WeKnora

WeKnora：微信团队开源的企业知识底座，正在从“能问答”走向“能办事”

腾讯开源的项目不少，但 WeKnora 的出身比较特殊。它源自微信对话开放平台的核心技术框架，官网挂在 weknora.weixin.qq.com，Docker 镜像发布在 wechatopenai 命名空间下。换句话说，这不是腾讯 AI Lab 的实验性项目，而是经过真实生产验证的企业级产品，只是被开源了出来。

WeKnora（维娜拉）的名字可以拆成 We Know Ra，定位是一句话：把原始文档变成可查询的 RAG、自主推理的 Agent、自维护的 Wiki。这个“三合一”的设计，是它和其他开源 RAG 项目最本质的区别。

三合一：查知识、做任务、沉淀资产

大多数开源 RAG 项目只做一件事：文档入库、检索、生成回答。WeKnora 把知识工作的三个层次装进了同一个平台。

第一层是 RAG 快速问答。 面向“查东西”的轻量场景，文档解析后建立索引，用户提问时检索相关片段，大模型生成带引用标注的回答。这部分能力是基础，但 WeKnora 的检索策略比多数同类项目更精细——不是单一向量检索，而是 BM25 稀疏检索加稠密向量检索的混合方案，配合 RRF 融合和 Rerank 重排，口语化提问也能命中相关内容。

第二层是 ReAct Agent。 这不只是“检索+回答”，而是能自主编排多步任务。遇到“对比 Q2 与 Q3 营收数据，分析变化原因”这类需要综合多源信息的问题，Agent 会主动拆解：先检索知识库，再调用 MCP 工具查数据，必要时联网搜索，经过“思考—行动—观察”的循环后给出综合答案。v0.8.0 还加入了会话级沙箱，Agent 可以在隔离环境里执行代码、读写文件、跑数据分析，生成的图表和文档直接归集到对话里预览下载。

第三层是 Wiki 模式。 这是 WeKnora 在同类产品里独有的功能，Dify、RAGFlow、FastGPT 都没有。Agent 把原始文档蒸馏成互相链接的 Markdown 知识页面，自动建立关联，附带交互式知识图谱。知识页面支持手动编辑、版本对比和一键回滚。这个能力的价值在于，它把“文档维护”这件持续消耗人力的事，变成了 Agent 的日常动作。

工程实现：Go 后端和一个独立的文档解析服务

WeKnora 的技术栈在同类项目里比较特别。主后端用的是 Go（gin + GORM + asynq），而不是 RAG 领域更常见的 Python。文档解析被拆成了一个独立的 Python gRPC 微服务 docreader，专门负责文件格式转换、OCR 识别和图片提取。

这个拆分有实际意义。文档解析是 RAG 管线里最“脏”的环节——PDF 版式分析、扫描件 OCR、表格抽取、图片多模态描述，每个格式都有各自的坑。把它独立出来，意味着可以单独升级解析能力而不影响主服务的稳定性。docreader 目前支持 25 个以上的解析器，覆盖 PDF、Word、Excel、PPT、Markdown、HTML、EPUB、图片、音频等格式，XMind 也在 v0.8.0 里加入了支持。

存储层面，WeKnora 的默认选择是 ParadeDB——PostgreSQL 17 加上 BM25 扩展和 pgvector。这意味着开箱就有“关键词检索 + 向量检索”的混合能力，不需要单独部署向量库。同时它也支持 Elasticsearch、Milvus、Weaviate、Qdrant 等七种向量数据库作为替代或叠加方案。

文档摄入走异步任务队列，六个 worker 池分别处理核心流程、后处理、富化、维护、共享和 Wiki 生成。分块策略支持父子切分——先粗粒度定位章节，再细粒度提取内容，这是提升长文档 RAG 效果的关键技巧。

v0.8.0 的三个变化：记忆、沙箱、技能

WeKnora 的迭代节奏很快，v0.8.0 是最近一次比较重要的更新，端上来了三件大事。

跨会话长期记忆。 之前 WeKnora 的会话记忆只在当前窗口有效，窗口一关，模型就不知道用户偏好的输出格式，也不记得上周强调过的业务事实。v0.8.0 按用户维度把记忆分成五类：用户画像、操作偏好、客观事实、待办事项、长期兴趣。常驻的画像和偏好自动融入每轮回答，事实和待办按需召回，长期兴趣参与文档亲和度加权——系统能感知用户反复查阅的核心文献，在向量检索阶段给它们更高的个性化权重。

