文档堆成山却没人翻?我用开源的 PandaWiki 搭了个能自己回答问题的知识库

先说个我自己的痛点。

我们团队的文档，认真讲不算少：产品说明、接口文档、FAQ，还有各种"踩坑记录"，散在好几个地方。但真正会去翻的人不多。新人遇到问题，第一反应不是去搜文档，而是在群里 @ 老人；老人回文档里 Ctrl+F 半天，发现关键词对不上——文档里写的是"知识库配置"，新人问的却是"怎么给文档分文件夹"。

写的时候很努力，用的时候没人看。这个矛盾挺普遍的。

后来刷 GitHub 时看到 PandaWiki（长亭科技开源的），吸引我的点就一个：它不是让你"存文档"，而是让你"问文档"。你把手上的资料喂进去，用户用大白话提问，它从你的文档里找依据、给答案。

我不是这个项目的开发者，就是个普通使用者。下面是我自己用 Docker 跑了一遍之后的记录，外加翻了翻仓库和官方文档。凡是我不确定的，我都会明说，不硬撑。

一句话理解：传统 Wiki 像图书馆的卡片目录——你得先知道该找哪本书；PandaWiki 更像图书馆里多了一位读过所有书的馆员——你直接把问题丢给他就行。

一、它到底是干嘛的？30 秒版

PandaWiki 是一个"AI 大模型驱动的开源知识库搭建系统"。 拆开看就是两件事：先把文档管起来（这部分和传统 Wiki 差不多），再让 AI 把文档用起来。

它比普通 Wiki 多出来的，主要是三块 AI 能力：

• AI 问答
  ：用户提问，它从你的文档里找内容作答，还会标出参考了哪几篇；
• AI 搜索
  ：不只是匹配关键词，而是尽量理解你"想找什么"；
• AI 创作
  ：写文档时让 AI 帮你补内容、改措辞。

有个小细节挺有意思：PandaWiki 的官方文档站，本身就是用 PandaWiki 搭的，算是"自产自用"的样板。看首页就大概能感觉到它的重点在哪——中间那个搜索框，和右下角的问答助手：

几个词先垫一下，不然后面容易卡壳（文末还有一份完整速查表）：

• 大模型
  ：就是 ChatGPT、DeepSeek 那一类"会说话"的 AI，这里负责把答案组织成人话；
• 知识库
  ：说白了就是"一堆相关文档的集合"，PandaWiki 会给每个知识库单独生成一个 Wiki 网站；
• Wiki
  ：多人协作维护的文档站点，维基百科就是最出名的那个。

二、部署：一条命令的事

我原本以为要配一堆环境，结果安装就是官网给的一条脚本。用 root 跑：

# 用 root 权限执行官方安装脚本bash -c "$(curl -fsSLk https://release.baizhi.cloud/panda-wiki/manager.sh)"

跑完终端会直接把后台的访问地址和账号密码打出来：

SUCCESS  控制台信息:SUCCESS    访问地址(内网): http://*.*.*.*:2443SUCCESS    访问地址(外网): http://*.*.*.*:2443SUCCESS    用户名: adminSUCCESS    密码: **********************

拿浏览器打开那个 2443 端口的地址，就是登录页：

名词小抄　Docker：把软件连同它需要的运行环境一起打包成"集装箱"，你机器上不用装一堆依赖，拉下来就能跑。这是 PandaWiki 部署这么省事的主要原因。

官方给的整体流程是四步，画得挺直观：

第一步创建知识库时，会让你填个名字，再配一个访问方式（域名或 IP、端口）。我图省事就直接用 IP 加端口：

从敲命令到能在浏览器里看到界面，我这边用了不到十分钟，其中大部分时间还是在拉镜像。

三、先配个 AI 模型，不然它不会"说话"

这是我觉得需要提前知道的一点：PandaWiki 本身不带大模型，它是个"壳"，真正的智能来自你接进去的模型。首次登录会直接引导你配置。

懒人路线是"自动配置"——去百智云模型广场拿个 API Key 填进去，对话模型选个现成的（我截图时选的是 deepseek-chat）：

如果你想自己搭配，可以切到"手动配置"。这里能看到它其实需要五种不同角色的模型，各干各的活：

我把这五个角色翻译成人话，你就明白它们为什么缺一不可：

名词小抄　向量（Embedding）：把一段文字变成一串数字坐标。意思越接近的句子，坐标在空间里挨得越近——就像地图上两家卖同类东西的店，位置往往靠在一起。

关于钱：接百智云首次注册有 5 元额度，想省的话也能接自己部署的模型（走 OpenAI 兼容接口那套）。这块是隐形成本，心里要有数。

四、界面和核心功能：边看边讲

配置完进去，后台长这样。左边是目录树，右边是文档列表：

我挺喜欢的一个细节是每条文档后面的状态标签——「学习成功」「可被问答」「可被访问」「导航内可见」。等于明明白白告诉你：这篇到底是喂给 AI 了没有、能不能被问到。文档一多，这个状态比什么都实在。

