企业官网建设流程全解析

WeKnora 完整教程：从零搭建 RAG 智能问答与知识库管理系统

【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora

WeKnora 是一个开源的 LLM 知识平台：把 PDF、Word、网页等原始文档变成可检索的 RAG 知识库，同时提供一个会自己规划检索步骤的 ReAct Agent 和一个自动维护的 Wiki。如果你手头有一堆内部文档、想找答案不用翻聊天记录和文件柜，这就是一个能自己部署的知识库问答系统。

🚀 五分钟跑起来

部署只依赖 Docker 和 Docker Compose，建议 4 核 8GB 起步（文档解析容器内含 LibreOffice，比较吃内存）。

git clone https://gitcode.com/GitHub_Trending/we/WeKnora && cd WeKnora cp .env.example .env # 按注释填数据库与密钥相关项 docker compose pull docker compose up -d

验证是否就绪：

curl http://localhost:8080/health # 返回 {"status":"ok"} 即后端就绪

然后浏览器打开http://localhost，首次访问进入注册页，注册完自动获得一个自己的工作空间，你就是该空间的 Owner。可选组件按需加 profile，比如docker compose --profile neo4j --profile minio up -d开启知识图谱与对象存储。

它能做什么：四个真实场景

提问，答案带出处

上传几份产品手册后问"退货流程是什么"，系统检索相关片段、交给大模型作答，回答里带引用角标，点一下跳回原文对应位置。这是最基础的 RAG 问答模式，默认由内置的"快速问答"Agent 完成。

会自己规划步骤的 ReAct Agent

遇到"对比这三份合同里的违约责任条款"这类多步问题，快速问答的单次检索就不够了。切到"智能推理"Agent，它会按"思考 → 检索 → 行动 → 观察"的循环自己决定查几轮、要不要联网、要不要调工具，打开 internal/agent/ 就能看到 ReAct 主循环的实现，具体工具（知识库检索、图查询、沙箱执行等）集中在 internal/agent/tools/。

让 Agent 替你写 Wiki

除了问答，WeKnora 的 Wiki 模式会把原始文档蒸馏成结构化、互相链接的 Markdown 知识库，带可视化知识图谱。页面支持在浏览器里直接编辑，每次修改留快照，可以按行看 diff、一键回滚——知识不再是一次性问答的副产品，而是持续沉淀的资产。

知识自己走进来

不想手动上传？接上飞书 Wiki / 飞书云盘、Notion、语雀或 RSS 后自动增量同步；文档解析本身支持 PDF、Word、Excel、PPT、EPUB、图片和音频等十余种格式，解析器按类型路由，代码在 docreader/parser/。问答出口也可以放在别人那里：企业微信、飞书、Slack、Telegram 等 10 个 IM 渠道，以及嵌到自家网站的挂件。

一张图看懂它为什么能跑通

整条链路分四层，每层都可以替换：

• 输入层：Web UI、REST API、CLI（weknora命令）、IM 机器人、MCP Server，同一套后端；
• 核心引擎：文档解析 → 分块（internal/infrastructure/chunker/ 里的分层标题/启发式分块策略）→ 嵌入 → 检索 → LLM 推理，检索与生成走同一条消息流水线；
• 存储层：默认 ParadeDB（PostgreSQL 17 + BM25/向量扩展）一个库同时管 BM25 和向量，也可换 Qdrant、Milvus、OpenSearch 等；Redis 管异步任务队列；
• 外部服务：20 余家 LLM 提供商、多路联网搜索、MCP 工具，模型能力统一收在 internal/models/ 下按 chat / embedding / rerank 分目录管理。

模块化意味着换向量库、换模型厂商、甚至整个搬到内网离线环境，都只动配置不动代码。

从上传文档到拿到答案

一条最常见的链路走三步：

1. 入库：文档进入解析队列（状态pending → processing → finalizing → completed），解析出的正文被分块，同时可触发实体关系抽取和预生成问题，嵌入向量与文本一起写入存储。
2. 检索：问题先经查询改写，再走混合检索——BM25 关键词 + 向量语义 +（开启时的）图谱召回，融合后可加 Rerank 重排，相关逻辑在 internal/application/service/ 的knowledgebase_search*系列文件中。
3. 生成：检索片段拼进提示词交给 LLM 流式作答，引用来源随回答一起返回，答案和出处一一对应。

整个过程是异步的：解析任务走 Redis 队列，管理端有任务队列面板可以看堆积、失败任务重跑，不用盯着日志。

谁在什么情况下用得上

• 企业知识管理员：员工离职、项目交接后知识散落在飞书和网盘里，把数据源接进来自动同步，新人入职直接提问，答案带原文引用。
• 客服团队：把产品文档灌进知识库，挂到企业微信或 Slack，常见问题自动答，答不出的转人工，FAQ 库单独管理高频问答。
• 开发者 / 集成方：需要给自家产品加"文档问答"但不想自建向量管线时，用带权限范围的 API Key 调 REST 接口，或装官方 MCP 包（29 个工具）让自己的 AI 助手直接查知识库。
• 技术团队：用 Lite 单二进制版本（SQLite 内嵌，无需 Docker）在笔记本上离线跑一套完整 RAG，做原型验证。

接下来往哪看

WeKnora 的完整文档在 website-docs/ 目录，覆盖约 360 个 API 端点和 150 个环境变量，可在本地用 VitePress 预览；排查问题先看 docs/QA.md，规划定制开发前读一遍 docs/开发指南.md。把docker compose up -d跑起来、上传第一份文档，是最快的上手方式。

【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora