腾讯开源的 WeKnora,把你吃灰的文档变成一个能问的＂公司大脑＂

      先说个场景。你入职新公司第三天，想知道报销流程走哪个系统。问老同事，他说"文档里有的"；你去翻，飞书一份、Confluence 一份、群里还有一份半年前的旧版。没人知道哪份是对的。

       这就是知识管理平台想解决的事。腾讯去年开源了一个项目叫 WeKnora，GitHub 上现在有三万来颗星，Go 语言写的，MIT 协议。我花了一天把它 README 啃完，用大白话给你讲讲。

       一句话：你把手头的文档都丢给它，它喂给大模型，之后你就能像聊天一样查资料、问问题，还能让它替你干活。

        技术圈管这套东西叫 RAG（检索增强生成）。名字听着唬人，原理特别朴素：大模型本身没读过你们公司的内部文档，直接问它肯定瞎编。所以先去文档库里搜出相关的几段，塞给模型，让它"开卷作答"。WeKnora 就是把开卷这件事做了个完整的平台，而且答案会标注出处，方便你核查它有没有胡说。

    不过 WeKnora 没打算只做一个问答框。它在同一套知识库上叠了三种用法。

   整个链路画出来其实就五步：

     检索那一步值得多说两句。纯语义搜索有个毛病：你搜一个精确的型号或者人名，它可能给你找一堆"意思接近但不是"的东西。WeKnora 用关键词和向量两路一起搜，再重排序，这是现在开源知识库的主流做法。它还支持父子分块，就是给模型看小片段保证精准，但回答时能带出上下文整段，两头兼顾。

     数据源同步很全。飞书知识库、Confluence、GitLab、Notion、语雀、钉钉文档、RSS，配上自动同步。国内团队的资料基本都在这些地方躺过，这个清单明显是照着中国企业的习惯抄的。

        什么模型、什么数据库都不锁死。内置对接 27 家模型厂商，OpenAI、DeepSeek、通义、混元、本地跑一个 Ollama 都行；向量库支持 pgvector、Milvus、Elasticsearch 等七八种。今天用 A 家模型，明天想换，不用推倒重来。Go 写的，可以打包成单个二进制文件在低配机器上跑。

       权限是认真做的。多工作区、四种角色、按资源的归属控制、审计日志、API key 加密存储。这是奔着企业采购去的配置，不是玩具。

对了，它还有个内置 MCP 服务。听不懂没关系，你只要知道：接入之后，Cursor、Claude Desktop 这类 AI 编程工具可以直接把你的公司知识库当资料库查。程序员群体应该会喜欢这条。

      适合：文档量大又没人管的团队；数据不能出境、不能给第三方 SaaS 的公司（它支持私有化部署，数据全留在自己环境里）；以及想给客服机器人、内部助手找底座的技术团队。

      不适合的也得说实话。它不是装完就能躺着用的东西：你得自备大模型的 key 或者本地算力，解析上千份旧文档要钱也要时间，效果好不好很大程度取决于你的文档本身质量。垃圾进去就是垃圾出来，这条对所有 RAG 产品都成立。还有，智能体模式能操作你浏览器、能在沙箱里执行代码，权限给多大需要提前想清楚。

      目前版本 v0.8.2，迭代很快，几乎每个月都有大更新。项目主页在 github.com/Tencent/WeKnora，Docker 一条命令就能起个试用环境。

      回到开头那个报销流程的问题。用 WeKnora 之后的世界应该是这样：新人在企业微信里问一句"报销走哪个系统"，机器人把现行有效的那份文档翻出来，给出答案，顺便告诉你这是行政部 8 月更新的版本。就为这个，值得花半小时把它部署起来试试。