WeKnora 完整教程5 分钟部署基于 RAG 的文档问答与智能检索系统【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 是一个开源的 LLM 知识平台你把 PDF、Word、网页、图片等原始文档丢给它它会解析、切块、向量化再配合大模型变成一套问得出、答得准、说得清出处的文档问答与智能检索系统。核心走的是 RAG检索增强生成路线——先检索再生成让大模型基于你的私有资料回答而不是凭记忆胡编。下面从一个实际痛点讲起你的团队知识为什么搜不到、拼不齐、用不上以及 WeKnora 怎么一步步解决。知识散落各处、搜索总是不准问题出在哪大多数团队都遇到过这类场景文档散落在网盘、邮件、聊天记录里新人想找一份报销流程要问三个人传统关键词搜索只认字面——搜退件率找不到写着退货比例的文档就算搜到了答案可能跨三份文档没人帮你把它们拼成一个完整回答。WeKnora 的思路是让机器先把文档读懂存好提问时再现场检索、现答。它能做四件事正好对应上面的痛点多模态文档解析不只是文本PDF、Word、Excel、PPT、网页、图片都能处理图片里的文字靠 OCR 一并提取相关解析器集中在 docreader/parser/ 目录知识图谱构建从文档里自动抽取实体—关系比如报销单—需要—审批让检索能顺着关系联想而不只是匹配字句混合检索BM25 关键词、向量语义、图谱关系、重排序四路结合相当于按字面找和按意思找同时进行再让裁判模型把最相关的排到前面多轮智能问答基于检索到的上下文调用大模型作答支持连续追问并标注每个结论出自哪份文档。WeKnora 部署教程三步完成首次部署环境要求Go 1.20、Python 3.8、Docker 与 Docker Compose预留至少 10GB 空间。第一步克隆仓库git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora第二步用 Docker Compose 拉起整套服务docker-compose up -d第三步初始化数据库并启动应用./scripts/migrate.sh make run首次配置约 5 分钟浏览器打开 http://localhost:8080进入 Web 界面并创建管理员账户在 config/config.yaml 或界面设置里配置大模型参数OpenAI 兼容接口或 Ollama 本地模型均可点击新建知识库上传第一批文档——此时解析、切块、向量化会在后台自动完成。到这里一套可用的文档问答系统就跑起来了。检索流水线内部拆解从上传到回答的三个阶段WeKnora 的完整工作流可以拆成三段阶段一数据准备与索引数据先经 internal/datasource/ 从各来源加载然后做三件事OCR 与文档解析docreader 服务、分块与摘要、知识图谱抽取。最后用嵌入模型OpenAI 兼容 API 或 Ollama把每个文本块变成向量连同元数据一起写入 internal/application/repository/ 管理的存储。阶段二查询与检索你的问题进来后不会直接去搜——先做查询改写补全指代、拆分意图再由 internal/searchutil/ 的融合逻辑执行混合检索BM25 负责精确词向量负责语义近邻图谱负责关系扩展最后经 internal/models/rerank/ 的重排模型把相关性最高的一批片段挑出来。阶段三生成与响应检索结果拼成上下文交给大模型internal/models/provider/ 支持 20 多家 LLM 提供商由智能体引擎在 internal/agent/act.go 处组织最终回答并把引用来源一并附上。顺带一提文档里的实体关系会被建成图谱并可视化上图是 Wiki 视图下的图谱页面你可以直观看到哪些概念和哪些文档挂上了钩这在排查检索质量问题时非常有用。架构总览输入、引擎、存储、外部服务四层输入层Web UI、REST API、IM 机器人飞书、钉钉、企业微信、Slack 等 6 类渠道、MCP 服务器、浏览器嵌入同一套能力多种入口核心引擎文档处理模块解析、分块、嵌入、图谱构建 RAG/智能体引擎查询理解、混合检索、ReACT 循环、响应生成智能体循环实现在 internal/agent/存储层PostgreSQL 存业务数据向量后端可选 5 种以上Neo4j 可选存图谱再加 Redis 与对象存储外部服务20 LLM 提供商、网络搜索、MCP 工具与各类数据源。分层的好处是各部分可单独替换比如只想换向量库或换一家大模型改配置即可不用动业务代码。WeKnora 知识库怎么建文档型、问答型与团队共享创建入口在 internal/handler/knowledgebase.go支持两类库文档型知识库上传任意格式文档自动完成解析—分块—向量化。你可以像下图这样浏览文档列表也能打开分块编辑器逐条核对切片质量问答型知识库直接维护结构化的问答对QA 对适合 FAQ 场景命中时答案更直接实现见 internal/handler/faq.go。团队共享知识库可以授权给工作空间内的成员跨人协作时各读各权共享逻辑在 internal/application/repository/kbshare.go。权限体系工作空间、角色、成员邀请的完整说明见 docs/RBAC说明.md。智能问答能做什么多轮对话、多库整合与来源标注把上面所有能力串起来最终呈现给用户的就是一个问答框但它背后有四层功夫上下文感知多轮对话中它刚才那个这类指代能正确理解记忆管理在 internal/agent/memory/多源整合一次提问可以同时检索多个知识库把分散在不同文档里的信息拼成完整答案引用标注回答会标明这句话出自哪份文档方便人工复核引用由 internal/agent/tools/citation-generator/ 生成多模态支持图片和其他富媒体内容也能参与问答internal/application/service/image_multimodal.go。四个落地场景以及接下来怎么走场景怎么用企业知识管理把制度、流程、技术文档集中入库员工用自然语言直接问智能客服基于 FAQ 与产品文档自动答复高频问题人工只兜底深度文档分析长文档解析 图谱抽取自动产出结构化的关键信息教育培训课程资料变问答支持个性化多轮辅导IM 渠道钉钉、飞书等可直接接入同一套问答能力说明见 docs/IM集成开发文档.mdAPI 接口文档在 docs/api/方便二次开发。回到开头WeKnora 把读懂文档、存下知识、答出结果这条链路完整封装了。如果你正在为文档搜不准、知识拼不齐头疼按本文的部署三步走跑一遍再花十分钟建一个知识库就能亲眼看到效果——更多进阶细节切片策略、向量库选型、MCP 集成等可以在 docs/ 目录里按图索骥。【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
