在页面里改。每次编辑都留版本可以看 diff、可回滚保存后自动重建索引。除了手动上传知识还能自动同步飞书知识库、飞书云盘、Notion、语雀、RSS 订阅都支持增量和全量同步。FAQ 类型知识库则可以直接录入问答对适合高频固定问题。以上操作也都有对应的 REST 接口可以脚本化地导入和检索接口说明见 docs/api/。模型怎么配云端 API 或本地 Ollama模型相关配置都在设置页。三类模型各配各的角色干什么常见选择LLM写答案、做推理OpenAI、DeepSeek、Qwen、混元、Gemini、Ollama 等Embedding文本转向量Ollama、BGE、GTE、OpenAI 兼容接口Rerank检索结果再排序各家云端 rerank 服务云端 API 最省事填提供商和 Key页面自带模型测试调试器当场验证连通性。本地方案需要先在本机装好 Ollama然后设置页里选 Ollama 即可。两个细节模型可以按知识库覆盖重要知识库用强模型、其余的用便宜的默认值都写在.env.example里注释把变量分了组并标出必填项不用背。答案不理想时怎么排查问答系统部署完不算完关键在能验证。先看引用。每个答案都带来源出处引用抽屉里区分知识库来源和网络来源。答案错了先点进引用看它到底命中了哪几段——多数时候是检索没找对而不是模型不行。再回知识库检查那些分块本身是否合理就是上一节说的分块编辑。用追踪看全过程。开启 Langfuse profile 后每次提问都有完整记录检索到哪些分块、调用过哪些工具、消耗多少 token。文档解析过程也有按阶段展开的进度时间线解析卡住时能看出卡在哪一步。三个高频问题服务起不来先docker compose ps看哪个容器没起来再看它的日志端口冲突、Postgres/Redis 依赖没就绪是最常见的两个原因。检索效果差调分块大小和重叠参数确认 BM25 与向量两路检索都开着再试试换 rerank 模型。版本不一致多半是改了版本号后忘了docker compose pull容器还在跑旧镜像。再往远走一步基础流程跑通后这几个方向值得看接进 IM企业微信、飞书、Slack、Telegram 等渠道接上后同事可以直接在聊天窗口提问。嵌进网站embed 组件可以把智能体发布到外部站点带域名白名单和限流。给别的 AI 用仓库自带官方 MCP server见 mcp-server/ 目录让外部 Agent 也能检索、管理这份知识库。程序化接入权限范围 API Key 可以给不同集成方授予不同权限。更完整的架构细节、环境变量说明和 API 参考都在 website-docs/ 目录里。上手最快的一条路部署完之后先问 WeKnora 自己几个关于它部署方式的问题——它自己的文档就建在系统里。【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考