前端用户看到的 Wiki 站点则是这个画风，右侧有目录和内容摘要：

真正的主角是右下角那个 AI 问答窗口。用户点开直接问，它给的答案还会带上引用出处（截图里能看到 [1] 这种角标）：

后台还有个统计页，能看到访问量、问答次数、热门文档、用户都在哪个省份、用什么浏览器……对想了解"哪篇文档最常被问到"的人来说挺有用：

功能这块我整理成一张表，省得一条条翻：

五、AI 问答是怎么跑起来的（RAG 原理）

很多人第一次用会好奇：它凭什么能"看着我的文档"回答？答案就四个字母——RAG。整个过程大致是这么一条流水线：

按图从左到右，五步走：

1. 文档学习
   ：你上传文档后，系统先把它切成一小块一小块（专业叫"分块 / Chunking"）；
2. 向量化
   ：每一小块被向量模型换算成一串坐标；
3. 进库
   ：这些坐标存进"向量数据库"，等着被检索；
4. 检索
   ：用户提问时，问题也变成一串坐标，去库里捞坐标最接近的几块原文；
5. 生成
   ：把捞出来的原文 + 用户问题一起丢给对话模型，让它组织成答案。

名词小抄　RAG（检索增强生成）：你可以理解成给 AI 安排了场"开卷考试"——先翻资料，再照资料答题，而不是凭记忆硬编。好处是答案有出处、能追溯。

名词小抄　向量数据库：专门存"文字坐标"、并且能飞快找出"离得最近的那几条"的仓库。

这也顺带解释了它的天花板在哪：RAG 只能从你给的资料里找答案。资料里没写的东西，它给不出，或者给得不准。所以问答质量跟文档质量是强绑定的——你文档写得越清楚，它答得越靠谱。

六、内容怎么进得来？四种导入方式

手上的老文档怎么搬进来，是我比较关心的。PandaWiki 支持四种，各有各的适用场景：

对我这种"文档早就写好了、只是散着"的情况，最后一种最省事。

【配图建议】此处可放一张"导入向导"界面截图（选择导入方式那一步），或一张"四种导入方式"的示意图。官方文档里有对应截图，我手边没截到，留个位置。

七、不止一个网页：挂件和聊天机器人

光有个 Wiki 网站还不够，人得在他本来就在的地方问到东西，用起来才顺。这方面它给了三个出口：

• 网页挂件
  ：一行 JS 嵌到你自己的网站上，右下角就多个问答小窗口，效果就是上一节那张 AI 问答截图；
• 聊天机器人
  ：接进钉钉、飞书、企业微信，同事在群里就能问，不用专门开浏览器；
• API
  ：想自己接入别的系统，直接调接口。

【配图建议】建议放一张"钉钉 / 飞书 / 企业微信里机器人回答"的对话截图。这是最有说服力的场景图，官方文档里应该能找到。

八、和传统 Wiki、其他 AI Wiki 摆一起比

我把几个关键维度列成一张表，方便横向看（✅ 表示支持，⚠️ 表示部分支持或看情况，❌ 表示不支持）：

名词小抄　AGPL-3.0：一种开源许可协议。你可以免费用、随便改；但如果你把它改动后做成在线服务给别人用，就得把自己的改动也开源出来。自己内部用、不对外提供服务的场景，一般不受这条约束——真要商用，建议自己再核一遍协议原文。

九、我用了之后的真实感受

觉得不错的地方：

• 真·开箱即用
  。一句脚本装完，剩下的都在网页上点，没让我碰配置文件。
• AI 能力比较"整"
  。很多同类项目只有问答，它把创作、问答、搜索都做了，且能对外集成。
• 状态透明
  。文档有没有被 AI 学进去，一看标签就知道，这对排查"为什么这个问题它答不上来"帮了大忙。
• 开源
  。代码摆在那，后端 Go、前端 React，想改想接都能自己动手。

需要注意的地方（都是实话）：

• 得自备模型
  。它自己是壳，AI 要花钱或花机器，本地跑模型则吃显卡。
• 答得好不好，取决于你文档的质量
  。这是 RAG 的通病，不是它的锅，但用之前要有预期。
• 界面和文档以中文为主
  ，我主要看中文栈，英文生态没细究。
• 企业级能力不一定全在开源版里
  。我翻仓库时看到 backend/ 下有个 pro/ 目录，推测 SSO 登录这类功能可能属于专业版，具体以官方说明为准。

十、谁适合用？

按我自己的判断，下面这几类人用它性价比最高：

• 产品 / 客服团队
  ：把产品说明、FAQ 丢进去，用户自己就能问，少接一堆重复咨询；
• 研发团队
  ：接口文档、开发规范集中管，新人靠问答快速上手；
• 要建企业知识库的公司
  ：文档统一收口，再挂到钉钉 / 飞书里；
• 个人折腾派
  ：想给自己攒一个"能对话的笔记本"，顺便玩玩 RAG。

项目信息（数据截至我查看时，仅供参考）：

附：名词速查表

写在最后

本文是我作为普通使用者的体验记录，不是官方推广，文中数据以我查看时为准，项目迭代很快，具体请以官方仓库和文档为准。

如果这篇文章帮你省下了点摸索时间，点个赞就行。后面我打算再写一篇"把本地模型接进 PandaWiki"的折腾记录，有兴趣的可以关注一下。