WeKnora 详解系列 · 第一章

各位数码圈的老铁们，我是叨叨数码，又来给大家扒新货了。

这回咱们不聊手机、不聊耳机、不聊扫地机器人——咱们聊点"硬核"的东西：腾讯悄悄开源的一个 AI 知识框架，WeKnora。

说实话，第一眼看到这名字我是懵的：We + Knora？K 哪去了？看完 README 我才反应过来：这是 Knowledge + Aurora 拼一起的味儿，"知识的极光"，挺浪漫。

当前版本 v0.6.2，GitHub 上 2,166 次提交，最新一次更新就在 6 月 25 日——比我手里那台小米 14 Ultra 推送系统还勤快。社区活跃度相当能打。

这一篇是系列开篇，我会用"数码博主拆新品"的姿势带你看它：这玩意儿定位是啥？对比同类有啥亮点？上手体验怎么样？——跟测手机一个套路。

一、开箱初印象：WeKnora 到底是个啥？

按照数码圈的规矩，新品上手第一件事——看"参数"和"定位"。

WeKnora 的官方定义有点抽象，我翻译成人话：

你扔给它一堆 PDF、Word、飞书文档、网页，它能帮你做出一个"会动脑子"的问答机器人。而且这个机器人不是只会死板地查文档，它还能自己推理、调用工具、甚至自动整理出一份知识库。

翻译成数码博主的话术：这玩意儿 = ChatGPT（会聊天）+ Confluence（会写文档）+ 私人秘书（会干活）三合一。是不是有点动心了？

但如果你只把它当成普通 RAG 工具，那就太小看它了。WeKnora 有三大核心能力，也是它和市面上其他开源 RAG 框架（比如 LangChain、LlamaIndex）拉开身位的关键：

能力 1：RAG 快速问答（基础款，但很扎实）

这是最经典的玩法：你问个问题，它先去知识库里把相关内容"扒"出来，再丢给大模型组织成自然语言回答。

重点是可溯源——回答里会带引用，告诉你"这句话是从哪个文档第几页扒出来的"。幻觉？基本不存在。

数码博主类比一下：相当于"你问它某款手机参数，它不光告诉你答案，还把发布会 PPT 第几页给你截出来"。

最适合客服、内部知识库、产品手册答疑这种"一问一答"的场景。

▲ WeKnora 智能问答界面

能力 2：ReAct Agent 自主推理（进阶款，会"动脑子"）

RAG 有个致命短板：只能回答"知识库里现成有答案"的问题。

但现实里很多问题不是这样——比如老板问："对比一下 Q3 和 Q4 的销售数据，再给我写份摘要"。这玩意儿光靠"找文档"搞不定，需要拆解、需要查数据库、需要写总结。

这时候 ReAct（Reasoning + Acting）循环 就上场了。简单说就是：Agent 会自己琢磨下一步该干嘛，然后真的去执行。

它可以自主决定：

• "这个问题该查哪个知识库？"
• "要不要调一下 MCP 工具（比如查 SQL、调个 API）？"
• "要不要上网搜一搜最新信息？"
• "中间步骤拿到结果了，要不要重新检索一次？"

整个推理 + 工具调用流程，全自动编排。你不用自己写 Agent 代码，不用自己接 LangChain 那一堆 API。

数码博主再类比一下：相当于你问"今年双 11 哪家手机最值得买"，它不光给你推荐，还能自己爬评测、查电商价格、对比跑分，最后给你出一份选购指南。

▲ Agent 模式下的工具调用流程可视化

能力 3：Wiki 模式（v0.5 才 GA 的"杀手锏"）

这一招是真正让我眼前一亮的。

想象一下这个场景：你手里有 100 个产品需求文档，乱七八糟、互相矛盾、没有目录。你要花一星期整理成一份内部 Wiki。

现在你把这些文档全部扔给 WeKnora，它会：

• 自动提取关键概念、生成结构化目录
• 识别文档之间的引用关系，自动建超链接
• 画出一张知识图谱，让你一眼看清概念之间的关联
• 后续新文档进来，它还能持续自维护，自动更新 Wiki

