一个能把"一堆文档"变成"会自己长知识的 Wiki"的开源项目 ｜ AI工具实测系列

今天上午，我把腾讯开源的知识库引擎 WeKnora 部署到自己电脑上。

这篇文章不讲繁琐的安装教程，只回答两个问题：WeKnora 是什么？它能干什么？

一、WeKnora 是什么？一句话讲清

大白话版：一个"读过你全部文档的 AI 图书管理员"。你随口问，它随答，还给你翻到页码。

专业版：腾讯开源的知识库引擎（RAG 架构），把你的 PDF、Word、网页切片、向量化、建索引，让大模型回答问题时有据可查——每句答案自动标注来源出处，点引用直达原文段落。

对我最关键的一点：完全开源（MIT 协议），可以整套装在自己电脑上，数据不出门。

二、它能干什么：三大模式，一张图看懂

WeKnora 不是"一个功能"，而是三种不同类型的活，共用同一个知识库：

用我整理的"三大模式"图：

① RAG 快问快答（图书管理员）——日常查询，问一句答一句，答案自动标来源。

② ReAct Agent（会自己列计划的初级分析师）——复杂多步任务，它自己决定：查库？调工具？联网搜？

③ AI 自动 Wiki（替你把书读完、写好交叉引用读书笔记的人）——这个最有意思：Agent 替你把原始文档读完，自动生成互相链接的词条 + 知识图谱，浏览器里能改、能看 diff、能一键回滚。

三、最打动我的两个细节

①细节一：切错的"卡片"能改

玩过知识库的人都懂一个痛：文档切片（chunk）切得不好，答案就答非所问。大多数工具你只能"调参数、重新解析、祈祷"。

WeKnora 让你直接在界面上编辑那个 chunk，每个版本有快照、有 diff、能回滚，改完自动重新索引。

就像病理切片放错了，你不是重做整张玻片，而是拿到显微镜底下直接修那一片。检索质量差不再玄学，是可以动手修的具体问题。

②细节二：它会自己长出"知识地图"

我喂给它一百多篇公开技术文档（本人实测），它自动完成了三件事：

· 每篇文档自动写摘要；· 从正文里抽出关键实体——人名、机构、技术名词，自动分类；· 把这些实体连成一张知识图谱。

实测数据：自动生成摘要 18 条、实体 97 个，图谱 500 个节点、24 种类型。点开任何一个节点，关联的文档、相关实体一目了然——相当于它替你把整个库读完了，还画了张地图。

摘要 18 + 实体 97，左侧按类型自动归档（人物/组织/技术分类…）

500 节点 / 24 类型，点节点展开关系网，右侧带结构化信息卡

四、安装经历

4.1 经验

• 安装过程就下面一句话，全程使用workbuddy 辅助安装——安装工程耗时两个小时，总体挺顺利。
  

4.2 踩坑

• 官方镜像国内拉不到——多个加速源都没有缓存，最后用源码编译解决。虽说是个坑，只要workbuddy自己能解决，我无非只是多等一会；

• 嵌入模型的配置——配置模型的时候，模型的名称一个字也不能错，否则报错。

• 有一丢丢烧钱——基础问答LLM和Wiki合成模型，我是用的自费的DeepSeek模型，一上午花了21.03元（解析了100篇公开专利）

  
  

五、谁适合用？

✅ 文档很多、检索靠翻的团队✅ 想让数据不出本机的个人✅ 受够了"答非所问还查不了来源"的 RAG 用户

项目地址：github.com/Tencent/WeKnora（MIT 开源，可商用）。Wiki 模式自 v0.5 引入，官方称支持万级文档体量。

一上午的体验：它不一定是最强的，但可能是"开箱即得"最完整的——问答、干活、沉淀知识，一套全包。

本文仅代表个人观点，与任职机构无关。