微信又开源了一个神级知识库项目！

各位小伙伴们大家好，我是 cxuan。

我昨天偶然看到微信发了个好东西，是个叫做 WeKnora 的开源项目。

这东西我研究了一圈，值得拿来仔细说说。

我第一眼看到的时候，感觉这个简介描述的不是很清晰，起码我是这样认为的。

于是我用一句话给大家总结下：这是一套围绕企业知识构建的 RAG + Agent 平台，它最大的特色是把文档加工、检索、Wiki、权限、IM 接入和 Agent 沙箱放在了同一套系统里。

这对于想要搭建企业团队知识库的同学来说，可以说完全命中用户偏好了。

这个 WeKnora 翻译过来叫做 维娜拉，很有诗意的一个名字。

截至 2026 年 9 月 16 日，最新版本是 v0.8.0；GitHub API 快照约为 24.4k Stars、3.4k Forks。主项目采用 MIT 许可证，但第三方组件仍需遵循各自协议。

代码里有完整的 Web 前端、Go 后端、Python 文档解析服务、命令行工具、MCP Server、浏览器插件、微信小程序、Docker Compose 和 Helm 部署文件。

不仅如此，WeKnora 还提供了许多版本，有官网介绍、还有微信对话开放平台、Chrome 插件版本、ClawHub Skill ，甚至连 dsh 插件都做了适配。。。

而且这个微信对话开放平台，之前没见过，现在看来是个新玩意啊！！！

这有两种工作台模式可选，是知识助理还是智能客服。

我选择了知识助理。然后进入了这样一个页面。

这看起来像是一个知识库 Agent 。

我大致理解这是啥东西了，这玩意说白了可以连接上你的微信，相当于一个 Claw 龙虾，然后你通过微信 Claw 转发的东西，会直接存在这里，这是一种渠道；

还有一种渠道是你安装 WeKnora chrome 插件之后，把网页上抓取保存的东西，也可以存在这，存的知识越来越多之后，就变成了一个知识库。

比如我把插件安装了一下。

在登录之后，选择网页笔记，然后在浏览器上选中任何文章或段落，都能一键保存至 WeKnora 知识库中。

保存成功之后，现在这段文字就直接出现在了知识库中。

除此之外，还可以连接微信，从微信分享的书籍或者资料也会存到知识库中。

这两种方式跟我上面预测的还挺一致。

我觉得这是微信 ClawBot 的最佳打开方式，现在我觉得聊天群里有谁分享了不错的资料，可以直接存到知识库里了，不用存在本地瞎折腾了。

除此之外，还有 ClawHub Skill 和 dsh 插件的方式。

这波也是紧跟 dsh 插件化的步伐了。

上面是基本用法，下面我们就来聊聊 WeKnora 本身了。

大家知道，当一份文档进入系统后，要先被解析，接着分块，再生成向量和关键词索引。在用户提问时，系统会先找出相关内容，重排结果，然后把可靠的原文交给大模型生成答案。

这个过程就是大家经常听到的 RAG。

RAG 是知识库类项目中最简单的一种形式，而在 RAG 之外，WeKnora 还有两个很重要的模式。

一个是 ReAct Agent。它可以自己决定什么时候查知识库、什么时候搜索网页、什么时候调用 MCP 工具，甚至什么时候进入沙箱执行命令。

另一个是 Wiki 模式。它能把一批原始资料整理成相互链接的 Markdown 页面，再生成一张可以浏览的知识图谱。

所以它其实包含了三层能力：

1. 用 RAG 快速回答问题；

2. 用 Agent 完成多步骤任务；

3. 把零散文档持续整理成可维护的 Wiki。

很多知识库项目的流程都差不多：上传文件、切片、向量化、开始对话。

文件传上去之后，里面到底被切成了哪些 chips ，哪些内容解析错了，后面怎么修改，这对用户来说是黑盒。

而 WeKnora 在这块做的不一样。

它会保留上传时的文件夹结构，可以像使用网盘一样浏览文档、移动目录、批量打标签和重新解析。

更关键的是，它允许直接编辑检索使用的分块。

比如一份合同被切错了，某一段表格和标题分离了，你不用重新制作整个文件，可以直接修正这个分块。修改之后系统会自动重建索引，还会保存每一版修改记录，支持 diff 和回滚。

Wiki 页面同样有版本历史。

当知识越来越多的时候，用户不必只靠搜索框找答案，也可以沿着 Wiki 页面和知识图谱去理解整个主题。

这也是我认为 WeKnora 最有价值的地方。

看到这里，你可能也会想到 Obsidian，因为提到知识库，最绕不开的就是 Obsidian 了。

他们两者都有相互链接的 Markdown 页面和知识图谱。但 Obsidian 的图谱主要展示用户笔记之间的链接，WeKnora 则是让 Agent 从原始资料里自动生成 Wiki，再把同一份知识交给 RAG 和 Agent 继续使用。

所以它更像是把 Obsidian 式的知识组织接进了企业 RAG 流水线。

WeKnora 的优势

我觉得 WeKnora 的第一个优势，是把 RAG、Agent 和知识维护捏合在一起了。

Agent 不只能搜到一段资料。它可以围绕资料继续工作：调用工具、分析数据、执行脚本、生成 Word、PDF 或其他文件，然后把产物重新交给用户。

项目更新至 v0.8.0 的时候，WeKnora 有了一块核心功能：会话级 Skill 沙箱。

管理员可以从 ClawHub、SkillHub、GitHub、GitLab 或 ZIP 文件安装 Skill。Agent 执行这些 Skill 时，会进入 Docker、E2B 或 Cube 沙箱，不需要直接在主服务所在的宿主机上乱跑。