这已经不是"问答机器人"了，这是"知识工程自动化"。

数码博主角度翻译：相当于你把 100 篇发布会通稿扔进去，它自动给你整理成一份"2026 年手机行业白皮书"，还自带脑图。

官方在 v0.5.2 把 Wiki 摄取能力扩到了 4 万文档的规模，企业级该有的体量基本够用了。

▲ Wiki 模式自动生成的 Markdown 知识库

▲ 自动生成的知识图谱

二、对比同类：WeKnora 适合谁上手？

数码圈有句老话："不看价格谈性能都是耍流氓。" 咱换个说法：不看定位谈对比都是耍流氓。

WeKnora 不是给"就想体验一下 ChatGPT"的人准备的。它有明确的目标用户画像，按"用户群"分一下：

如果你是上面任意一种，继续往下看，保证有收获。

如果都不是也没关系——就当看个开源项目 demo，下饭也是极好的。

三、硬件参数：技术栈速览

看完了外观和定位，咱得上"跑分"了——给你一张 WeKnora 的"硬件清单"：

• 后端语言
  ：Go 1.26.0（不是 1.21、不是 1.22，是相对激进的 1.26）
• 前端
  ：Web UI（支持热重载开发）
• 文档解析
  ：独立 docreader 模块（用 gRPC 通信，含 OpenDataLoader + PaddleOCR-VL）
• 向量索引
  ：HNSW 加速 pgvector（1024 维）
• 检索方式
  ：BM25 稀疏 / 稠密 / GraphRAG / 父子分块（花样挺多）
• 可观测性
  ：Langfuse（v0.6.2 后已移除 Jaeger，专注一个就行）
• 加密
  ：AES-256-GCM（API 密钥、凭证都加密存）
• 部署
  ：Docker / Docker Compose / Kubernetes (Helm) 三种姿势随便挑

一句话总结：全模块化管道设计，每个组件可替换。

数码博主类比：相当于这机器每个零件都能拆下来换——嫌 GPU 不够强？自己换；嫌存储小？自己加。不像某些"全家桶"，只能用原厂配件。

这就是它敢喊"企业级"的底气——不是堆功能，是把功能拆得足够细，让你能像乐高一样拼。

四、上手实测：5 分钟跑通你的第一个问答机器人

参数说完了，该上"实测"了。

我把整个流程压到 4 步，按顺序执行即可。理论上 5 分钟之内你就能看到一个能跑能问的机器人。

Step 1：准备环境（30 秒）

确保你已经装好了两样东西：

• Docker（推荐 20.10+）
• Docker Compose（v2 版本，跟 Docker 一起装就行）
• Git（废话，没有它怎么 clone）

还有：至少 4GB 可用内存，不然容器起不来别怪我没提醒——这玩意儿比手机测原神还吃内存。

Step 2：拉代码、改配置（1 分钟）

打开终端，敲下面三行：

git clone https://github.com/Tencent/WeKnora.git cd WeKnora cp .env.example .env

然后用你喜欢的编辑器（VSCode、Sublime、甚至 vim 都行）打开 .env 文件。

里面要改的核心就一项：LLM 的 API Key。WeKnora 支持 20+ 家大模型厂商（OpenAI、Azure、Anthropic、DeepSeek、Qwen、豆包、Gemini、Ollama……），挑你顺手的填上就行。

如果懒得改 .env，也能跑——v0.6.1 起内置了通过 YAML 声明式管理的 mock 模型，纯本地体验也凑合。但要看到真实问答效果，还是强烈建议配一个 Key。

没 API Key 又想跑？本地装个 Ollama 也行：

ollama serve > /dev/null 2>&1 &

Step 3：一键启动（2-3 分钟）

最爽的一步：

docker compose up -d

完事儿。

Docker 会自动拉起一整套服务：PostgreSQL、Redis、docreader、app、frontend……你就坐等几分钟，看到所有容器都显示 healthy 就 OK 了。

想看进度？

docker compose ps docker compose logs -f app

觉得核心服务太素？想加料？没问题，打开对应 profile：

docker compose --profile full up -d        # 所有功能全开 docker compose --profile neo4j up -d      # 启用知识图谱（Neo4j） docker compose --profile minio up -d      # 启用对象存储（MinIO） docker compose --profile langfuse up -d   # 启用追踪（Langfuse）

