把文档变成会答题的知识库WeKnora RAG 智能问答平台完整指南【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 PDF、Word 这类原始文档变成可查询的 RAG 知识库、会自主推理的 Agent 和自动维护的 Wiki支持 RAG 智能问答与私有化部署。这篇指南面向第一次接触它的你讲清楚它解决什么问题、怎么几分钟跑起来、怎么用得准以及哪些地方能替换、哪里是坑。它替你把三件事做掉了先说痛点。公司文档散在网盘、IM 群和几个人的电脑里关键词搜索搜不到意思相同但字面不同的内容直接问通用大模型它不读你的文档答错了也没法追责。WeKnora 用三块能力应对RAG 问答文档上传后自动解析、分块、向量化提问时混合检索相关片段答案里逐条标注引用点引用能跳回原文。ReAct 智能体对跨多个文档、需要分步判断的问题智能体自己决定检索几轮、要不要联网搜索、要不要调用 MCP 工具甚至把代码写进 Docker / E2B / Cube 沙箱里执行最后汇总作答。Wiki 模式Agent 从原始文档里自动蒸馏出结构化的 Markdown 页面页面互相链接还生成可视化的知识图谱。这些页面你可以在浏览器里直接编辑有版本历史、行级 diff 和一键回滚。它定位是平台而非代码库解析、检索、推理整条链路模块化解耦组件都能换。向量库支持 8 种ParadeDB、Milvus、Weaviate、Qdrant、Elasticsearch、OpenSearch、Apache Doris、腾讯云 VectorDB对象存储可选本地 / S3 / OSS / COS模型侧兼容 OpenAI、DeepSeek、通义、智谱、Gemini、Ollama 等 20 多家。5 分钟启动 WeKnoraDocker Compose 部署步骤前置条件两样Docker 和 Docker Compose机器建议 4 核 / 8GB 内存起步解析服务内置 LibreOffice 和 Playwright比较吃内存。另外你需要一套可用的模型——本地 Ollama或任意 OpenAI 兼容 API 的 base_url 加 api_key。git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env # 按注释填 DB 账号密码、JWT_SECRET 等必填项 docker compose pull docker compose up -d等docker compose ps里所有服务变 healthy。前端在http://localhost后端健康检查是http://localhost:8080/health。跑通第一个 RAG 问答从注册到带引用的回答启动后浏览器打开http://localhost走一遍最小闭环顺利的话十几分钟大头是等文档解析注册账号。系统没有内置默认账号注册完自动得到一个工作空间你是 Owner。建库并选模型。新建知识库时初始化向导让你为这个库选模型对话模型LLM和向量模型Embedding是必填的两项Rerank、图片理解 VLM、语音转写 ASR、知识图谱抽取都先不开也行之后随时补。向导里有个「测试」按钮先确认模型连得通再保存。一个硬约束向量模型建库后尽量别换换了要重建整个索引。上传文档。拖文件进上传区或粘贴一个网页 URL。支持 PDF、Word、Excel、PPT、Markdown、HTML、EPUB、图片、音频等。解析是异步的状态依次是pending → processing → finalizing → completed扫描件和大文件会慢一些。提问。进对话页选这个知识库直接问。回答里带引用角标点开能看到原文片段。到这一步最小闭环就跑通了。最容易踩的一个坑后端跑在容器里用本地 Ollama 时地址要填http://host.docker.internal:11434填localhost连不上。两种内置 Agent快速问答和智能推理怎么选对话页顶部可以一键切换两种内置智能体快速问答一轮检索、一次生成延迟低、token 成本小。查定义、找数据这类单点问题用它就够。智能推理ReACTAgent 自己决定检索几轮、要不要联网、要不要调 MCP 工具适合对比两个方案并列出依据这类多步问题。