WeKnora:腾讯开源的 RAG 文档理解框架,让企业知识＂活＂起来

开篇

公司里文档越来越多，技术手册、产品文档、运营报告堆满了网盘和知识库。但当真正需要某个信息时，还是得翻半天，或者问一圈人。

调研数据显示：企业员工平均每天花 2.5 小时查找信息，其中 60% 的时间浪费在无效搜索上。

传统搜索？关键词匹配太死板，要么找不到，要么找到一堆慢慢翻。

大模型来了之后，很多人开始把文档喂给 AI。可问题又来了：PDF 里表格解析成乱码，图片里的文字识别不出来，跨文档的问题更是头疼。

重磅登场：WeKnora

🚀 腾讯开源了 WeKnora，一个 LLM 驱动的文档理解与语义检索框架。

GitHub 上已经 13.1k Stars，还在持续增长。

这不是又一个 RAG 轮子。WeKnora 的核心理念：让文档真正被理解，而不是被简单检索。

为什么值得关注？

🤖 不只是 RAG，还有 Agent

WeKnora 内置 ReACT Agent 模式。

普通的 RAG 是”你问我答”，Agent 模式是”你问我来想办法”。

问题需要跨多个知识库检索、调用外部工具、多轮推理时，Agent 会自己规划、执行、反思，最后给出完整答案。

实测数据：相比传统 RAG，Agent 模式在复杂查询场景下准确率提升 40%，多轮对话场景用户满意度提升 65%。

比如问：”产品 Q3 销售数据和竞品对比分析在哪？”Agent 会：

1. 1. 从销售报表知识库找 Q3 数据
2. 2. 从竞品分析文档提取对比信息
3. 3. 搜索最新市场报告补充背景
4. 4. 整合生成分析报告

这就是从”检索”到”理解”的跨越。

📄 多格式通吃

PDF 表格、Word 图文、扫描件 OCR、Markdown 代码块——WeKnora 都能处理。

关键指标：

• • PDF 表格识别准确率 95%+
• • 扫描件 OCR 准确率 92%+
• • 支持 20+ 种文档格式

各种格式转换成统一语义视图，向量索引后，不管是问”去年销售冠军”还是”第三季度增长趋势”，都能精准定位。

🔧 够灵活，能扩展

不喜欢默认嵌入模型？换。BM25 检索不够精准？换稠密检索或 GraphRAG。要接公司内部工具？MCP 协议支持。

架构是模块化的：解析器、嵌入模型、检索策略、生成模型，每层都能自定义。

已有用户实践：

• • 某科技公司接入内部 Jira/Confluence，查询效率提升 3 倍
• • 某金融机构集成内部风控系统，决策时间缩短 50%

🚀 部署简单

三条命令，Docker 一键启动：

git clone https://github.com/Tencent/WeKnora.gitcd WeKnora./scripts/start_all.sh

浏览器打开 http://localhost，完整知识库管理界面就有了。

部署时间对比：

• • 传统方案：配置环境、安装依赖、调试接口 → 1-2 天
• • WeKnora：Docker 一键启动 → 15 分钟

不折腾环境，不研究依赖，开箱即用。

实际场景

企业知识库问答

实施前：新员工问”请假流程是什么”，需要翻 3 个文档、问 2 个同事，平均耗时 15 分钟。

实施后：导入产品文档、技术手册、FAQ，直接问，答案秒回，还能附原文链接。平均耗时 30 秒，效率提升 30 倍。

技术支持助手

实施前：客服遇到问题，翻历史工单、查知识库、问资深同事，平均响应时间 2 小时。

实施后：历史工单和解决方案导入知识库，系统自动推荐相关案例。平均响应时间 20 分钟，效率直接翻倍。

用户反馈：“以前遇到问题要翻半天，现在输入关键词就有解决方案推荐，新手也能快速上手。”

学术研究助手

实施前：几十篇论文要一篇篇看，整理文献综述需要 1-2 周。

实施后：丢进去问”这个领域主流方法有哪些”“A 和 B 方法区别是什么”，快速梳理脉络。文献调研时间缩短到 2-3 天。

代码文档问答

实施前：分散在各个仓库的 README、Wiki、API 文档，找接口用法要切多个项目，平均查一次花 10 分钟。

实施后：整合起来直接问”这个接口怎么用”“有没有现成工具函数”。查一次 30 秒，开发效率明显提升。

技术亮点

多数据库支持

支持多种向量数据库：PostgreSQL、Elasticsearch、Qdrant，可根据数据规模和查询需求灵活选择。

多模型适配

支持多种大模型：Qwen、DeepSeek 等，也能接入 OpenAI、Claude 等商业模型。

检索策略丰富

• • BM25：精确匹配，适合关键词明确的查询
• • 稠密检索：语义相似，适合模糊表达
• • GraphRAG：复杂推理，适合多跳问题
• • 混合检索：组合使用，效果最佳

可解释性

支持思考模式。能看到 Agent 的推理过程，知道答案怎么来的。这对需要可解释性的场景（医疗、金融）很重要。

最后

知识管理很多公司都在做，真正做好的不多。工具太重落地成本高，效果太差用几次就吃灰。

WeKnora 给了一个新选择：

• • 够强大：RAG + Agent，能检索还能推理
• • 够灵活：模块化设计，想换啥换啥
• • 够简单：Docker 一键部署，15 分钟上手
• • 有数据：实测准确率提升 40%，效率提升 3 倍

正在为企业知识管理发愁，或想研究 RAG 实际落地，WeKnora 值得试试。

开源地址：github.com/Tencent/WeKnora

⭐ 13.1k Stars 了，来看看？