有一个设计细节值得注意：后台提取器可以从日常对话中自动推断记忆项，但推断出的内容默认进入“观察中”状态，必须由用户确认后才正式生效。这个“确认制”避免了 AI 自作主张记住错误信息的风险。长期记忆默认关闭，需要在空间设置里显式开启。

运行时沙箱。 Agent 执行代码这件事，之前 WeKnora 的处理方式比较粗糙——直接在主机的本地进程里跑。风险显而易见：文件误删、依赖污染、敏感数据外传。v0.8.0 把技能执行彻底搬进了会话级持久化沙箱，同一会话里的终端命令、文件读写和最终产物都在隔离工作区里共享，会话结束容器回收。后端支持 Docker（单机私有化最省事）、E2B（云端/自托管控制面）和 Cube Sandbox（远端控制面）三种运行时。

安全边界做了多层：容器内以非 Root 用户执行，阻断提权和路径逃逸；出网策略默认阻断外网，只允许域名白名单；CPU/内存限额和生命周期 TTL 按租户配置。

技能市场。 以前给 Agent 加一个业务技能，需要手写 SKILL.md、同步到服务器目录、重启应用、再给智能体勾选，全程人肉操作。v0.8.0 把技能升级为工作空间里的一等公民资产，进了租户级技能市场。来源包括 ClawHub、SkillHub、GitHub/GitLab 链接和本地 ZIP，安装过程有流式日志和版本快照。装好后管理员决定哪个 Agent 能访问哪些 Skill，能力从“每次临时发挥”变成“可审查、可复用、可分发的模块”。

技能的加载方式是按需的：模型先看技能名和简介，匹配到任务后才读取详细说明和文件，不占 token 也不干扰上下文。

IM 集成：一个容易被忽略的差异点

WeKnora 支持通过企业微信、飞书、钉钉、QQ、Slack、Telegram、Mattermost、微信等十个 IM 渠道直接提供问答服务。这个能力在开源 RAG 项目里很少见，但对于企业场景来说价值很大——员工不需要打开一个专门的 Web 页面来查知识库，在平时工作的 IM 工具里直接问就行。

数据源方面，它支持飞书 Wiki、飞书 Drive、GitLab、腾讯 IMA、Notion、语雀、钉钉文档和 RSS 的定时同步。团队的知识如果散落在这些平台里，可以自动汇聚到统一的 WeKnora 知识库中。

部署和选型

WeKnora 的部署方式比较全：Docker Compose 默认推荐，Kubernetes 用 Helm chart，裸机有 systemd units，macOS 有 Homebrew，还有桌面应用（Wails v2）和 WeKnora Cloud 托管版。

Lite 模式值得单独提一句。用 sqlite + 内嵌 sqlite-vec 替代 PostgreSQL 和 Redis，单二进制带内嵌前端，不需要额外部署数据库和队列服务。对于个人使用或小团队测试来说，这个模式的启动成本很低。

如果你需要的是深度文档理解加企业级知识库，WeKnora 和 RAGFlow 都在选项里。如果团队在用企微或飞书，需要 IM 渠道集成，WeKnora 是差异最明显的选择。如果需要 Wiki 模式做长期知识沉淀，目前开源项目里只有 WeKnora 提供了带版本控制的完整实现。

WeKnora 不是最轻的，也不是最偏算法研究的开源 RAG 项目。但它在“真正能落到企业里”这件事上，做得比多数同类项目更完整。从长记忆到沙箱到技能市场，v0.8.0 把它从“一个能运营的知识系统”推向了“一个带记忆、能执行、可扩展的 Agent 知识底座”。方向是清楚的，剩下的交给时间和版本稳定性来验证。