腾讯开源知识库 WeKnora:把文档变成问答、Agent 和自动 Wiki

WeKnora 不是又一个 RAG 套壳。它把知识库当成底层存储，上面跑三种消费方式——检索问答、ReAct Agent、自动生成的 Wiki。该项目的github网址如下：https://github.com/Tencent/WeKnora

本文按架构层次拆，不讲愿景，只讲它做了什么、怎么做的、哪里要留神。

一、为什么大多数 RAG 项目到第二代就停了

RAG 项目的演进路线很一致。第一代：chunk → embedding → top-k → 拼 prompt，能跑就行。第二代：混合检索补关键词召回，rerank 补精排，GraphRAG 补跨文档关系，评测补调参依据。

到这一步大家都在卷同一个指标——召回质量。但召回质量再高，知识库依然是只读的 query endpoint，调用方式只有一种：人问它答。

WeKnora 的差异点不在检索层，而在于它把知识库之上的消费层拆成了三个，并且共用同一份底层数据。这个设计选择决定了后面所有的东西。 

二、检索层：第二代标配，不多不少

快速过一遍，因为这一层没有惊喜，只有完成度。

• 混合检索：BM25 类关键词 + 向量，rerank 精排
• 父子分块：小块召回、大块返回，解决上下文截断
• GraphRAG：基于 Neo4j，默认不启，“--profile” 开
• 引用回溯：答案附来源，可跳到原文段落
• 评测：内置召回率、BLEU/ROUGE 端到端测试

最后一条值得多说一句。大部分开源 RAG 换个 embedding 模型只能靠手感,WeKnora 给了量化 pipeline，这才是能进生产的前提。 

向量库后端可插拔：pgvector、Elasticsearch、OpenSearch、Milvus、Weaviate、Qdrant、Doris、腾讯 VectorDB。模型层 29 家厂商，含 Ollama 和 LiteLLM，意味着可以完全离线跑。 

三、Agent 层：真正有技术含量的部分

这是 WeKnora 和同类项目拉开差距的地方，逐个组件看。

执行模型：ReAct 循环，思考 → 行动 → 观察，每一步在 UI 中可见。不是黑盒输出一个结果。

技能系统：技能是可安装的能力单元，来源支持 ClawHub、SkillHub、Git 仓库、ZIP 包。这意味着可以自己写技能、内部分发、不依赖官方市场。

沙箱：技能执行隔离在 Docker、E2B 或 Cube 三选一的沙箱中，会话级持久化——同一会话内多轮调用共享文件系统状态。沙箱旁边挂了交互式终端和图形桌面，Agent 卡住时可以人工接管。支持检查点，可回滚到任意状态重跑。 

浏览器操控：BrowserSkill 驱动的是用户本机的 Chrome/Edge，复用已有登录态和 cookie。遇到登录页或验证码，控制权交回人，处理完继续。这比无头浏览器从零走登录流程的成功率高一个量级，代价是必须有一台带浏览器的机器在线。 

对话控制流：对话中途可注入新指令；可以从任意历史节点 fork 出新分支；配合沙箱检查点，实际上是给 Agent 执行加了版本控制。

v0.9.0 新增：多 Agent 协作、cron 式定时任务、三档执行权限（只读 / 变更前确认 / 自动写入）。权限是按任务粒度配的，不是全局开关。 

一个实际场景：定时任务每周一触发 → GitLab 数据源拉上周 MR → 检索知识库里的评审规范 → 沙箱内跑脚本做对照生成表格 → 企业微信渠道推送。权限设"变更前确认"，推送前阻塞等人工 approve。整条链路不写胶水代码。

四、Wiki 层：被低估的功能

自动 Wiki 容易被当成锦上添花，但它解决的是知识库最根本的熵增问题——文档越堆越多，没人知道里面有什么，检索效果随之下降。

实现逻辑：从文档中抽取实体（人物、产品、概念），每个实体生成一个 Markdown 页面，页面间建双向链接，按目录组织，附知识图谱可视化。页面可人工编辑，每次修改有版本回滚。v0.5.2 在 4 万文档规模上验证过。 

关键设计：Wiki 不是独立产品，和问答、Agent 读的是同一份知识库。改 Wiki 页面，等于在给检索层做人工标注。 

五、接入面：平台而非应用

MCP Server 这一项值得单独点出：Cursor、Claude 可以直接把 WeKnora 当 tool 调。知识库从"一个网页"变成"一个 endpoint"。 

六、部署与 CLI

代码示例（bash）：

git clone https://github.com/Tencent/WeKnora.git cd WeKnora cp .env.example .env docker compose pull && docker compose up -d

默认只起核心服务，Neo4j / MinIO / Langfuse 按 “--profile” 开。另有 Helm Chart（K8s）、Lite 单二进制（SQLite + 内存队列，零外部依赖）、桌面版（自行编译）。官方建议内网部署，不暴露公网。 

CLI 是按 Agent 优先设计的，这点很少见：

• 默认输出 JSON，不是给人看的表格
• 错误码映射到 exit code，脚本里直接判断
• “weknora mcp serve” 把自己变成 MCP Server

配套还有 Chrome 剪藏扩展、微信小程序、Go SDK、面向 DeepSeek Harness 的只读插件。文档覆盖约 360 个 API 端点、150 个环境变量。 

七、哪里要留神

• Agent 的自动写入权限和浏览器操控是真实风险面。默认从只读起步，跑熟再放。
• 完整版依赖链不短：PostgreSQL、Redis、可选 Neo4j/MinIO/Langfuse。个人用直接 Lite。
• BrowserSkill 需要一台带 GUI 浏览器的机器常驻，服务器部署要另想办法。
• 360 个 API、150 个环境变量，学习曲线不平，要有读文档的心理准备。

八、适合谁

文档散落在飞书、Confluence、GitLab 多个平台，想在 IM 和 IDE 里直接用，又需要权限隔离和审计的团队——WeKnora 把拼图一次给齐。想要现成 Agent 基础设施（沙箱、技能、MCP、浏览器、检查点）而不想从零搭的技术团队——这套底座直接可用。 

只是本地问几份 PDF 的，Lite 版够了，别上完整版。

WeKnora 的价值不在检索做得多好，而在于它把知识库从 query endpoint 变成了可编程的基础设施。调用方式从一种变三种，这才是第三代的分水岭。