Tencent/WeKnora · 上手攻略
- 仓库：Tencent/WeKnora
- 链接：https://github.com/Tencent/WeKnora
- 分类：ai, rag, agent, knowledge-management
- 作者：Jay
- 更新：2026-07-08
这是什么
WeKnora（维娜拉） 是腾讯开源的企业级 LLM 知识管理框架，定位是"让文档活起来"：把散落在各处的 PDF、Word、飞书文档、Notion 页面变成可查询、可推理、可持续更新的知识资产。
核心三大能力：
| 能力 | 说明 |
|---|---|
| RAG 快速问答 | 基于文档知识库的精准问答，适合日常知识查询 |
| ReAct Agent | 自主编排知识检索 + MCP 工具 + 网络搜索，完成复杂多步推理任务 |
| Wiki 模式 | Agent 从原始文档自动生成相互链接的 Markdown Wiki + 可视化知识图谱 |
项目地址：https://weknora.weixin.qq.com
解决什么问题
企业知识管理通常面临几个痛点：文档分散（飞书、Notion、语雀、PDF 各一套）、检索不准（RAG 召回质量差）、维护成本高（Wiki 靠人工更新）、多租户权限控制缺失。
WeKnora 的设计思路是全流程覆盖：从文档解析、向量化、检索，到大模型推理，再到多渠道分发（企业微信、飞书、Slack、Telegram），一条链打通，且全部支持私有化部署，数据不出企业边界。
快速安装
环境要求
- Docker Engine ≥ 20.10
- Docker Compose（v2 以上）
- 内存建议 8GB+（若跑本地模型建议 16GB+）
- 需配置模型 API Key（OpenAI / DeepSeek / Qwen / Ollama 等）
一键启动（Docker Compose）
# 克隆仓库
git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
# 复制环境变量文件
cp .env.example .env
# 编辑 .env，填入必要配置（见下方说明）
# 启动全部服务（含 PostgreSQL + Redis + pgvector）
./scripts/start_all.sh
# 或使用 Make
make start-all
⚠️ 必须配置：在
.env中至少填入DB_USER/DB_PASSWORD、REDIS_PASSWORD，以及至少一个模型厂商的 API Key（如OPENAI_API_KEY）。
可选：Ollama 本地模型
# 启动 Ollama 服务
ollama serve &
# 拉取模型
ollama pull qwen2.5:7b
# WeKnora 配置使用 Ollama（.env 中设置）
OLLAMA_BASE_URL=http://host.docker.internal:11434
启动后访问
| 服务 | 地址 |
|---|---|
| Web UI | http://localhost:3000（默认） |
| API | http://localhost:8080 |
| 健康检查 | curl http://localhost:8080/health |
其他部署方式
- Helm Chart：生产级 K8s 部署（见仓库
deploy/helm/） - 开发模式：
./scripts/dev.sh启动前后端热重载开发 - 清理：
docker-compose down -v（清数据，慎用）
核心用法
1. 创建知识库并导入文档
- 登录 Web UI → 点击「知识库」→ 新建知识库（选类型：FAQ / 文档 / Wiki）
- 上传文档（支持 PDF / Word / Txt / Markdown / HTML / EPUB / 图片 / CSV / Excel 等十余种格式）
- 系统自动解析、分块、向量化，可手动调整分块策略
CLI 上传（v0.6+ weknora CLI）：
weknora doc upload ./my-document.pdf --kb-id <knowledge-base-id>
2. 配置模型
在「设置」→「模型」中配置，支持：
- OpenAI（GPT-4o 等）
- DeepSeek（DeepSeek-V3 / DeepSeek-Coder）
- Qwen（阿里云通义千问）
- 智谱 GLM、混元、Gemini、MiniMax
- Ollama（本地开源模型，如 Qwen2.5、DeepSeek）
- NVIDIA NIM、SiliconFlow、OpenRouter
3. RAG 快速问答
在「智能问答」页面，选择知识库，直接提问。系统自动 RAG 召回 + LLM 生成，答案带原文引用。
4. Agent 模式（ReAct 多步推理）
开启「Agent 模式」，Agent 会自主决定何时检索知识库、何时调用 MCP 工具、何时搜索网页，分步推理直到得出答案。
# Agent 可调用的内置工具示例：
# - 知识检索（rag_retrieve）
# - 网络搜索（web_search，Bing / Google / DuckDuckGo / Tavily / SearXNG）
# - MCP 工具（可接入任意 MCP Server，含 OAuth2 认证）
# - final_answer
5. Wiki 模式（自动生成 Wiki 知识库）
在「Wiki」页面，选择文档集，Agent 自动： - 阅读并理解文档内容 - 生成结构化、相互链接的 Markdown Wiki 页面 - 构建知识点关系图谱（知识图谱可视化）
6. MCP Server 接入（扩展工具）
# weknora CLI 启动 MCP Server（stdio / SSE / HTTP 三种传输）
weknora mcp serve
# 在配置文件中注册 MCP 工具（支持 OAuth2）
7. Langfuse 可观测性
接入 Langfuse 后可追踪：Agent 推理链路、Token 消耗、每个工具调用耗时与输出、RAG 召回命中率。
典型适用场景
| 场景 | 适用功能 |
|---|---|
| 企业内部知识库 | RAG 问答 + 多租户 RBAC + IM 渠道分发 |
| 团队文档智能化 | Wiki 模式自动生成结构化文档 + 知识图谱 |
| 复杂多步推理任务 | Agent 模式（ReAct）+ MCP 工具编排 |
| 多数据源汇聚 | 飞书 / Notion / 语雀 / RSS 自动同步 |
| 私有化 AI 知识服务 | 完全私有部署，模型 + 数据自主可控 |
坑与注意
- 首次启动内存：PostgreSQL + Redis + pgvector + WeKnora 服务全开，建议 8GB+ RAM，低于 4GB 可能 OOM。
- .env 必填项：不配置
DB_USER/DB_PASSWORD会导致 PostgreSQL 无法初始化，整个服务起不来。 - pgvector HNSW 索引：v0.6.2 起支持 HNSW 索引（1024 维），首次导入大量文档时向量化耗时较长，可适当调低分块数量。
- Ollama 跨容器访问：macOS/Windows 上 Ollama 跑在宿主机，URL 要用
host.docker.internal（Linux 用宿主机 IP）。 - 版本升级：跨版本升级建议先
./scripts/start_all.sh --stop，再拉新代码重启，避免数据库 schema 不兼容。 - IM 渠道集成：企业微信/飞书等需要先在对应平台创建机器人，拿到 Webhook URL 后在 WeKnora 配置。
- 多租户数据隔离：RBAC 四级角色（Owner/Admin/Contributor/Viewer）按租户隔离，Admin 以下角色无法跨租户访问。
与同类对比
| 项目 | 定位 | 优势 | 劣势 |
|---|---|---|---|
| WeKnora | 企业级 RAG + Agent + Wiki | 全流程覆盖、RBAC 多租户、MCP 扩展、Wiki 自动生成 | 新兴项目，社区规模较小 |
| Dify | LLM 应用编排平台 | 生态大、插件多、社区活跃 | RAG 能力偏弱，无 Wiki 模式 |
| MaxKB | 智能知识库问答 | 开箱即用、RAG 效果调优方便 | 无 Agent 推理、无 Wiki 生成 |
| RAGFlow | 深度 RAG（文档理解） | 文档解析质量高、可视化程度好 | 无 Agent、无 Wiki、无多租户 |
| QAnything | 有道 QAnything | 百度系集成好 | 非腾讯系，扩展性有限 |
核心差异：WeKnora 是目前少有的同时具备"RAG + Agent 推理 + Wiki 自动生成 + 多租户 RBAC + MCP 扩展"五合一能力的开源项目，特别适合需要完整知识管理闭环的企业。
一句话推荐结论
如果你在找一款既能 RAG 问答、又能 Agent 推理、还能自动生成 Wiki 的企业级知识管理开源方案，WeKnora 是目前这个方向上功能最完整的选手——尤其是已有飞书/Notion/语雀等数据源、且需要私有化部署的团队，直接上。