沙箱里可以执行命令、读写文件、处理附件，还能把生成的文件收集到当前对话里。

第二个优势，是企业能力比较完整。

它有四级空间权限：Owner、Admin、Contributor 和 Viewer。不同知识库可以有不同的资源归属，API Key 也能限制到具体能力和具体知识库。同时还有审计日志、任务队列面板、模型并发控制和 Langfuse 链路追踪。

第三个优势，是国内常见的数据源和消息渠道接得比较多。

飞书知识库、飞书云盘、Notion、语雀、GitLab、腾讯 IMA、钉钉文档和 RSS 都可以成为数据源。整理好的知识又能通过企业微信、飞书、微信、钉钉、QQBot、Slack、Telegram 等渠道提供服务。

我估计大家看到这都有一个疑惑，那它和 Dify、RAGFlow、MaxKB 有什么区别？

简单对比一下：

这几款产品现在都有 RAG、Agent 和 MCP，功能列表差不多。

Dify 更像是怎么搭一个 AI 应用，RAGFlow 更像是怎么把复杂资料解析和检索，MaxKB 更像是怎么尽快交付一个能用的企业智能体。

WeKnora 侧重点是：一份知识库文档是怎么被整理、维护、授权、追踪，再交给不同的人和 Agent 使用的。

上手使用

官方提供了 Docker Compose，基础版本搭建比较简单，比如现在可以使用 v0.8.0 固定版本。

git clone --branch v0.8.0 --depth 1 https://github.com/Tencent/WeKnora.git
cd WeKnora

cp .env.example .env

docker compose pull
docker compose up -d

启动完成后，浏览器访问：

http://localhost

第一次登录先注册，注册完成后进入 WeKnora 主页。

现在我们只是本地搭起来这一套环境，没有新建知识库，还没有配智能体。

你可以在设置里配置对话、Embedding、Rerank、视觉和语音五类模型，再由知识库或智能体按需选用。

可以连接本地 Ollama，也可以填写 OpenAI 兼容服务的 base_url 和 api_key。

我觉得可以本地搭一个 Qwen 27B 或者 DeepSeek-V4 Flash 来接一下，还是不错的。不过我觉得它真正有价值的地方，还是在于企业场景，因为企业搭一个本地模型绰绰有余。

除此之外，你还可以自己配置各种引擎和服务。

第一次体验，我觉得大家可以按这个顺序来：

1. 注册账号并进入自己的工作空间；

2. 配置对话模型和 Embedding 模型；

3. 新建一个文档知识库；

4. 先上传几份自己非常熟悉的资料；

5. 等解析完成后，检查分块和引用；

6. 最后再打开 Agent、Wiki、GraphRAG 和沙箱。

需要哪一项，再通过 Compose Profile 加上就行：

# 知识图谱
docker compose --profile neo4j up -d

# MinIO 对象存储
docker compose --profile minio up -d

# Langfuse 链路追踪
docker compose --profile langfuse up -d

以上都可以交给 Agent 直接陪你配好了。

WeKnora 架构

WeKnora 的架构，核心可以拆成三层。

当然，你也可以按照官方的图例来理解，没太大差别。

第一层是知识入口。

用户可以从 Web 页面、网站 Widget、各种 IM、微信小程序、CLI、SDK 和 MCP 进入，不论入口是啥，最后访问的都是同一套知识和 Agent 能力。

第二层是核心服务。

Web 前端使用 Vue 3，前面由 NGINX 提供静态页面和 API 反向代理。

后端核心是 Go 主服务。它负责 REST API、用户和权限、知识库、混合检索、RAG 流水线、ReAct Agent、Wiki、消息渠道以及异步任务 Worker。

文档解析则主要交给 Python 编写的 DocReader。大文件通过 gRPC 流式传输，解析出来的文本和图片再交回 Go 服务做分块、Embedding、索引和后处理。新版也加入了进程内 anydoc，用来加快 Office 文档解析。

第三层是数据和外部能力。

默认部署使用 PostgreSQL 的 ParadeDB 发行版，同时承担业务数据库、BM25 关键词检索和 pgvector 向量检索。因此刚开始使用时，不需要再单独维护一套向量数据库。

Redis 负责异步任务、流式消息、限流和分布式模型并发控制。

如果数据规模和场景需要，检索层还可以换成 Elasticsearch、OpenSearch、Milvus、Qdrant、Weaviate、Doris 或腾讯云 VectorDB。对象存储也可以在本地、MinIO、S3、COS、OSS 等方案之间切换。

一次完整的文档入库，大概会经过下面这条链路：

这个架构最大的好处，是每一层都可以替换。

模型可以换，解析器可以换，向量库可以换，对象存储可以换，沙箱也可以换。

如果你只是想半小时搭一个简单的聊天机器人，MaxKB 可能更直接。

如果你想用画布编排各种 AI 应用，Dify 会更顺手。

如果你的第一要求是复杂 PDF 解析和 RAG 检索精度，RAGFlow 依然值得一起测试。

但如果你想做的是一套真正能长期运行的内部知识系统，而且还希望未来让 Agent 在这些知识上继续工作，WeKnora 非常值得你来用。

如果这篇文章你觉得还不错，谢谢你的三连，也希望可以转发给同样关注 AI / 科技 / 开发效率的朋友。我是 cxuan，我们下期再见。

微信又开源了一个神级知识库项目！

WeKnora 的优势

上手使用

WeKnora 架构

相关来源

相关推荐