WeKnora 开源 RAG 智能问答知识库如何快速跑起来：完整实战指南

WeKnora 开源 RAG 智能问答知识库如何快速跑起来：完整实战指南

【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/WeKnora

WeKnora 是一个开源的 RAG 智能问答平台：把原始文档丢进去，就能得到可查询的知识库、自主推理的 Agent，以及一套自维护的 Wiki。如果你的团队文档散落各处、FAQ 和最新版本对不上、找人问答案比搜文档还慢，它一次部署就能解决。本文先用 5 分钟把它跑起来，再讲清楚背后的设计，以及真正值得调的几个参数。

能力全景：它都能帮你做什么

用 Docker Compose 从零跑起来 🐳

前置只需要 Docker 和 Docker Compose，两条命令启动核心服务栈（前端、后端、PostgreSQL、Redis、docreader 解析服务）：

git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose pull docker compose up -d

启动后：

• Web UI：http://localhost，注册账号后进入初始化向导
• 后端 API：http://localhost:8080
• 初始化向导里选择 LLM 提供商（OpenAI、DeepSeek、通义千问、Ollama 等 20+ 家），配置嵌入模型即可上传文档

可选服务通过 Compose profiles 按需开启，可任意组合：

• --profile neo4j：知识图谱
• --profile minio：对象存储
• --profile langfuse：全链路追踪
• --profile full：以上全部

关键配置集中在 config.yaml：检索阈值、分块参数、无匹配时的兜底回复都在这里。想用本地 Ollama 模型的话，先后台跑ollama serve再启动即可。

它是怎么工作的 🧩

1. 自适应三阶段分块问题：按固定长度硬切会切散标题和上下文，检索时拿到的片段没有"出处"。方案：先跑一个文档画像，统计 Markdown 标题、分页符、章节编号等结构信号，auto模式从 heading / heuristic / recursive 三层里挑最合适的一档；heading 模式还会把"面包屑"标题拼进向量输入。效果：Vecta 2026 年 2 月基准下该基线端到端准确率 69%，结构化文档的块数还能少 30%~50%。

2. 四层混合检索问题：纯关键词检索听不懂同义词，纯向量检索又常匹配不上型号、错误码这类精确词。方案：BM25 稀疏、密集向量、GraphRAG 三路并行召回，最后用 rerank 模型精排。关键参数在 config.yaml 里：

conversation: embedding_top_k: 30 # 向量召回数量 vector_threshold: 0.2 # 相似度阈值 rerank_threshold: 0.3 # 重排阈值

效果：同义类问题靠向量兜住召回，关键词类问题靠 BM25 保证精确命中，阈值和 top_k 都能按场景调。

3. ReAct 代理引擎问题：单次 RAG 回答不了"先查库、再比对、最后上网核实"这类任务。方案：internal/agent/ 里的引擎按推理—行动循环逐步执行，自主调用知识检索、MCP 工具和网络搜索，技能执行放在沙箱里隔离。效果：多步任务的工具调用过程在界面上逐步可见，并可通过 Langfuse 做全链路追踪。

真实场景怎么用 📄

场景一：上传文档，直接提问把一份产品手册 PDF 拖进知识库 → 系统完成解析、分块、向量化（解析、分块等阶段进度在聊天里逐步可见）→ 输入"故障排查章节里错误码 E23 是什么意思"，得到带引用的结构化回答，点引用跳回原文段落。全程不用手工整理索引。

场景二：把一堆文档变成可浏览的 Wiki新建 Wiki 类型知识库，让 Agent 跑一轮 → 原始文档被蒸馏成互链的 Markdown 知识页，同时生成知识图谱 → 在图谱里交互式探索实体之间的关系；发现某页内容有问题时，直接在浏览器里编辑，修订历史支持行级 diff 和一键回滚。

场景三：挂进企业 IM后台填入企微或飞书凭证 → 群里 @机器人提问 → 回答直接来自知识库，9 种 IM 渠道都支持文件消息，员工不用打开 Web 界面也能查文档。

让它更好用：调优要点 ⚙️

• 分块策略：按文档类型选——技术文档用heading，带章节的 PDF 用heuristic，混合内容保持auto。chunk_size对 FAQ 类建议 200–400，叙事型文档 1000–2000。注意切换策略不会自动重建索引，需要触发重新解析，完整参数说明见 docs/CHUNKING.md。
• 检索参数：精确度优先就调低vector_threshold/rerank_threshold；召回不足就调大embedding_top_k。建议从默认的 30 / 0.2 / 0.3 出发，用自己的高频问题实测再动。
• 分块微调：某个检索块内容割裂时，不用重新解析整份文档，直接在界面编辑该块，系统会自动重建索引，且支持按版本 diff 和回滚。

行动清单

• 用 Docker Compose 部署核心栈，注册账号并在初始化向导配好 LLM 与嵌入模型
• 上传 3–5 份真实文档，在知识库里抽查分块质量，策略保持auto
• 用 5–10 个高频真实问题压测问答，按命中率微调检索阈值
• 需要知识图谱时执行docker compose --profile neo4j up -d重拉一次
• 接入企微或飞书渠道，把文档问答放进团队日常沟通

一次部署，散落的文档就变成可查询、会推理、持续更新的知识资产。

【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