WeKnora

WeKnora 是腾讯于 2025 年 8 月开源的 LLM 知识平台，由微信对话开放平台团队主导开发，是该平台的核心技术框架 。它的独特定位在于不是单一的 RAG 引擎，而是把”问答—推理—知识沉淀”三种能力整合在一个平台里：

• RAG 快速问答：基于知识库的日常查找型问答，答案带来源引用气泡与 RAG 流水线进度展示（解析/检索/重排/生成），适合”合同里有没有违约金条款”这类问题。
• ReAct 智能体：走 ReAct 循环，模型自主决定何时调检索、何时调 MCP 工具、何时调 Web 搜索、何时把中间结果存到草稿板，适合”对比三份合同条款、查最新监管要求、生成汇报”这类多步推理任务。
• Wiki 模式（v0.5.0 GA 的杀手锏）：Agent 自动把原始文档蒸馏成结构化、可互链的 Markdown wiki，文档之间自动互链，并生成可缩放的知识图谱 。

这三种模式在同一个会话里可以切换，共享同一套知识库与权限。

技术上，WeKnora 采用全模块化流水线设计——从”文档解析 → 向量化 → 检索 → LLM 推理”每一环都可插拔 ：LLM 可选 OpenAI/DeepSeek/Qwen/Hunyuan/Ollama 等 20+ 厂商；向量库可选 pgvector/Elasticsearch/Milvus/Weaviate/Qdrant/OpenSearch/Apache Doris/腾讯云 VectorDB 等 8 种；对象存储支持 MinIO/S3/OSS/COS/OBS/KS3 等多家，且 v0.7.0 起支持多实例绑定，不同知识库可落到不同存储后端。部署形态上，WeKnora 通过 Docker Compose 自托管，docker compose up -d 启动核心服务，按需叠加 neo4j（知识图谱）/ minio（对象存储）/ langfuse（链路追踪）/ full（全功能）等 profile ——数据完全留在客户自有服务器，支持内网离线运行，是数据主权要求严格的企业首选。

产品概述

WeKnora 由腾讯微信对话开放平台团队开发，2025 年 8 月在 GitHub 开源（Tencent/WeKnora），采用 MIT 协议​ 。技术架构上，WeKnora 的核心引擎包含 ：

• 数据准备与索引：多源数据（飞书/Notion/语雀/RSS/本地文件/URL）→ 数据加载 → OCR & Caption → 分块 & 摘要 → 知识图谱抽取
• 检索与推理引擎：查询转换（Query Transform + HistoryContext）→ 查询重写（Query Rewrite）→ 混合检索（BM25 & 稠密检索 & 知识图谱）→ 重排序（Rerank）→ LLM 生成
• 基础设施与管理：模型管理、任务队列（MQ 异步）、安全（认证与访问控制）、Docker 容器化

检索策略支持 BM25 稀疏召回 / Dense 稠密召回 / GraphRAG 图谱增强 / 父子分块 / pgvector HNSW 加速（1024 维）/ 多维度索引​ 六种模式 。安全合规方面，WeKnora 自 v0.1.3 起包含登录认证 ；v0.6.0 重点强化了企业级安全 ：

• 四级租户 RBAC：Owner/Admin/Contributor/Viewer 角色矩阵 + 按知识库归属 + 租户审计日志
• AES-256-GCM 静态加密：API Key、MCP 凭据、数据源密码加密存储，支持优雅轮换
• gRPC TLS + Redis TLS：内部通信与缓存加密
• SSRF 防护：数据源拉取、URL 导入、重定向链均做防 SSRF 处理
• Agent Skills 沙箱隔离​ + 响应中密钥脱敏​ + 敏感操作人审批准（Human-in-the-Loop Approval）

商业模型上，WeKnora 采用 MIT 开源协议，完全免费自部署​ ；微信对话开放平台提供基于 WeKnora 的零代码 SaaS 部署通道。系统要求：Docker & Docker Compose & Git，普通电脑即可部署基础功能；想跑本地模型需额外安装 Ollama。前端 Vue 3 + TypeScript，后端 Go，整体架构成熟 。

