WeKnora 开源RAG平台快速搭建自己的企业知识库【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 LLM 知识平台一句话概括它的定位把原始文档变成三样东西——可查询的 RAG、能自主推理的智能体以及自维护的 Wiki。它适合想在自己服务器上搭企业知识库或文档智能问答系统、又不愿让数据出内网的团队。多租户权限管理、20 模型提供商、8 种向量库后端、9 个 IM 渠道都是现成的。最快的部署方式四步跑起来 第一次部署知识库不用折腾环境整个项目就是一个 Docker Compose 栈。docker-compose.yml 把前端、Go 后端、docreader 解析服务、PostgreSQLParadeDB和 Redis 都打包好了拉起来就能用git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose up -d启动后浏览器进前端页面默认 80 端口后端在 8080注册第一个账号就可以传文档了。.env模板里注释很全首次运行其余保持默认即可。可选项都走 compose profile 开关不用改主配置docker compose --profile neo4j up -d # 知识图谱 docker compose --profile minio up -d # 对象存储 docker compose --profile langfuse up -d # 可观测监控想把向量库换成 Qdrant 或 Milvus 也行compose 里带了对应 profile把.env中的 RETRIEVE_DRIVER 指到对应驱动即可。它能帮你做什么三个典型场景 把一堆文档变成知识库。导入后系统自动完成解析、分块、建索引。PDF、Word、Excel、PPT、图片等 10 种格式都支持扫描件也能走 OCR。FAQ、文档、Wiki 三种库各有不同处理逻辑。解析层是独立服务 docreader/模块化设计新增格式只需加一个 parser。文档智能问答。问一句“WorkBuddy 怎么接入微信 ClawBot”它会先检索、再整理、给出带出处的结构化回答引用片段可以点开核对。智能体引擎基于 ReACT 架构会调用内置工具、MCP 工具和网络搜索做多步推理技能执行被关在沙箱里代码在 internal/agent/。知识图谱可视化探索。文档入库后会自动抽实体和关系搭出一张知识网络。点哪个节点就能看到它关联哪些实体跨文档追线索比翻文本直观得多。两个值得记住的技术亮点 ⚙️自适应三阶段分块。多数 RAG 系统按固定长度切块WeKnora 会先看文档结构再选策略auto 模式自己分析特征后挑选heading 模式在 #、##、### 边界切适合 Markdown 文档heuristic 模式认分页符、编号章节和多语言章节标记适合 PDF。默认 chunk_size 512、overlap 50。Vecta 2026 年基准测试里这套方式把端到端准确率提到了 69%。四层混合检索。一次查询先过 BM25 稀疏检索再走密集向量语义检索然后知识图谱做实体关系检索最后 LLM 重排序压一遍结果集层层收窄。整体架构也分层输入渠道Web/API/IM、核心引擎文档处理 RAG 智能体、存储后端、外部模型服务各管一段。多租户 RBAC、审计日志、OIDC 登录这些就不展开了仓库 docs 目录里有专门说明。知识库参数怎么调、数据源怎么接 ️分块策略按文档类型选技术文档用 heading 吃标题结构论文用 heuristic 按章节和页码切拿不准就 auto。检索参数在 config/config.yaml 里conversation: embedding_top_k: 30 rerank_top_k: 30 vector_threshold: 0.2 rerank_threshold: 0.3调法不复杂回答跑题把两个阈值往下降比如 0.2 调到 0.1嫌漏内容把 top_k 调大。Redis 缓存也是现成的同一文档的嵌入不重复算常用查询的检索结果和多轮对话状态都走缓存。数据源接入有四条路本地文件上传、URL 网页抓取、平台同步飞书、Notion、语雀、RSS 定期抓取。连接器在 internal/datasource/connector/插件化设计接新数据源实现一个 connector 就行。模型侧OpenAI、Claude、DeepSeek、通义千问、智谱、腾讯混元、Gemini、Ollama 本地等都支持可用 config/builtin_models.yaml 声明内置模型每个知识库单独指模型方便做 A/B 对比。怎么选、怎么避坑 ️选型上中小团队起步默认栈PostgreSQL Redis就够后面按需开 neo4j、minio。想控成本接 Ollama 本地模型各知识库独立切模型不花一分钱 API。多部门共用开空间租户RBAC生产环境建议把 DISABLE_REGISTRATION 设为 true关掉公开注册。避坑清单.env里的 SYSTEM_AES_KEY32 字节主密钥负责加密库里存的 API key 等敏感字段务必备份丢了加密字段就不可恢复。chunk_size 默认 512长文本内容可以适当调大避免关键句被拦腰切断。IM 群里要显示知识库图片存储端点得外网可达或者设 APP_EXTERNAL_URL 走后端代理否则图片打不开。先克隆仓库把服务拉起来当天就能导入第一批文档跑顺之后再动阈值和分块策略最后按需叠知识图谱与监控。项目更新很快多模态处理和实时协作已经排上路线隔段时间看看仓库更新就行。【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