支持多个 profile 自由组合：

docker compose --profile neo4j --profile minio up -d

想停？

docker compose down

Step 4：访问 Web UI，问第一个问题（30 秒）

打开浏览器，访问下面这几个地址：

注意：v0.1.3 之后默认带登录认证，第一次访问会让你注册账号。按提示走就行。

登录进去之后的流程就简单了：

1. 点"新建知识库" → 选类型（FAQ / 文档 / Wiki）
2. 上传一份 PDF 或 Word 文档
3. 等几秒钟让系统解析 + 建索引
4. 在对话框问个问题 → 看 AI 给你生成答案 + 引用来源

恭喜，你的第一个企业级问答机器人已经上线了。

是不是比你想象的简单？说实话，比我给新手机贴膜还快。

▲ 对话设置界面：检索阈值、Prompt、模型参数都能调（来源：官方 docs/images/settings.png）

五、彩蛋模式：想改代码？千万别每次都 rebuild 镜像

这一段是给"玩机党"准备的彩蛋。

如果你打算贡献代码、做二次开发、调调内部逻辑——

千万别每改一行代码就 docker compose up --build 一次，会哭的。我当年改个路由器固件，每次刷机等 5 分钟，差点把路由器摔了。

WeKnora 官方提供了热重载开发模式，能让你改完代码 5-10 秒内看到效果：

# 终端 1：启动基础设施（数据库、Redis 这些，跟代码无关） make dev-start  # 终端 2：启动后端（Air 热重载，改完代码 5-10 秒自动重启） make dev-app  # 终端 3：启动前端（Vite 热重载，改完代码秒级刷新） make dev-frontend

这套开发模式的好处：

• ✅ 前端修改自动刷新浏览器，不用重启
• ✅ 后端 5-10 秒热重载（Air 工具）
• ✅ 不用 rebuild Docker 镜像，省一杯咖啡的时间
• ✅ 支持 IDE 断点调试

用过一次就回不去了——数码圈俗称"一旦用上热重载，再也回不去手动重启"。

六、版本演进：看看它怎么一步步长大

最后，按照数码圈"测完要聊历史"的惯例，我们来考古一下——看看 WeKnora 怎么一步步走到 v0.6.2 的。

了解历史能帮你理解它的设计选择：为什么这么做、为什么是这个 API 形态、为什么这么组织代码。

看完这张表，你会发现 WeKnora 的进化路径特别清晰：

👉 v0.3 解决"能跑"（基础功能、Agent、Helm）
👉 v0.4 解决"能用"（IM 渠道、扩展、Cloud）
👉 v0.5 解决"智能"（Wiki 模式 GA、4 万文档规模）
👉 v0.6 解决"企业级"（RBAC、加密、可观测性、HNSW）

每一步都在补一块短板，节奏稳得可怕——这更新策略，数码圈叫"牙膏厂"反向操作，挤牙膏？不，这哥们儿在"挤奶油"。

小结：这一期我们聊了啥

来，简单回顾一下：

• WeKnora 是腾讯开源的企业级 LLM 知识框架，不是单纯的 RAG 工具
• 三大核心能力：RAG 问答 / ReAct Agent / Wiki 模式（后两个是真正的杀手锏）
• 技术栈：Go 1.26 + pgvector + Langfuse + Docker/Helm，全模块化可插拔
• 5 分钟跑通：git clone → cp .env → docker compose up -d，完事儿

是不是比想象中简单？

下一期 WeKnora详解（二）：知识库与对话核心能力，我们会深入聊：

• 怎么把 PDF/Word/飞书文档接进来
• "上传流程配置"到底是什么黑科技（v0.6.2 新功能）
• RAG / ReAct / Wiki 三种对话模式怎么选
• 建议问题、多轮上下文这些贴心功能怎么用

觉得有用的话，点赞、在看、转发三连，叨叨数码下期继续拆 WeKnora。

我是叨叨数码，我们下期见。#WeKnora知识分享季 #腾讯开源 #叨叨数码

🔗 项目地址：https://github.com/Tencent/WeKnora

📌 公众号：叨叨数码 · 专注 AI 工具、开源项目与数码好物拆解