用WeKnora把文档变成可查询知识库：RAG问答、Agent推理与自维护Wiki
【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是腾讯开源的LLM知识平台，把上传的原始文档变成三样可直接用的东西：可查询的RAG知识库、能自主调工具的ReAct智能体，以及自维护的Wiki。它解决的是"文档堆着没人翻、知识检索靠人肉记忆"的问题。
🚀 先跑起来：4条命令拉起，问出第一个跨文档问题
首次部署后做两件事：导入几份文档建库，再在对话框里问一个跨文档问题。答案带引用来源，RAG流水线的分阶段进度（检索、重排、生成）在聊天界面逐步可见；切到Agent模式，它会自己决定查库、调MCP工具，甚至在Docker/E2B沙箱里写脚本、产出文件。
git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora && cp .env.example .env docker compose pull && docker compose up -d⚙️ 核心能力拆解：分块、检索、Agent与Wiki
自适应分块：chunk_size怎么定才不丢召回
分块方式直接决定检索召回率。WeKnora先跑一个文档profiler统计结构信号（Markdown标题数、分页符、章节标记、全大写标题行），再按结果选档：结构化文档在#/##/###边界切分并在embedding时拼上# Top > ## Section面包屑；PDF类文档按分页符、编号章节、多语言章节标记切；没有结构特征的回退到递归分隔符切分，切得明显的档（如产出200个单行块）会被校验器拒绝并降级。
默认参数在config/config.yaml里：
knowledge_base: chunk_size: 512 chunk_overlap: 50 split_markers: ["\n\n", "\n", "。"]docs/CHUNKING.md还给出分场景预设：FAQ库用200–400、父子分块关闭；PDF报告用800–1200；长文叙述1000–2000。父子分块默认开启：子块（约384字符）做向量匹配，父块（约4096字符）回传给LLM，小块易命中且上下文完整。
混合检索：BM25+向量+图谱三路召回再精排
单路向量检索容易漏掉精确术语和专有名词。WeKnora并行跑BM25稀疏检索与密集向量检索，复杂问题可叠加GraphRAG图谱检索作为第三路，最后rerank精排取top30。向量库支持pgvector、Elasticsearch、OpenSearch、Milvus、Weaviate、Qdrant、Doris、腾讯向量数据库共8种后端，每个知识库可独立绑定。
ReAct Agent与技能沙箱：让智能体真正动手
"查资料、核对、生成一份文件"这类多步任务单轮RAG做不完。internal/agent/里的引擎是ReACT循环：think规划 → act调工具 → observe取结果 → 下一轮。工具面覆盖内置工具、MCP远程服务（支持对话中OAuth2授权）、10种网络搜索provider和跨会话长期记忆；技能在Docker/E2B/Cube沙箱中隔离执行，按配置带独立网络策略，v0.8.0起还有租户级技能目录，可从git/zip安装技能包。
自维护Wiki：文档进，带图谱的页面出
RAG只回答"文档里写了什么"，不产出体系化视图。Wiki模式让agent把原始文档蒸馏成互链的Markdown页面并抽取实体关系图谱，页面支持人工编辑、行级diff和一键回滚，增量构建后图谱实时更新。
📦 部署与集成：Docker一键拉起步骤
上面3条命令就是最小集。.env有两个必填组：数据库（B1节）和JWT/AES密钥（F1节，生产必须改掉默认值）。模型侧20+提供商任选，本地Ollama也能跑；.env注释按部署基础、存储、检索、模型、安全分组。可选组件用compose profile一行开启：
docker compose --profile neo4j --profile langfuse up -d对外接入包括RESTful API（约360个端点）、CLIweknora、29工具的MCP Server、企微/飞书/Slack/Telegram等10个IM渠道和网页嵌入组件；每个工作区带Owner/Admin/Contributor/Viewer四级RBAC、按KB资源归属和审计日志。
🎛 效果调优：先看这3组参数
| 参数 | 作用 | 推荐值 |
|---|---|---|
| embedding_top_k / rerank_top_k | 向量召回候选数 / 精排保留数 | 默认30；长尾文档多就加大，压延迟就调小 |
| vector_threshold / rerank_threshold | 向量与重排的相似度过滤线 | 默认0.2/0.3；答非所问调高，召回不足调低 |
| chunk_size（按知识库设） | 切片长度，决定召回粒度 | FAQ 200–400；长文1000–2000；混合留512 |
分块参数在知识库编辑器里有"Test with sample text"只读预览，改配置不触发重传就能对比切片结果；dataset/还带了BLEU/ROUGE评测集做端到端回归。
🧭 适用判断
- 适合：需要私有化部署和数据主权、手里有文档级知识资产（手册、合规文档、产品资料）的企业；想让企微/飞书里直接问答、不再单独维护聊天机器人的团队
- 不适合：只有几百条高频问答的纯FAQ场景（一张表+向量库更轻）；需要实时流式数据入库的场景，知识库走的是批量导入与增量同步
- 资源基线：Docker Compose默认带Postgres、Redis、app与frontend，加Neo4j知识图谱后单机4C8G可跑
🔭 值得关注的方向
官方ROADMAP.md中已列出的近期方向：支持音视频格式并增强多模态理解；在规则分块之外支持语义分块、章节分块；文档结构与图谱关系可视化；自研检索召回相关模型（Embedding/ReRank/LLM）。
WeKnora是一条能整体私有化部署的"文档→知识→答案"流水线，LLM、向量库、存储后端三层都留了替换口。手里有存量文档想变成可查询资产的话，先用上面的4条命令拉起来，按自己的文档类型调chunk_size和检索阈值，再决定要不要上Agent模式与Wiki。
【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
