WeKnora 知识库快速上手：用 3 种方式回答 40 份 PDF

WeKnora 知识库快速上手：用 3 种方式回答 40 份 PDF

【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

周一的 40 份 PDF，一个午饭前的查源任务

周一早上 9 点 05，你被塞了一摞 40 份 PDF——产品手册、API 文档、故障排查笔记混在一起；领导要在午饭前知道「回家模式场景联动」到底配置在哪一份里。逐页翻不现实，关键词搜索只能给你一堆拼不起来的碎片。这类需求我一般交给 WeKnora 知识库处理：文件夹整个传上去，解析、分块、检索、带来源地回答，一条龙。

WeKnora 知识库是什么：三个能力速览

WeKnora 是一个开源的 LLM 知识平台，把原始文档变成可查询的 RAG、可自主推理的 Agent 和自维护的 Wiki。它把 PDF、Word、Excel 等十余种格式解析成向量索引和知识图谱，用 BM25、向量、图谱的混合检索加重排序来回答问题，能开 ReAct Agent 模式自主编排检索与工具调用，还能让 Agent 从原始文档自动生成相互链接的 Wiki 页面和知识图谱。

能力拆解：从检索到建库的三条核心路径

混合检索：一个问题如何被找到对的片段

它是什么：文档入库后，WeKnora 按固定流水线完成解析、分块、向量化和图谱构建；你提问时不走单一路径——先做查询改写，再用 BM25 关键词与向量语义两路同时召回，最后 Rerank 重排序，才交给大模型生成答案。

为什么有用：纯向量检索的坑是「语义相近但字面没命中」，关键词检索正好相反，两路互补；重排序环节再筛掉「看着像但不全对」的片段。回答时界面把过程一次摊开：查询理解在哪个文档上、知识库检索命中几条、来源文件叫什么，都写在答案上方。

一个关键细节：按官方架构描述，混合检索可叠加 GraphRAG 图谱增强与 pgvector HNSW 加速，重排序模型可替换，官方截图中的一次实际问答用的就是 bge-reranker-v2-m3。

ReAct Agent：替你思考的检索过程

它是什么：把对话从「快速回答」切到「智能推理」，系统会跑一个 ReAct 循环——自己拆解问题、依次调用知识库检索、网络搜索和 MCP 工具，边想边查，查够了才给答案。

为什么有用：有些问题一次检索命不中。比如问「售后 POC 的检索策略是什么」，得先查策略文档，再进具体章节确认有没有遗漏。这事 RAG 模式下要你手动做两三轮，Agent 模式里界面上实时回放：每一轮思考、每次工具调用、命中了几条片段、累计耗时，全部可见。官方截图里这次多步查询的记录是「思考 2 轮 · 调用 3 次工具 · 耗时 17s」，末尾答案既有策略总结，也有参数表格。

一个关键细节：Agent 支持 @Skill / @MCP 提及，按轮次限定它这一轮能用哪些工具；整条推理链路在 Langfuse 里可回放，排查「它当时为什么这么查」有据可依。

Wiki 模式与知识图谱：自己成型的知识库

它是什么：Agent 把原始文档再读一遍，自主生成一组相互链接的 Markdown Wiki 页面和可视化知识图谱；页面带版本历史，支持浏览器内手动编辑、行级 diff 和一键回滚。

为什么有用：RAG 能回答问题，但说不清「整个知识体系长什么样」。Wiki 模式补的就是这张地图：左侧目录树从「人力资源」一路下钻到「年假」，页面正文里链接互相跳转，页脚写明内容来自哪份源文档。点顶部「图谱」标签，就是知识图谱可视化界面——节点按摘要、实体、锚点、引用、对比分色，点开节点右侧直接展示对应页面，关系沿连线追踪。

一个关键细节：按官方截图，演示知识库生成了 49 个节点、49 条链接，图谱面板显示「已加载知识库全部节点」，万级文档入库依赖任务队列加独立 Worker 池支撑。

走一遍流程：从上传到出答案

按这条线走一遍，十分钟能通。克隆仓库、docker compose up -d启动后，打开 Web UI，第一眼是初始化向导：选模型厂商、Embedding 模型和向量存储，第一次全用默认值就行。然后新建知识库，把文件夹拖进去——PDF、Word、Markdown 都可以，弹出「上传文档解析」确认框，里面挑解析引擎、分块设置，要不要开图像处理和 AI 问题生成，点「确认上传并开始解析」。

解析完的文档在知识库里是带绿勾的卡片，左侧保留文件夹树，框选几篇可以批量重新解析、批量打标签、移动目录或重建知识。接着点「新对话」，底部输入框左侧的模式选「快速回答」或「智能推理」，把问题打进去。

快速回答模式下，答案上方会滚动出「已完成问题理解 → 检索到 N 个结果 → 完成」的过程，结尾标注来源文件名；智能推理模式过程更长，但每次工具调用都摊开给你看。问通第一个问题后，再问一个需要多步的难题，然后切到 Wiki 标签页，看 Agent 把这张知识地图一点点搭出来。

真实对照：部署前后差在哪

下面的数字全部来自官方截图与 README 的原始记录，耗时是截图实测值，没有做任何放大。

如果你的团队在意「检索效果到底怎么样」，仓库还带端到端测试模块，可以跑「检索 + 生成」全链路，输出召回命中率、BLEU / ROUGE 等指标，给后续调参一个基线。

快速上手：从克隆到第一次提问的 5 步

想知道怎么私有化部署一个 RAG，官方路径比想象中短。克隆仓库、备好配置、拉镜像启动，然后打开浏览器：

git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose pull docker compose up -d

启动后访问http://localhost，后端 API 在:8080。需要知识图谱（Neo4j）、对象存储（MinIO）或链路追踪（Langfuse）时，用docker compose --profile neo4j --profile minio up -d按需叠加组件。

延伸资源（都在仓库内）：

• 官方文档站 website-docs/：按入门、架构、功能、API、客户端、开发六大板块组织
• API 文档 与 常见问题排查
• 知识图谱配置说明
• MCP Server 配置
• 路线图 与 版本更新记录

写在最后

回到周一那个场景：40 份 PDF，午饭前，参数出处。有了跑起来的 WeKnora 知识库，这件事不再靠逐页翻——上传文件夹、等解析、拿到带来源的答案。建议今晚花十分钟docker compose up -d，传两份你最熟的文档，把第一个问题问出去。

【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