WeKnora RAG 知识库上手指南从文档到智能问答的完整路径【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 是一款开源的 RAG 知识库与智能问答系统把散落的文档变成可检索、可推理的知识资产。如果你手上有成堆的 PDF、Word、Wiki 页面又不想从零搭向量数据库和提示词工程WeKnora 部署后开箱即用上传文档即可问答还能跑自主推理代理和自动 Wiki 生成支持本地与私有化部署数据留在自己手里。它到底是什么一句话定位把文档变成活的知识——能问RAG 快速问答、能想ReAct 智能体、能自己写 Wiki。适合谁新手/业务人员零代码网页端上传文档、提问、看引用开发者提供约 360 个 API 端点、weknoraCLI 和 MCP Server方便接入现有系统技术决策者多租户 RBACOwner/Admin/Contributor/Viewer 四级角色 空间级审计日志、完全自托管满足数据主权要求架构总览输入渠道 → 核心引擎 → 存储后端每一层都可替换核心能力地图能力块具体提供什么入口/位置文档解析PDF、Word、Excel、PPT、图片等 10 格式含 OCR 与多模态docreader/RAG 快速问答多知识库问答、引用溯源、问题推荐Web UI / APIReAct 智能体自主编排检索、MCP 工具、网络搜索多步推理internal/agent/Wiki 模式代理自动把文档蒸馏成互联的 Markdown Wiki可编辑、有版本回滚Web UI数据源同步飞书/飞书云盘、Notion、语雀、RSS 自动同步internal/datasource/connector/IM 渠道企业微信、飞书、Slack、Telegram、钉钉、Mattermost、QQ 机器人等 9 类internal/im/模型与检索后端20 LLM 提供商PostgreSQL、Qdrant、Milvus、Weaviate、OpenSearch、Doris、Tencent VectorDB 等docs/使用其他向量数据库.md可观测性集成 Langfuse 追踪推理链与 token 用量docs/Langfuse集成.md编程接入带作用域 API Key、MCP Server、Go/Python 客户端、CLImcp-server/、client/、cli/运行机制拆解一条主链路文档进 → 索引 → 检索 → 生成。索引解析、分块、向量化文档先由解析服务拆成文本扫描件走 OCR/多模态再按分块策略切分、算嵌入向量入库。默认参数在 config/config.yaml 里chunk_size: 512、chunk_overlap: 50。亮点是自适应分块四种策略见 docs/CHUNKING.mdauto推荐先给文档画像标题数量、分页符、章节标记再自动挑最优策略heading按#/##/###边界切 Markdown 文档并在嵌入时给每块加面包屑路径让向量带上章节上下文heuristic针对 PDF识别分页符、编号章节、多语言章节标记legacy传统递归切分兜底用检索四路混合问题进来后不是只查向量库而是多路召回再融合关键词/BM25 稀疏检索密集向量语义检索知识图谱实体关联检索可选依赖 Neo4j重排序Rerank打分 阈值过滤配置里还默认开启了查询改写和查询扩展先把口语化问题改写成更适合检索的形式。生成流式输出 智能体编排RAG 模式把命中片段拼进上下文模板config/prompt_templates/下全是可热改的提示词 YAML走 SSE 流式吐答案并附引用来源。智能体模式则基于 ReAct 循环思考 → 调工具检索/MCP/搜索→ 观察 → 再思考多步完成任务技能执行放在沙箱里隔离。三步跑起来第一步克隆仓库并准备环境git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env第二步一条命令拉起服务栈docker compose up -ddocker-compose.yml 里默认包含前端80 端口、应用8080 端口、PostgreSQL、Redis、文档解析服务等。前端起来后浏览器打开http://localhost即可。需要可选组件时按 profile 追加比如知识图谱、对象存储、可观测性docker compose --profile neo4j --profile minio --profile langfuse up -d个人/小团队想更省事可以看 docs/LITE.md 里的 Lite 版单应用、零外部依赖、本机开箱即用。