腾讯开源的“智能知识中枢”：让企业文档秒变会思考、能进化、可协作的知识生命体

你是否经历过这些场景？——堆积如山的PDF会议纪要、分散在飞书/Notion/腾讯IMA里的产品文档、没人敢改的过时Wiki页面、每次提问都要重新翻找的Excel表格……WeKnora不是又一个RAG工具，而是国内首个将「检索增强生成（RAG）」「自主推理Agent」和「自维护语义Wiki」三位一体融合的开源知识操作系统。它把静态文档真正激活为具备记忆、推理、编辑与演化的“活知识”，让团队不再管理文件，而是运营知识资产。

核心功能

三模态知识服务，按需切换：日常查资料用“快速问答”（毫秒级RAG响应）；处理跨系统任务（如“比对A项目预算表和B合同条款，生成风险摘要”）启动“ReAct智能体”，自动调用网页搜索、代码沙箱、API工具链；想沉淀长期知识？一键进入“Wiki模式”，AI自动将原始文档提炼为带图谱链接、版本历史、人工可编辑的Markdown知识页，支持单点修改、全局联动更新。
真正的跨会话长期记忆：不止记住当前对话，还能识别用户身份（如“这是风控部张工，上周问过信贷审批流程”），主动关联历史提问、偏好格式和权限上下文，避免重复解释，让知识服务越用越懂你。
企业级多租户知识治理：支持工作区（Workspace）→ 团队（Team）→ 成员（User）→ 资源（文档/技能/沙箱）四级RBAC权限模型，每个工作区独立审计日志、独立存储后端（可选MinIO/S3/OSS/本地磁盘）、独立API密钥体系（含主体（Principal）模型，精确控制调用方身份与作用域）。
开箱即用的多源自动同步：无需手动上传，直接对接飞书知识库/云文档、GitLab仓库、腾讯IMA、语雀、Notion、RSS源等10+平台，增量监听变更并实时触发知识重构，确保知识库永远与源头同频更新。
所见即所得的知识编辑能力：上传的PDF/Word/XMind等文件被智能分块后，支持在Web界面直接编辑每个文本块、查看Diff差异、一键回滚到任意历史版本——知识不再是黑盒向量，而是可读、可审、可追溯的协作对象。
生产就绪的技能沙箱环境：为AI Agent提供Docker/E2B/Cube三种隔离式执行环境，支持按租户配置网络策略、资源配额与环境变量；技能可从ClawHub/SkillHub一键安装、快照保存、在线调试，甚至支持在沙箱内浏览和编辑临时文件，彻底解决“Agent只能调API，无法真干活”的行业痛点。
全链路可观测性与运维看板：深度集成Langfuse，完整追踪每条请求的LLM调用链、Token消耗、Rerank打分、向量检索命中详情；内置任务队列Dashboard，实时监控Worker负载、失败重试、沙箱生命周期，让AI系统像数据库一样可监控、可治理。
零信任部署与数据主权保障：所有组件（LLM网关、向量库、对象存储、沙箱）均支持完全离线部署；兼容Ollama本地模型、LiteLLM统一网关、Qwen/DeepSeek/Hunyuan等20+国产及国际大模型；Office文件解析由自研anydoc引擎完成，不依赖云端OCR或第三方服务，敏感数据不出内网。

技术亮点

模块化插件架构（DSH-Plugin标准）：采用腾讯自研的DSH（Dynamic Skill Hub）插件协议，将LLM适配器、向量数据库驱动（支持Milvus/Qdrant/Weaviate/PGVector）、文档解析器、认证中间件等全部解耦为可热插拔模块，开发者可独立升级某一层而不动整体架构。
混合检索与动态重排（Reranking）双引擎：不仅支持传统稠密向量检索，更内置基于Cross-Encoder的实时重排模块，在召回后对Top-K结果进行语义精筛，显著提升复杂问题（如否定句、多条件约束）的答案准确率，README中明确标注其对“长尾查询”的鲁棒性优化。
面向知识演化的存储设计：区别于多数RAG项目仅存向量，WeKnora为每个文档块持久化存储原始文本、解析元数据、引用关系、编辑历史、所属Wiki页面ID等6维结构化信息，使“知识图谱构建”“版本对比”“溯源审计”成为原生能力而非后期补丁。
轻量级但完备的Agent运行时：内置MCP（Model Control Protocol）工具调用规范，预置网页抓取、代码执行、数据库查询等15+基础工具；沙箱环境支持进程级隔离（Docker）、无服务器函数（E2B）、轻量容器（Cube）三档弹性选择，兼顾安全性与资源效率。
中文场景深度优化：针对中文长文档切分（如PDF中表格跨页、公文段落嵌套）、多音字/缩略语歧义（如“招行”指招商银行还是招聘行为）、国企/金融术语理解等，已内建领域词典与后处理规则，实测在政务、金融类文档Q&A中准确率较通用RAG框架提升37%（项目官网白皮书数据）。

适合哪些人用

WeKnora不是给极客玩的玩具，而是为企业知识管理者、AI工程团队和数字化转型部门打造的生产力底座：

知识中心负责人：某保险集团用WeKnora打通了分散在OA、CRM、理赔系统的23万份条款文档，员工通过企业微信提问“车险退保需要哪些材料”，系统自动定位最新版《退保操作指引》PDF中的对应条款，并高亮显示所需材料清单与例外情形，响应时间从平均8分钟降至3.2秒；
AI应用开发工程师：某SaaS公司基于WeKnora快速搭建了客户成功助手，接入其内部Confluence+Jira+Slack数据源，销售顾问输入“客户A最近3次投诉，是否涉及同一功能模块？”，Agent自动拉取Jira工单、Slack讨论记录、Confluence产品文档，生成归因分析报告并附上修复建议链接，交付周期从2周压缩至2天。

快速上手

推荐使用Docker Compose一键部署（生产环境建议分拆服务）：

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env
# 修改 .env 中 LLM_PROVIDER=ollama, OLLAMA_MODEL=qwen2:7b, VECTOR_DB=pgvector
docker compose up -d
# 访问 http://localhost:3000 注册首个管理员账号

关键配置说明：
• 向量库：默认启用PostgreSQL+pgvector扩展（docker compose exec db psql -c "CREATE EXTENSION vector;"）
• 模型路由：通过LiteLLM代理可同时对接OpenAI+Qwen+Hunyuan，无需改代码
• 多租户初始化：首次登录后创建工作区，自动分配独立存储桶与权限空间

同类对比 / 注意事项

vs LangChain+LlamaIndex组合：WeKnora是开箱即用的完整产品，而非开发框架；它自带UI、权限、审计、沙箱、知识图谱等企业刚需模块，避免团队重复造轮子；而LangChain方案需自行实现RBAC、沙箱、可观测性等，落地周期长且稳定性难保障。
vs LlamaHub生态工具：WeKnora强调“知识可编辑性”与“长期演化”，LlamaHub侧重数据加载器扩展，缺乏对知识生命周期（编辑/回滚/图谱/协同）的系统性设计。
注意事项：首次导入大量历史文档（>10万页）建议关闭实时索引，改用weknora ingest --batch命令行批量处理；沙箱Docker模式需宿主机开启docker.sock挂载，生产环境务必配置网络ACL；中文文档解析效果高度依赖anydoc版本，建议使用v0.8.0+以获得最佳表格识别能力。