想更定制可以在「智能体」页建自定义 Agent按需挂 MCP 工具和联网搜索。还有一条不那么显眼的路径Wiki 模式。开启后 Agent 从原始文档自治生成结构化、互相链接的 Markdown 知识页面并生成可视化知识图谱——不是每次检索时现算而是把知识提前编译好。你也能在浏览器里改页面有版本历史可以回滚。怎么让答案更准重排、分块与知识图谱答案不准基本是三个环节之一出了问题没检回相关分片、检回的分片排序不对、或者分片本身被切坏了。每个环节 WeKnora 都留了调节口模型侧向量模型决定召回上限它的维度要和向量库匹配比如 pgvector 的 1024 维 HNSW 索引。Rerank 重排解决检回了但排序不对图片理解 VLM 和 ASR 语音转写让图表、录音里的内容也可问答这些都在知识库初始化向导里按需开启。分块侧chunk 大小是精度和连贯性的权衡默认值之外可以按文档类型调。调完效果不好定位时可以直接在界面里编辑单个分片——保存后自动重建索引编辑保留版本快照支持 diff 和回滚。检索侧支持 BM25 稀疏召回、向量稠密召回和 GraphRAG 图谱增强。开启知识图谱后系统会分析段落间的语义关联对跨段落的关联问题提升相关性和召回广度。配置参考 docs/KnowledgeGraph.md。平台自带端到端测试输入一批问题可视化整条检索链路输出召回命中率和 BLEU / ROUGE 指标。调参别凭感觉用这个面板看趋势。文档进去之后发生了什么上传的文档交给独立的 docreader 解析服务PDF、Office、图片、EPUB、MHTML、XMind 等格式各自有解析器Office 文档由进程内的 anydoc 直接解析产出结构化文本和图片。接着按配置分块——自适应三层分块加父子分块每个分块做 embedding连同元数据一起入库目录结构以树形保留像文件管理器一样能浏览、重命名、重新归档。检索时用户的问题先经过重写再走 BM25 与向量两路召回可选图谱增强命中的分片交给 Rerank 模型排序最后把 top-k 分片连同系统提示词交给 LLM生成带引用编号的回答。解析和索引都是异步任务走 Redis Asynq 队列不同阶段用独立的 worker 池治理管理后台能看到队列深度、按模型并发失败任务可以排查和手动重试。想追踪每次 Agent 推理的每一步可以挂 LangfuseDocker Compose 里--profile langfuse就能起ReAct 循环、token 消耗、工具调用全程可查文档解析本身也有一条 Langfuse 风格的时间线解析卡住时能直接定位在哪个环节。知识怎么进来答案怎么出去文档进来有两条路手动上传文件、网页 URL、文件夹或接数据源自动同步——飞书知识库 / 飞书云盘、GitLab、腾讯 IMA、Notion、语雀、RSS 都在列支持增量和全量。答案出去的渠道比多数人预期得多Web 界面之外IM 渠道覆盖企业微信、飞书、Lark、QQBot、Slack、Telegram、钉钉、Mattermost、微信、云之家共 10 家同事不用打开你的网站就能问Chrome 插件可以在浏览器里选中文本或整页一键存进知识库网站嵌入 Widget 把智能体嵌到外部站点带域名白名单、限流和安全模式程序集成走 RESTful API官方文档覆盖约 360 个端点API Key 支持能力级授权加按知识库限制另有官方 Python MCP Server29 个工具、stdio / SSE / HTTP 三种传输源码在 mcp-server/命令行客户端weknora在 cli/。部署与权限上生产前要改的几处官方安全声明的原文建议服务部署在内网/私有网络不要直接暴露公网。生产环境放内网前面挂反向代理加认证或接 OIDC支持 JWKS 验签。Docker Compose 按 profile 加可选组件--profile neo4j知识图谱、--profile minio对象存储、--profile langfuse链路追踪可叠加。Kubernetes 上用仓库自带的 Helm charthelm/要求 K8s ≥ 1.25。多人协作走空间 RBACOwner / Admin / Contributor / Viewer 四级角色按知识库归属资源每个空间有审计日志。