核心能力

• 三大知识模式：
  • RAG 快速问答：基于知识库的日常查找型问答，答案带来源引用气泡与 RAG 流水线进度（解析/检索/重排/生成）
  • ReAct 智能体：走 ReAct 循环，自主编排检索、MCP 工具、联网搜索，处理多步复杂推理任务；支持 @Skill/@MCP 提及按轮次范围化 Agent 运行时
  • Wiki 模式：Agent 自动从原始文档蒸馏出结构化、互链的 Markdown 知识库，自动生成可视化知识图谱；知识库可持续演进而非一次成型
• 多源自动同步：飞书/Notion/语雀/RSS 自动同步（支持增量与全量同步），本地文档/网页 URL 导入，Chrome 扩展一键抓取网页内容入知识库
• 多格式深度解析：PDF/Word/Txt/Markdown/HTML/EPUB/MHTML/图片/CSV/Excel/PPT/JSON 等 10+ 格式；自适应三层切片（adaptive 3-tier chunking）+ 父子切片（parent-child chunking）；每批上传可单独覆盖解析器、切片、多模态、图谱抽取、问题生成等参数；支持批量 reparse
• 混合检索引擎：BM25 稀疏召回 + Dense 稠密召回 + GraphRAG 图谱增强 + 父子分块 + pgvector HNSW 加速（1024 维）+ 跨向量库 fan-out + 重排序（Reranking）；六种检索策略可自由组装
• 20+ LLM 支持：OpenAI/Azure OpenAI/Anthropic(Claude)/DeepSeek/Qwen/Zhipu/Hunyuan/Doubao/Gemini/MiniMax/NVIDIA/Ollama 等；Chat/Embedding/Rerank 模型分别可配；腾讯官方推荐 bge-m3 作为 Embedding 模型
• 8 种向量库可插拔：pgvector/Elasticsearch/OpenSearch/Milvus/Weaviate/Qdrant/Apache Doris/腾讯云 VectorDB
• 多实例对象存储：本地/MinIO/AWS S3/阿里云 OSS/腾讯云 COS/火山引擎 TOS/金山云 KS3/华为云 OBS；v0.7.0 起支持每空间多实例存储后端，不同 KB 可绑定不同实例
• MCP 协议与 CLI：weknora CLI（含 mcp serve）提供完整命令行与 Agent 驱动能力；MCP Server 支持 stdio/SSE/HTTP 多传输；bundled Agent Skills（weknora-rag-search、weknora-shared）；其他 Agent（Claude Code/Cursor/Aider）可直接依赖 CLI 的 AI Agent 契约
• 9 种 IM 原生集成：企业微信/飞书/Lark/QQBot/Slack/Telegram/钉钉/Mattermost/微信；挂上去即可用
• 企业级多租户 RBAC：四级角色矩阵（Owner/Admin/Contributor/Viewer）+ 按知识库归属 + 租户审计日志 + 多工作区 + 自助服务工作区
• 全链路可观测：Langfuse 集成，ReAct 循环、token 消耗、工具调用、文档解析管线全部可视化追踪
• 运行时任务队列治理：MQ 异步任务，按阶段 worker-pool 治理（core/post-process/enrichment/maintenance + 弹性共享池 + 独立 Wiki 池），压任务高峰也能稳住
• 网站嵌入与 API：通过 Embed Widget 发布智能体到外部站点（支持域名白名单、限流、安全模式 Token 交换）；能力级 API Key 授权（按 KB 限制 + 节流 + last_used 追踪）
• 微信生态零代码集成：作为微信对话开放平台核心技术框架，可零代码将智能问答服务部署到微信公众号、小程序等场景
• Docker Compose 一键自托管：docker compose up -d 启动核心服务，按需叠加 neo4j/minio/langfuse/full profile；支持 Kubernetes 部署；数据完全自管，支持内网离线运行

