WeKnora 开源 RAG 智能问答知识库如何快速跑起来完整实战指南【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/WeKnoraWeKnora 是一个开源的 RAG 智能问答平台把原始文档丢进去就能得到可查询的知识库、自主推理的 Agent以及一套自维护的 Wiki。如果你的团队文档散落各处、FAQ 和最新版本对不上、找人问答案比搜文档还慢它一次部署就能解决。本文先用 5 分钟把它跑起来再讲清楚背后的设计以及真正值得调的几个参数。能力全景它都能帮你做什么能力它能帮你做什么RAG 快速问答提问后自动检索知识库并给出带引用的回答点引用直达原文ReAct 智能代理自主编排知识检索、MCP 工具与网络搜索完成多步骤任务Wiki 模式Agent 把文档蒸馏成互链 Markdown 知识页支持浏览、编辑与一键回滚多格式文档解析PDF、Word、Excel、PPT、图片等 10 格式扫描件走 OCR四层混合检索BM25、向量、知识图谱并行召回再用 rerank 精排多渠道接入Web UI、API、CLI、浏览器扩展外加企微/飞书/Slack 等 9 种 IM 渠道用 Docker Compose 从零跑起来 前置只需要 Docker 和 Docker Compose两条命令启动核心服务栈前端、后端、PostgreSQL、Redis、docreader 解析服务git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose pull docker compose up -d启动后Web UIhttp://localhost注册账号后进入初始化向导后端 APIhttp://localhost:8080初始化向导里选择 LLM 提供商OpenAI、DeepSeek、通义千问、Ollama 等 20 家配置嵌入模型即可上传文档可选服务通过 Compose profiles 按需开启可任意组合--profile neo4j知识图谱--profile minio对象存储--profile langfuse全链路追踪--profile full以上全部关键配置集中在 config.yaml检索阈值、分块参数、无匹配时的兜底回复都在这里。想用本地 Ollama 模型的话先后台跑ollama serve再启动即可。它是怎么工作的 1. 自适应三阶段分块问题按固定长度硬切会切散标题和上下文检索时拿到的片段没有出处。方案先跑一个文档画像统计 Markdown 标题、分页符、章节编号等结构信号auto模式从 heading / heuristic / recursive 三层里挑最合适的一档heading 模式还会把面包屑标题拼进向量输入。效果Vecta 2026 年 2 月基准下该基线端到端准确率 69%结构化文档的块数还能少 30%~50%。2. 四层混合检索问题纯关键词检索听不懂同义词纯向量检索又常匹配不上型号、错误码这类精确词。方案BM25 稀疏、密集向量、GraphRAG 三路并行召回最后用 rerank 模型精排。关键参数在 config.yaml 里conversation: embedding_top_k: 30 # 向量召回数量 vector_threshold: 0.2 # 相似度阈值 rerank_threshold: 0.3 # 重排阈值效果同义类问题靠向量兜住召回关键词类问题靠 BM25 保证精确命中阈值和 top_k 都能按场景调。3. ReAct 代理引擎问题单次 RAG 回答不了先查库、再比对、最后上网核实这类任务。方案internal/agent/ 里的引擎按推理—行动循环逐步执行自主调用知识检索、MCP 工具和网络搜索技能执行放在沙箱里隔离。效果多步任务的工具调用过程在界面上逐步可见并可通过 Langfuse 做全链路追踪。真实场景怎么用 场景一上传文档直接提问把一份产品手册 PDF 拖进知识库 → 系统完成解析、分块、向量化解析、分块等阶段进度在聊天里逐步可见→ 输入故障排查章节里错误码 E23 是什么意思得到带引用的结构化回答点引用跳回原文段落。全程不用手工整理索引。场景二把一堆文档变成可浏览的 Wiki新建 Wiki 类型知识库让 Agent 跑一轮 → 原始文档被蒸馏成互链的 Markdown 知识页同时生成知识图谱 → 在图谱里交互式探索实体之间的关系发现某页内容有问题时直接在浏览器里编辑修订历史支持行级 diff 和一键回滚。场景三挂进企业 IM后台填入企微或飞书凭证 → 群里 机器人提问 → 回答直接来自知识库9 种 IM 渠道都支持文件消息员工不用打开 Web 界面也能查文档。让它更好用调优要点 ⚙️分块策略按文档类型选——技术文档用heading带章节的 PDF 用heuristic混合内容保持auto。chunk_size对 FAQ 类建议 200–400叙事型文档 1000–2000。注意切换策略不会自动重建索引需要触发重新解析完整参数说明见 docs/CHUNKING.md。检索参数精确度优先就调低vector_threshold/rerank_threshold召回不足就调大embedding_top_k。建议从默认的 30 / 0.2 / 0.3 出发用自己的高频问题实测再动。分块微调某个检索块内容割裂时不用重新解析整份文档直接在界面编辑该块系统会自动重建索引且支持按版本 diff 和回滚。行动清单用 Docker Compose 部署核心栈注册账号并在初始化向导配好 LLM 与嵌入模型上传 3–5 份真实文档在知识库里抽查分块质量策略保持auto用 5–10 个高频真实问题压测问答按命中率微调检索阈值需要知识图谱时执行docker compose --profile neo4j up -d重拉一次接入企微或飞书渠道把文档问答放进团队日常沟通一次部署散落的文档就变成可查询、会推理、持续更新的知识资产。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考