注册完第一个账号后建议把注册模式改成邀请制设置页里改auth.registration_mode立即生效不用重启。版本升级.env里把WEKNORA_VERSION改成目标版本docker compose pull之后再up -d——只执行up -d会复用本地缓存镜像Web UI 显示的版本可能对不上。常见问题部署后页面打不开先docker compose ps看服务是否都 healthy前端依赖 app 变 healthy再确认.env存在且必填项都填了——app 服务直接读这个文件缺失会导致 compose 解析失败。模型连不上用初始化向导里的「测试」按钮定位本地 Ollama 记得用host.docker.internal地址。文档一直卡在解析中大扫描件确实慢先在解析时间线里看卡在哪一步管理后台的任务队列面板能看到失败任务和原因可以手动重试。答案开始跑偏先点引用看检回了什么片段。片段不对按 Rerank → 分块 → 图谱的顺序逐个调每调一项用端到端测试面板对比指标。与同类方案的取舍WeKnora 给的是完整平台从上传、解析、问答到权限和 IM 集成。如果你只想在代码里拼一条 RAG 链路LangChain、LlamaIndex 这类开发框架更轻——但界面、账号、权限、IM 集成都得自己搭。和 RAGFlow、Dify 这类同形态的开源平台比WeKnora 的侧重是 ReAct 智能体加沙箱技能运行时、Agent 自动生成的 Wiki以及数据源同步和 IM 渠道的覆盖面。如果你的需求就是私有化、多格式文档、团队共享、可观测性它基本不用再拼组件如果只是偶尔问几个文档更轻的方案可能就够了。下一步建议先把最小闭环跑通然后上传一批真实工作文档——测试效果要用自己的语料才有意义。建库时测试按钮确认模型连通embedding 模型当场定好。答案不好时先点引用看检回了什么再按 Rerank、分块、图谱的顺序调。团队场景把注册改成邀请制并按前面提到的方式指定第一个系统管理员。【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 把文档变成会答题的知识库：WeKnora RAG 智能问答平台完整指南
把文档变成会答题的知识库WeKnora RAG 智能问答平台完整指南【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 PDF、Word 这类原始文档变成可查询的 RAG 知识库、会自主推理的 Agent 和自动维护的 Wiki支持 RAG 智能问答与私有化部署。这篇指南面向第一次接触它的你讲清楚它解决什么问题、怎么几分钟跑起来、怎么用得准以及哪些地方能替换、哪里是坑。它替你把三件事做掉了先说痛点。公司文档散在网盘、IM 群和几个人的电脑里关键词搜索搜不到意思相同但字面不同的内容直接问通用大模型它不读你的文档答错了也没法追责。WeKnora 用三块能力应对RAG 问答文档上传后自动解析、分块、向量化提问时混合检索相关片段答案里逐条标注引用点引用能跳回原文。ReAct 智能体对跨多个文档、需要分步判断的问题智能体自己决定检索几轮、要不要联网搜索、要不要调用 MCP 工具甚至把代码写进 Docker / E2B / Cube 沙箱里执行最后汇总作答。Wiki 模式Agent 从原始文档里自动蒸馏出结构化的 Markdown 页面页面互相链接还生成可视化的知识图谱。这些页面你可以在浏览器里直接编辑有版本历史、行级 diff 和一键回滚。它定位是平台而非代码库解析、检索、推理整条链路模块化解耦组件都能换。向量库支持 8 种ParadeDB、Milvus、Weaviate、Qdrant、Elasticsearch、OpenSearch、Apache Doris、腾讯云 VectorDB对象存储可选本地 / S3 / OSS / COS模型侧兼容 OpenAI、DeepSeek、通义、智谱、Gemini、Ollama 等 20 多家。5 分钟启动 WeKnoraDocker Compose 部署步骤前置条件两样Docker 和 Docker Compose机器建议 4 核 / 8GB 内存起步解析服务内置 LibreOffice 和 Playwright比较吃内存。