优势亮点

• 三大模式合一的稀缺性：RAG 问答 + ReAct Agent + Wiki 自动知识蒸馏，开源平台中同时具备这三者的极少（同类对比中 Dify/FastGPT/MaxKB/AnythingLLM 均不具备 Wiki 模式）
• 腾讯生产级背书：微信对话开放平台核心技术框架，已有大规模生产环境验证，非”周末玩具项目”
• MIT 协议完全开源：可免费自部署、可商用、可二次开发，无许可成本
• 全模块化可替换：LLM/向量库/对象存储/IM 渠道每一环都可独立替换，合规要求数据必须留内网时，可半小时拉起一套”Ollama + pgvector + MinIO”的完全离线实例
• 企业级 RBAC 与审计：四级租户 RBAC + 按知识库归属 + 租户审计日志，真正生产可用
• AES-256-GCM + 全链路加密：凭据加密、gRPC TLS、Redis TLS、SSRF 防护、Agent Skills 沙箱、响应密钥脱敏、敏感操作人审批准——企业安全合规的完整覆盖
• 20+ LLM × 8 向量库 × 9 IM × 8 对象存储：国产化生态适配最全的开源 RAG 平台之一，对国内企业私有化部署极其友好
• 多源自动同步：飞书/Notion/语雀/RSS 自动同步，解决企业知识孤岛问题
• Wiki 模式自动知识蒸馏：Agent 自动把原始文档转化为互链 Markdown + 可视化知识图谱，知识库持续演进而非一次成型——这是 WeKnora 最具差异化的能力
• 微信生态原生集成：作为微信对话开放平台核心技术框架，可零代码部署到微信公众号/小程序，是国内企业落地的重要优势
• Langfuse 全链路可观测：ReAct 循环、token 消耗、工具调用、文档解析管线全部可视化，运维友好

短板

• 项目仍处 0.x 快速演进期：接口与能力可能随版本变动，生产落地需关注版本稳定性
• 功能面广、组件多，部署运维有一定门槛：虽然 Docker Compose 一键启动，但要充分利用 Neo4j/MinIO/Langfuse 等高级组件，以及进行 LLM Key 配置、向量库选择、嵌入维度匹配，仍需基本技术了解
• PDF 表格深度解析能力弱于 RAGFlow：与 RAGFlow 的 DeepDoc 深度文档理解相比，WeKnora 在复杂表格结构识别、版面分析等”深度文档理解”方面是基础水平
• 检索质量依赖模型与部署配置：实际检索精度与大规模表现需按模型/数据/部署验证，默认配置未必最优
• 英文社区较小：相比 Dify 等国际化开源项目，WeKnora 的英文文档与社区参与度仍在成长中
• 不是极简文档检索工具：如果企业只想做”输入关键词、返回相关段落”，WeKnora 的功能会过重，直接用 pgvector + prompt 更轻量
• 不是纯实时联网搜索引擎：虽然支持多种 Web Search 后端，但 WeKnora 的强项是文档 RAG 而非实时 Web 索引

适用企业/部门

企业 IT 部门、开发者团队、隐私强需求企业、内网隔离环境的组织、AI 技术团队、微信生态开发者；金融/法律/制造/医疗等高文档依赖且需合规的行业。

特别适合“数据不能出域、需要构建企业级知识平台，且希望同时具备 RAG 问答、Agent 推理、Wiki 知识沉淀三大能力”的组织 。

如果企业首要需求是”深度文档理解（合同/研报/手册的复杂表格与版面解析）”，RAGFlow 更合适；如果企业首要需求是”可视化工作流编排搭建 AI 应用”，Dify 开源版更合适；如果企业是微信生态用户且需要企业级知识平台，WeKnora 是不二之选。

WeKnora 安装教程

前提条件

• Docker & Docker Compose
• Git
• 如需使用本地模型，需另装 Ollama

快速安装

# 1. 克隆仓库
git clone https://github.com/Tencent/WeKnora.git
cd WeKnora

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，填入对应配置（详见文件内注释）

# 3. 启动核心服务
docker compose up -d

# 启动全功能（含 Neo4j 知识图谱/MinIO 对象存储/Langfuse 追踪）
docker compose --profile full up -d

# 如需本地 Ollama 模型，先启动 Ollama
ollama serve >&1 &

访问地址

首次访问 http://localhost 会自动跳转到初始化配置页面，配置模型（如 Ollama 的 qwen2:1.5b 等）完成后自动跳转知识库页面。