第三步配置模型并导入第一个文档在 Web 端设置里填入 LLM 提供商的 API Key支持 OpenAI、DeepSeek、通义千问、智谱、腾讯混元、Gemini、Ollama 等 20 家。如果想声明式地预置一批内置模型把 config/builtin_models.yaml.example 复制为builtin_models.yaml再按 docs/BUILTIN_MODELS.md 说明填写。之后新建知识库 → 上传文档选解析引擎与分块策略→ 等索引完成 → 开始提问。典型落地场景场景一企业知识库问答文档型知识库支持批量导入文件夹树保留上传目录结构命中片段可直接编辑并留版本。问答界面右侧给出引用来源答案可追溯场景二IM 里直接问把渠道挂到工作空间后团队在企业微信、飞书、Slack 里 机器人 就能查知识不用切换系统。智能体模式下工具调用过程对用户可见多步推理不再黑盒场景三让代理替你写 WikiWiki 模式把原始文档蒸馏成结构化、互链的 Markdown 页面配可视化知识图谱页面可手动编辑有行级 diff 和一键回滚适合沉淀部门级知识。调优与避坑检索参数怎么调关键项都在 config/config.yaml 的conversation段conversation: embedding_top_k: 30 # 向量召回条数 rerank_top_k: 30 # 参与重排序的条数 vector_threshold: 0.2 # 向量相似度阈值 rerank_threshold: 0.3 # 重排序阈值经验法则答案被截断 → 调大 top_k答非所问 → 阈值适当调低再不行开启/关闭 rerank 做 A/B。每个知识库还可以单独指定模型便于按库切换。分块策略选择 一个必知的坑docs/CHUNKING.md 给了按文档类型的建议值FAQ 库 200–400 字符、Markdown 文档 512、带分页符的 PDF 报告 800–1200、长篇叙事 1000–2000。坑切换分块策略不会自动重建索引改完需要让存量文档重新解析/索引才能生效别以为改完立刻生效。命中片段不满意时可在界面上直接编辑 chunk系统自动重索引改动有版本可回滚其他常见坑模型不匹配嵌入维度要和向量库一致如weknora_embeddings_768这类按维度建的集合换嵌入模型前确认维度IM 里图片显示不出来存储后端需公网可达或按 docker-compose.yml 注释配置APP_EXTERNAL_URL看不清代理为什么这么答开 Langfuse--profile langfuse推理链、token 消耗、管道耗时全链路可查升级/迁移出问题先看 docs/migration-troubleshooting.md生态 · 路线图 · 选型建议下一步往哪走按 docs/ROADMAP.md方向主要有四块轻量化Lite 版与原子化接口Embedding/Rerank/解析单独调用降低试用门槛知识理解语义/章节级分块、文档结构可视化、音视频等多模态格式检索体验输入框 标签指定检索范围、上传图片附件检索生态Chrome 剪藏扩展、JS SDK、小程序插件、编辑器插件VSCode/Cursor 等周边生态现状官方 MCP Server 提供 29 个工具mcp-server/、weknoraCLI 覆盖日常运维、Kubernetes 用 helm/ 部署、client/ 提供 Go 客户端。给不同角色的取舍开发者优先关注 API Key 作用域模型与 MCP 接入把 WeKnora 当知识中台而不是只当网页应用用提示词模板外置在config/prompt_templates/改策略不用动代码。技术决策者数据主权全自托管 多实例存储后端、四级 RBAC 与空间级审计、Langfuse 可观测性是评估私有化部署时的三个加分项团队规模小就先上 Lite 验证需要协作再切标准版。新手别一上来调参数。先跑通上传 → 问答确认解析质量没问题再按上面分表调 chunk最后才动检索阈值——顺序反了会互相干扰不好定位。结语WeKnora 把文档 → 知识库 → 问答/推理/Wiki整条链路打包好了部署三步、配置模型、导入文档当天就能看到效果。建议你先从最常用的一批文档建一个知识库用真实问题检验回答质量再按需开启智能体、IM 渠道和知识图谱。把文档跑起来比把参数调完美更重要——现在就可以动手了。【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