另外你需要一套可用的模型——本地 Ollama或任意 OpenAI 兼容 API 的 base_url 加 api_key。git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env # 按注释填 DB 账号密码、JWT_SECRET 等必填项 docker compose pull docker compose up -d等docker compose ps里所有服务变 healthy。前端在http://localhost后端健康检查是http://localhost:8080/health。跑通第一个 RAG 问答从注册到带引用的回答启动后浏览器打开http://localhost走一遍最小闭环顺利的话十几分钟大头是等文档解析注册账号。系统没有内置默认账号注册完自动得到一个工作空间你是 Owner。建库并选模型。新建知识库时初始化向导让你为这个库选模型对话模型LLM和向量模型Embedding是必填的两项Rerank、图片理解 VLM、语音转写 ASR、知识图谱抽取都先不开也行之后随时补。向导里有个「测试」按钮先确认模型连得通再保存。一个硬约束向量模型建库后尽量别换换了要重建整个索引。上传文档。拖文件进上传区或粘贴一个网页 URL。支持 PDF、Word、Excel、PPT、Markdown、HTML、EPUB、图片、音频等。解析是异步的状态依次是pending → processing → finalizing → completed扫描件和大文件会慢一些。提问。进对话页选这个知识库直接问。回答里带引用角标点开能看到原文片段。到这一步最小闭环就跑通了。最容易踩的一个坑后端跑在容器里用本地 Ollama 时地址要填http://host.docker.internal:11434填localhost连不上。两种内置 Agent快速问答和智能推理怎么选对话页顶部可以一键切换两种内置智能体快速问答一轮检索、一次生成延迟低、token 成本小。查定义、找数据这类单点问题用它就够。智能推理ReACTAgent 自己决定检索几轮、要不要联网、要不要调 MCP 工具适合对比两个方案并列出依据这类多步问题。想更定制可以在「智能体」页建自定义 Agent按需挂 MCP 工具和联网搜索。还有一条不那么显眼的路径Wiki 模式。开启后 Agent 从原始文档自治生成结构化、互相链接的 Markdown 知识页面并生成可视化知识图谱——不是每次检索时现算而是把知识提前编译好。你也能在浏览器里改页面有版本历史可以回滚。怎么让答案更准重排、分块与知识图谱答案不准基本是三个环节之一出了问题没检回相关分片、检回的分片排序不对、或者分片本身被切坏了。每个环节 WeKnora 都留了调节口模型侧向量模型决定召回上限它的维度要和向量库匹配比如 pgvector 的 1024 维 HNSW 索引。Rerank 重排解决检回了但排序不对图片理解 VLM 和 ASR 语音转写让图表、录音里的内容也可问答这些都在知识库初始化向导里按需开启。分块侧chunk 大小是精度和连贯性的权衡默认值之外可以按文档类型调。调完效果不好定位时可以直接在界面里编辑单个分片——保存后自动重建索引编辑保留版本快照支持 diff 和回滚。检索侧支持 BM25 稀疏召回、向量稠密召回和 GraphRAG 图谱增强。开启知识图谱后系统会分析段落间的语义关联对跨段落的关联问题提升相关性和召回广度。配置参考 docs/KnowledgeGraph.md。平台自带端到端测试输入一批问题可视化整条检索链路输出召回命中率和 BLEU / ROUGE 指标。调参别凭感觉用这个面板看趋势。文档进去之后发生了什么上传的文档交给独立的 docreader 解析服务PDF、Office、图片、EPUB、MHTML、XMind 等格式各自有解析器Office 文档由进程内的 anydoc 直接解析产出结构化文本和图片。接着按配置分块——自适应三层分块加父子分块每个分块做 embedding连同元数据一起入库目录结构以树形保留像文件管理器一样能浏览、重命名、重新归档。检索时用户的问题先经过重写再走 BM25 与向量两路召回可选图谱增强命中的分片交给 Rerank 模型排序最后把 top-k 分片连同系统提示词交给 LLM生成带引用编号的回答。