WeKnora：把一堆乱文档，变成会自己长大的企业知识库

你一定见过这种团队：文档散落在飞书、钉钉、语雀、Notion 和无数个"最终版_v3"里，没人知道哪个是权威版本。腾讯刚在 GitHub Trending 上冲到前列的开源项目 WeKnora，给出的答案不只是"能问答"，而是让 AI 自己把这些乱文档整理成一本会持续生长、带修订历史的 Wiki。

项目卡片

项目简介

WeKnora 是腾讯开源的 LLM 知识平台，官方一句话定位是"把原始文档变成可查询的 RAG、自主推理的 Agent 和自维护的 Wiki"。项目 2025 年 7 月创建，GitHub API 显示最近一次提交就在 9 月 17 日，当前版本 v0.8.0，官网 weknora.weixin.qq.com，提供英文、简体中文、日语、韩语四语 README。它把"文档进、答案出"这件事拆成了三层能力：日常查询走 RAG 快速问答，复杂任务交给 ReAct Agent 自主编排知识检索、MCP 工具、沙箱和联网搜索，而最有想象力的 Wiki 模式，则由 Agent 把原始文档提炼成互链的 Markdown 知识库页面。

核心亮点

1. 三种用法一体：RAG 问答、ReAct Agent、Agent 驱动的自动 Wiki 同平台共存；Wiki 页面支持浏览器内手动编辑、修订历史、行级 diff 和一键回滚。
2. 技能沙箱与长期记忆：技能可从 ClawHub/SkillHub/git/zip 安装进会话持久化的 Docker/E2B 沙箱；跨会话记忆覆盖画像、偏好、事实、任务、兴趣五类，支持自动提取与用户确认。
3. 国产数据源最全：飞书知识库/云盘、钉钉文档、企业微信、腾讯 IMA、语雀、Notion、GitLab、RSS 均可自动同步（支持增量），直击国内团队文档真实存放地。
4. 格式与模型开放：PDF/Word/Excel/PPT/EPUB/图片等 10+ 格式，Go 进程内解析 Office 文档；20+ LLM 提供商（OpenAI、DeepSeek、Qwen、混元、Ollama 等），向量后端可选 pgvector、Milvus、Qdrant 等。
5. 企业级基建：多工作区 RBAC 四级角色矩阵、审计日志、Langfuse 全链路可观测、按租户的网络策略，Docker Compose 与 Helm 双部署方式。

为什么值得关注

大多数 RAG 开源项目止步于"问答"，而企业知识管理的真正痛点是腐烂：分块过时、没人维护、越问越错。WeKnora 的 Wiki 模式是对这个痛点的正面回答——不是让用户去维护知识库，而是让 Agent 把文档"养"成结构化知识库，人只在关键节点上确认和修订。这个产品思路和市面上"又一款 RAG 问答框"拉开了身位。

其次是对中文团队的真实友好度。检索增强类项目做得再好，一旦接不进飞书、钉钉、企业微信和语雀，在企业落地时就会卡死在数据源这一关。WeKnora 把这些渠道做成了一等公民，再加上进程内解析 Office 文档（通过 cgo 链接 Rust 静态库，不依赖外部转换服务）、MIT 主协议允许商用、微信团队出品并维护官方文档站，它可能是目前"开箱即可自建企业知识库"完成度最高的国产开源方案之一。

也要泼一盆冷水：项目尚在 v0.8.0、未到 1.0，GitHub 上有约 660 个 open issues；功能面铺得很宽（沙箱、Wiki、记忆、多数据源），初次部署的配置项也比较多。建议先小范围试点一个知识库，跑通解析和检索质量后再扩展，不要一上来就全家桶。

快速上手

环境要求：Docker + Docker Compose、Git。三步启动：

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env      # 按注释编辑模型与存储配置
docker compose pull       # 拉取最新镜像
docker compose up -d      # 启动核心服务

启动后浏览器访问 http://localhost（后端 API 在 8080 端口）即可开始配置模型与知识库；想用本地模型可先运行 ollama serve。需要知识图谱或对象存储时，可追加 profile，例如：

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

适用人群

• 想给团队自建企业知识库、又受够了"最终版_v3.docx"的技术负责人与运维工程师；
• 需要在飞书/钉钉/企业微信生态内落地 RAG 与 Agent 的开发者；
• 研究 Agent 自主整理知识、长记忆与沙箱化工具调用的 AI 工程师。

免责声明：本文为科技观察与信息分享，不构成任何投资建议；文中项目信息以 GitHub 仓库为准，使用前请自行核实协议条款与部署要求。

如果这个项目对你有启发，欢迎转发给那位正在被团队"文档沼泽"折磨的同事。

引用链接