WeKnora 本地部署教程30 分钟搭出一个私有 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想在自家机器上跑一个能回答内部文档问题的私有问答系统WeKnora 可以做到它是开源的 LLM 知识平台把原始文档变成可检索的 RAG 问答、自主推理 Agent 和自动维护的 Wiki数据全程留在本地。本教程以标准版为主线、Lite 版标注差异全程约 30 分钟标准版首次拉镜像另计 10–20 分钟取决于网络完成后你得到一台可提问的本地知识库实例。动手前先定方案两条部署路线的差别决定后续步骤和硬件预算先看表再选对比维度标准版Docker ComposeLite 单二进制外部依赖Docker Compose多容器栈零外部服务单二进制 一个 SQLite 文件账号与协作多空间注册登录RBAC 权限单空间开箱即用文档解析多种解析引擎可选内置 Simple 解析引擎硬件基线4 核 8GB 起步同机可跑4 核 8GB 更从容适用场景团队共享知识库团队场景推荐个人本机试用、隐私优先个人场景推荐一句话多人协作选标准版个人试用选 Lite 版。两条路线都建议搭配 Ollama本地大模型运行器做完全离线的推理已有云端模型 API 的Lite 用OPENAI_BASE_URL指向它标准版在.env里填对应地址与密钥即可。主线步骤步骤 1获取源码目标把项目文件放到本地磁盘。克隆仓库并进入目录git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora步骤 2生成配置文件并填密钥目标拿到一份专属配置文件并把两处留空的安全密钥换成自己的值。若走标准版路线执行cp .env.example .env若走 Lite 路线执行cp .env.lite.example .env.lite。然后生成两个密钥填入openssl rand -hex 32 openssl rand -hex 16前一个填JWT_SECRET后一个填SYSTEM_AES_KEY标准版要求 32 字节。SYSTEM_AES_KEY要存档保存丢失后旧凭据无法解密。若走 Lite 路线确认OLLAMA_BASE_URL保持http://127.0.0.1:11434若走标准版路线容器内地址是http://host.docker.internal:11434两者都是默认值Ollama 端口不是 11434 时才需要改。步骤 3准备模型服务目标确保对话模型和向量化模型都可用。完全本地化时安装并启动 Ollama拉取一个对话模型7B–8B 规格任选和一个用于文档向量化的 embedding 模型ollama serve ollama pull qwen2.5:7b ollama pull nomic-embed-text已有 OpenAI 兼容云端模型 API 的跳过本步在配置文件里填服务地址和密钥即可。步骤 4启动服务目标让全部组件进入运行状态。若走标准版路线依次执行docker compose pull docker compose up -d预期结果docker compose ps中 frontend、app、docreader、postgres、redis 全部 healthy/running首次拉镜像 10–20 分钟。若走 Lite 路线执行make run-lite它先构建前端再构建 Go 二进制首次约 5–10 分钟需要本机装好 Go 1.26 与 Node。步骤 5首次进入并初始化模型目标完成账号与模型接通进入可提问状态。浏览器打开http://localhost标准版后端 API 在http://localhost:8080。若走标准版路线会落在注册页先创建第一个账号若走 Lite 路线页面直接可用单空间免注册。在初始化向导或设置页的模型配置里填 LLM 与 Embedding 的地址和模型名各做一次连通性测试预期结果两项都返回成功。跑通自检四项全过再开始导资料检查项通过标准不通过时去哪查Web 页面打开http://localhost出现注册/登录页标准版 5 个容器均为 runningdocker compose ps、docker compose logs -f app模型连通设置页 LLM 与 Embedding 测试均返回成功确认 Ollama 在跑容器内地址是否用了host.docker.internal文档上传建文档知识库传一份 PDF几秒内从处理中变为完成文档详情页的解析追踪时间线看卡在哪一阶段问答带引用问文档内的事实性问题回答末尾有原文引用段知识库的检索配置与文档索引状态跑通后立刻能做的 3 件事把散落文档变成可搜索的库。新建文档知识库后直接拖入制度文档与技术手册原目录结构会保留成侧栏的文件夹树支持框选多选和批量打标签检索时向量与关键词并行召回返回带出处的原文片段。追问一个答案的出处。在知识库问答模式下提一个事实性问题模型先检索相关段落再组织回答你可以逐段回溯到原文分块对高频问题把答案单独固定进 FAQ 类知识库以后直接命中。修正一个错误的检索块。进入文档详情页的分块编辑改掉错误分块并保存索引自动重建下一次检索立刻生效界面保留版本历史支持 diff 对比和一键回滚。排障速查 扩容参数症状最常见原因一句话处理Web 页面打不开端口被占或容器未就绪查.env中FRONTEND_PORT用docker compose logs -f app看报错模型测试失败Ollama 未启动或地址写错标准版容器内用host.docker.internal:11434Lite 用127.0.0.1:11434上传后停在处理中Embedding 模型没配好或解析任务挂住核对向量模型配置追踪时间线里挂死可直接中止解析图片显示无效链接存储后端对外不可达Lite 默认本地存储不会遇到标准版用 MinIO 时配一个可达地址刚保存的配置消失登录账号与空间归属不一致切回自己创建的空间再操作更多按现象定位的问题见 website-docs/01-getting-started/05-troubleshooting.md。数据量上来之后文档量上来后按顺序调这四个参数BATCH_EMBED_SIZE设 64批量入库时一次请求向量化 64 条明显减少与 Ollama 的往返次数。DOCREADER_GRPC_MAX_WORKERS设 CPU 核数默认 4文档解析是 CPU 密集型任务并行度直接缩短排队时间。CONCURRENCY_POOL_SIZE控制在 3–8标准版默认 5并发太高挤占内存拖慢在线问答太低拖慢入库。Ollama 模型参数num_ctx按模型上限调大上下文足够时检索片段不被截断长文档问答质量更稳。用 8B 级本地模型时记住权衡要单条回答质量就加大num_ctx要整体吞吐就压低并发、分批入库两者不能同时要满。下一步建议先导入 10–20 份最高频的文档用 5 个真实问题校准检索与回答质量确认满意后再考虑给标准版加--profile minio、--profile langfuse等可选服务。仓库内相关资料docs/LITE.mdLite 与标准版逐条差异选型摇摆时看这篇website-docs/01-getting-started/04-configuration.md环境变量与配置项完整清单client/example.goGo 客户端示例写上传与检索脚本直接照抄结构【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