解析和索引都是异步任务走 Redis Asynq 队列不同阶段用独立的 worker 池治理管理后台能看到队列深度、按模型并发失败任务可以排查和手动重试。想追踪每次 Agent 推理的每一步可以挂 LangfuseDocker Compose 里--profile langfuse就能起ReAct 循环、token 消耗、工具调用全程可查文档解析本身也有一条 Langfuse 风格的时间线解析卡住时能直接定位在哪个环节。知识怎么进来答案怎么出去文档进来有两条路手动上传文件、网页 URL、文件夹或接数据源自动同步——飞书知识库 / 飞书云盘、GitLab、腾讯 IMA、Notion、语雀、RSS 都在列支持增量和全量。答案出去的渠道比多数人预期得多Web 界面之外IM 渠道覆盖企业微信、飞书、Lark、QQBot、Slack、Telegram、钉钉、Mattermost、微信、云之家共 10 家同事不用打开你的网站就能问Chrome 插件可以在浏览器里选中文本或整页一键存进知识库网站嵌入 Widget 把智能体嵌到外部站点带域名白名单、限流和安全模式程序集成走 RESTful API官方文档覆盖约 360 个端点API Key 支持能力级授权加按知识库限制另有官方 Python MCP Server29 个工具、stdio / SSE / HTTP 三种传输源码在 mcp-server/命令行客户端weknora在 cli/。部署与权限上生产前要改的几处官方安全声明的原文建议服务部署在内网/私有网络不要直接暴露公网。生产环境放内网前面挂反向代理加认证或接 OIDC支持 JWKS 验签。Docker Compose 按 profile 加可选组件--profile neo4j知识图谱、--profile minio对象存储、--profile langfuse链路追踪可叠加。Kubernetes 上用仓库自带的 Helm charthelm/要求 K8s ≥ 1.25。多人协作走空间 RBACOwner / Admin / Contributor / Viewer 四级角色按知识库归属资源每个空间有审计日志。注册完第一个账号后建议把注册模式改成邀请制设置页里改auth.registration_mode立即生效不用重启。版本升级.env里把WEKNORA_VERSION改成目标版本docker compose pull之后再up -d——只执行up -d会复用本地缓存镜像Web UI 显示的版本可能对不上。常见问题部署后页面打不开先docker compose ps看服务是否都 healthy前端依赖 app 变 healthy再确认.env存在且必填项都填了——app 服务直接读这个文件缺失会导致 compose 解析失败。模型连不上用初始化向导里的「测试」按钮定位本地 Ollama 记得用host.docker.internal地址。文档一直卡在解析中大扫描件确实慢先在解析时间线里看卡在哪一步管理后台的任务队列面板能看到失败任务和原因可以手动重试。答案开始跑偏先点引用看检回了什么片段。片段不对按 Rerank → 分块 → 图谱的顺序逐个调每调一项用端到端测试面板对比指标。与同类方案的取舍WeKnora 给的是完整平台从上传、解析、问答到权限和 IM 集成。如果你只想在代码里拼一条 RAG 链路LangChain、LlamaIndex 这类开发框架更轻——但界面、账号、权限、IM 集成都得自己搭。和 RAGFlow、Dify 这类同形态的开源平台比WeKnora 的侧重是 ReAct 智能体加沙箱技能运行时、Agent 自动生成的 Wiki以及数据源同步和 IM 渠道的覆盖面。如果你的需求就是私有化、多格式文档、团队共享、可观测性它基本不用再拼组件如果只是偶尔问几个文档更轻的方案可能就够了。下一步建议先把最小闭环跑通然后上传一批真实工作文档——测试效果要用自己的语料才有意义。建库时测试按钮确认模型连通embedding 模型当场定好。答案不好时先点引用看检回了什么再按 Rerank、分块、图谱的顺序调。团队场景把注册改成邀请制并按前面提到的方式指定第一个系统管理员。【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