这里是码蜂AI智能体开源共享社区，点击上方【关注】，一起学习进步！

腾讯开源了一个知识库系统，名字是WeKnora。

值得关注的是，这款系统在核心设计思路上，与 IMA 知识库存在必定类似性，至少说明这类基于 RAG 的智能知识库正在变得越来越热门。

• 选 WeKnora：若需处理复杂文档、私有化部署或行业垂直场景（如法律、医疗），其开源性和深度解析能力更具优势。
• 选 IMA：若侧重个人 / 团队知识管理、云端、微信生态协同及轻量级创作，IMA 的易用性和云端服务更贴合需求。

WeKnora 是什么？

简单来说，WeKnora 是一个基于 RAG（检索增强生成）架构的智能知识库框架。专为企业级复杂文档场景设计的开源智能知识库框架。 它会先对文档进行语义检索，找到和问题最相关的上下文，再交由大语言模型生成答案。这样回答内容更准确、更可追溯，也避免了胡编乱造。

目前在 GitHub 上，WeKnora 的 star 已经超过 6.1k。

WeKnora项目地址：
https://github.com/Tencent/WeKnora

WeKnora 采用了模块化设计，构建了一条完整的“文档理解 + 检索 + 大模型推理”流水线。主要包括：

文档解析：支持上传常见的文本和 PDF。

向量化处理：把文档内容转化为向量，便于语义检索。

检索引擎：快速找到与提问最相关的片段。

大模型推理：调用本地或远程大模型生成答案。

适用场景：

功能模块：

要是把企业里的文档堆比作 “乱成一锅粥的储物柜”—— 既有藏着表格公式的技术手册，又有混着图片的合同模板，还有存了三年的旧报告，那WeKnora就是个自带 “整理术 + 读心术” 的智能管家，专治各种 “找文档抓狂、问问题没谱” 的毛病。

FAQ常见问题

1. 需要 GPU 吗？ 答：推理阶段可选。用本地 Ollama + Qwen-7B，4 核 CPU 也能跑；追求速度可加一张 8 GB 显存的显卡。
2. 数据会不会泄露？ 答：完全离线部署时，数据只在内网硬盘。Docker 镜像可拉取后断网运行。
3. 支持中文合同里的表格吗？ 答：支持。表格会被解析成 Markdown 格式，再向量化检索，问答时能准确到“表 2-1 第三行”。
4. 可以集成到公司现有系统吗？ 答：提供 RESTful API，任何语言都可调用。返回 JSON 含答案、置信度、原文片段与页码。
5. 如何更新知识库？ 答：Web 界面支持“增量上传”。同名文件会覆盖旧版本，向量库自动更新。
6. 是否支持权限管理？ 答：开源版提供最基础的登录验证；企业版可对接 LDAP、OAuth2。
7. 检索命中率低怎么办？ 答：先在“链路追踪”里查看召回片段，如果相关度低，可调 BM25 权重或换 embedding 模型。
8. 可以只搜索标题不搜索正文吗？ 答：可以。检索策略支持“标题加权”，在配置文件里把 title_weight 调高即可。
9. Docker 镜像多大？ 答：完整镜像约 6 GB，含 Ollama+模型；如果自行托管模型，可缩减到 1.2 GB。
10. 许可证允许商用吗？ 答：MIT 许可证，可商用，只需保留原始版权声明。

本地部署教程和测试流程

1 本地部署

本地部署的环境要求：Docker、Docker Compose、Git

安装步骤如下：

1、克隆代码仓库

克隆主仓库

git clone https://github.com/Tencent/WeKnora.git

cd WeKnora

2、配置环境变量

复制示例配置文件

cp .env.example .env

编辑 .env，填入对应配置信息# 所有变量说明详见 .env.example 注释

3、启动服务

启动全部服务（含 Ollama 与后端容器）

./scripts/start_all.sh

或

make start-all

4、停止服务

./scripts/start_all.sh –stop

或

make stop-all

启动成功是这样子的：

成功后，访问地址：http://localhost，可以看到初始化配置页面。

2 系统初始化配置

首次访问localhost会自动跳转到初始化配置页面，配置完成后会自动跳转到知识库页面。

请按照页面提示信息完成模型的配置。

不过这里有个小重点：WeKnora 特 “接地气”，能认你电脑本地装的 Ollama 模型。咱先 “自查” 一下，看看自己电脑里到底有没有

再打开 http://localhost 这个地址，一眼就能瞅见 Ollama 的服务状态：亮着 “正常” 的绿灯，说明它在好好干活儿。

已经检测到了我本地安装的deepseek-r1:1.5b和nomic-embed-text:latest模型。

如果你使用本地模型，就把这两个模型添加到LLM大语言模型和Embedding嵌入模型配置中。

当然了，如果我们想要远程的模型也是可以的。

这里我就都改成硅基流动上面的DeepSeek最新的V3.1模型。

硅基流动API的URL地址：
https://api.siliconflow.cn/v1

这个模型名称必须是要和硅基流动广场中的模型名称一模一样。

向量模型也改成硅基流动的BAAI/bge-m3模型。

Rerank重新排序模型选择了BAAI/bge-reranker-v2-m3，都可以根据自己实际情况进行更改。

多模态选择了千问的
Qwen/Qwen2.5-VL-72B-Instruct。

需要上传一张本地的图片进行测试，可以看到图片被正常识别出来了。

只上传单张图片：

最后就是文档分割配置，分割策略可以选择均衡模式、精准模式、上下文模式、自定义。

只有在自定义模型下，才可以手动设置参数，分块大小、分块重叠及分隔符设置。

这样我们就完成了配置，后续也可以在设置中进行更改。

3 使用知识库

配置完成后就可以使用知识库了。

3.1 测试PDF文档

先上传一个PDF文件，清华大学那个DeepSeek使用的文档。

点击文档可以看到右侧显示分段的详情信息。

然后就是我们熟悉的向知识库提问环节。

这个问题DeepSeek适合做什么任务是结合了PDF中好几页的内容。

系统能从文档的多个部分整合答案，并在结果中显示引用来源。

在测试一个，我又上传了《浙江大学：DeepSeek行业应用案例集》的PDF文件测试：

问个无关的问题，目前正火的预置菜问题，可以看到如果知识库没有此内容，回复是无法回答。

WeKnora 目前还有一些限制，列如：

暂时只支持单文件上传；

不能同时管理多个知识库；

总结下：WeKnora 就是帮用户解决 “文档乱、找得慢、用得慌” 的痛点 —— 不用再对着一堆文件抓狂，不用再怕问问题没依据，不用担心里敏感数据泄密，像个靠谱的 “文档小助手”，把复杂的知识捋顺了，让你用着省心又省事。