WeKnora 快速上手指南把散落文档变成能问答的 RAG 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/WeKnora公司文档散落在几十个地方要用时翻不到翻到了还得逐页找答案。WeKnora 是一个开源的 LLM 知识平台把你的文档变成可查询的 RAG 知识库再搭一个能替你答问的推理 Agent。3 分钟跑起 WeKnora如何用 Docker 部署知识库前置条件只有一个装好 Docker。克隆仓库后一条命令就能把核心服务全部拉起来git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora docker compose up -d启动完成后浏览器打开 http://localhost 就进入了 Web UI可以直接开始上传文档。知识图谱、对象存储、链路追踪这些可选组件用--profile按需逐个开启具体组合方式见 README_CN.md。整个架构分成四层。入口层接 Web UI、API、IM 机器人10 个通道、MCP 服务器和浏览器插件核心引擎是文档处理与 RAG/Agent 引擎两块存储层用 PostgreSQL、5 种向量数据库、对象存储加 Redis外部服务层则挂接 20 多家模型厂商和网络搜索。每一块都可以独立替换。 一篇文档如何一步步变成答案WeKnora RAG 处理流程图讲解完整链路可以拆成三步先建索引、再检索、最后生成。入库文档从各种数据源进来后先过解析引擎含 OCR 和图片描述再被切成带摘要的小块可选地顺带构建知识图谱最后每小块由 Embedding 模型转成向量写进向量存储。解析这件事由独立的 docreader/ 服务完成。检索你的问题会先被改写并结合历史对话上下文然后同时用 BM25 关键词、向量和知识图谱去查——也就是混合检索——最后再经一轮重排筛出最相关的小块。生成把这些材料交给大模型产出带引用的完整答案。知识库管理如何组织文档型与问答型知识知识库页面是管理资产的起点。在快速操作区域点一下新建就能开一个空库。列表页会给你每个库的名称、描述、类型文档还是问答、条目数量和最后更新时间一眼看出现状。文档型知识库放 PDF、Word 这类原始资料问答型知识库放直接录入的问答对。建好之后还能继续整理文档可以按文件夹树归档检索小块能在界面里直接编辑并保留版本历史供回滚。 智能问答实操怎么问、怎么答、如何图文并茂展示用法很简单输入问题回车。系统会先把检索整条流水线跑完并在对话里实时展示进度比如检索完成、引用了 1 篇文档再基于这些材料给出答案每条结论都能点开看原始出处。答案也不只是干巴巴的几段文字。WeKnora 支持图文并茂比如你问春节的饮食习俗它会列出各地传统食物并配上对应图片让你一眼看懂地域差异。下一步克隆 WeKnora 仓库开始搭建你的知识库还没部署的话用开头的这条命令把仓库拉到本地即可git clone https://gitcode.com/GitHub_Trending/we/WeKnora。想深入了解模型厂商、向量存储、权限等配置先到 docs/ 目录翻一遍官方文档仓库根目录的 README_CN.md 汇总了完整功能清单适合当索引用。【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
