AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月17日
腾讯开源的知识管理框架,把文档变成可问答的 RAG、Agent 和 Wiki。
WeKnora 是腾讯开源的 LLM 知识平台,用 Go 编写,面向企业文档理解、语义检索与推理。它把团队文档集中起来,提供 RAG 问答、多步任务 Agent 和自动维护的 Wiki 三种用法,三者共用同一批知识库。
推荐指数
功能完整、生态集成多,适合需要私有化知识问答平台的团队,但部署与运维有一定门槛。
近 7 天
+554
新增 Star
总 Star 排名
#167
雷达追踪的 3,958 个 AI 仓库中
创建于
2025
2025年7月22日
核心亮点
1三种用法
RAG 检索问答、Agent 多步任务、Wiki 知识整理共用同一知识库。
2数据源丰富
支持飞书、Confluence、Notion、语雀、GitLab 等自动同步。
3模型可换
内置 29 家模型厂商,含 OpenAI、DeepSeek、通义、Ollama 等。
4权限与运维
多工作区 RBAC、审计日志、任务队列面板和 Langfuse 追踪。
5多渠道接入
可在企业微信、飞书、Slack 等 IM 中问答,并提供 MCP Server。
适用场景
企业内部知识问答
例如:把产品文档和 FAQ 导入知识库,员工在飞书里直接提问并看到引用出处。
多步资料处理
例如:让 Agent 在沙箱中运行脚本,从多个文档中汇总数据并生成报告。
文档整理成 Wiki
例如:把散落的 PDF、Word 自动整理成带知识图谱、可回滚的 Wiki 页面。
外部网站客服
例如:用嵌入组件把知识库问答挂到官网,回答用户常见问题。
它是怎么工作的
第 1 步
导入文档
上传 PDF、Word、图片等格式,或从飞书、Notion 等数据源自动同步。
第 2 步
解析与切分
解析文档内容并切分为检索块,支持编辑、对比和回滚。
第 3 步
向量化检索
用嵌入模型建立索引,通过混合检索和重排序找到相关内容。
第 4 步
生成回答
由所选 LLM 基于检索结果作答,并给出引用来源。
第 5 步
Agent 与 Wiki
Agent 调用工具和沙箱完成多步任务,Wiki 把文档组织成结构化知识。
快速上手
- 1
准备环境
安装 Docker 与 Docker Compose,准备模型 API Key。
- 2
启动服务
按 README 的 Docker Compose 方式拉起整套服务。
- 3
配置模型
在界面中选择模型厂商并填入密钥,或接入本地 Ollama。
- 4
建库试用
创建知识库、上传文档,然后开始问答或使用 Agent。
适合谁
- 需要私有化部署知识问答的企业团队
- 要统一管理多来源文档的知识管理员
- 希望把 RAG 与 Agent 结合使用的开发者
不太适合
- 只想跑一个轻量问答 Demo 的个人
- 不愿维护 Docker 与模型配置的用户
成熟度
- 活跃度2025 年 7 月创建,2026 年 11 月仍有推送,star 超 3.7 万。
- 文档有官网、文档站和多语言 README,但快速上手命令在摘录中不完整。
- 社区fork 超 5000,但未关闭 issue 约 972 个,维护压力较大。
- 上手难度依赖 Docker、模型和存储配置,功能多,上手成本不低。
同类项目怎么选
- Dify偏应用编排与工作流搭建,WeKnora 更聚焦文档知识库与 Wiki。
- RAGFlow同样做 RAG 文档问答,WeKnora 额外提供 Agent 沙箱和 Wiki 模式。
- AnythingLLM更轻量的个人知识库工具,WeKnora 面向多租户企业场景。
使用前注意
- · 许可证字段为 NOASSERTION,README 标注 MIT,使用前需核对 LICENSE 文件。
- · 功能较多,部署需要配置模型、向量库和存储,运维成本不低。
- · 部分数据源同步和 IM 接入依赖第三方平台账号与授权。
- · Agent 沙箱和浏览器操作涉及权限与安全,需评估隔离策略。
