WeKnora：腾讯开源知识库平台，三模式 RAG + Agent + Wiki，Go + pgvector 自托管

Tencent/WeKnora，MIT，Go，29,953 stars，4,025 forks。腾讯微信团队 2025 年 7 月开源的 LLM 知识库平台——把原始文档变成可查询的 RAG、自主执行的推理 Agent 和自维护的 Wiki，三个模式选其一，也可以同时开。

GitHub：github.com/Tencent/WeKnora

---

三个工作模式

模式一：RAG 语义问答

文档进来 → 解析 → 切块 → 向量化 → 存 pgvector → 检索时做 reranking → 拼进 LLM prompt 回答。是最常见的企业知识库用法，直接问文档里的内容。

模式二：ReAct 自主 Agent

Agent 不只是检索——它自主决策：要不要查知识库、要不要调外部工具、要不要开沙盒执行代码。每一步推理和工具调用都被 Langfuse 追踪，可以在可观测面板里看到：推理链、工具调用序列、token 使用量、每步耗时。

模式三：Wiki 自维护知识图谱

这个模式比较有特色。开启 Wiki 后，WeKnora 从知识库文档里提取人物、产品、概念，自动生成结构化页面，每个页面带来源引用，按目录组织。知识图谱展示页面之间的关联。页面可以直接编辑，每次变更都可以回滚。

新文档进来时，Wiki 自动更新相关页面——而不是只有一堆原始文件等人查。

---

架构：5 个 Docker 容器

┌─────────────────────────────────────────────────────────────┐
│                    WeKnora Docker Compose                   │
│                                                             │
│  WeKnora-frontend  ──▶  WeKnora-app (Go, :8080)            │
│   Vue.js + NGINX             │                              │
│                              ├── weknora-docreader          │
│                              │   (Python gRPC, 文档解析)    │
│                              ├── postgres (ParadeDB 17)     │
│                              │   pgvector 内置向量存储       │
│                              └── redis (Asynq 任务队列)     │
└─────────────────────────────────────────────────────────────┘

核心组件说明：

• Go 后端：依赖注入架构，router、handler、agent engine、knowledge pipeline、基础设施服务分层。API 在 :8080，健康检查 /health。
• Python docreader：独立 gRPC 微服务，负责文档解析（PDF OCR、表格提取等）。重 CPU 操作不阻塞主服务。
• ParadeDB（PostgreSQL 17）：既是关系型存储，也是默认向量存储（pgvector）。不需要额外部署 Qdrant 就能跑起来。
• Redis + Asynq：文档导入是异步的，任务队列防止大批量导入时把服务打挂。

可选扩展（通过 Compose profile 按需开）：

扩展组件	用途
Qdrant / Milvus	替换 pgvector，做高性能向量检索
Neo4j	图数据库，增强知识图谱关系存储
SearXNG	自托管搜索引擎，Agent 联网搜索
MinIO	对象存储，大文件和文档归档
Langfuse	Agent 推理可观测性

---

支持的文档格式和数据源

文档格式（10+ 种）：

PDF、Word（.docx）、Excel（.xlsx）、PowerPoint、图片（含 OCR）、XMind、Markdown、TXT、HTML 等。

自动同步来源：

• 飞书（文档、知识库）
• GitLab（仓库文档）
• 腾讯 IMA
• Notion
• Yuque（语雀）

IM 渠道直接问答：

WeKnora 可以挂到 IM 渠道里作为知识库机器人：WeCom（企业微信）、飞书、Slack、Telegram。配置后用户直接在聊天里@就能问文档。

---

LLM 支持

全部通过配置切换，不需要改代码：

类型	支持的提供商/模型
云端 API	OpenAI、DeepSeek、Qwen（阿里云）、智谱、混元、Gemini、MiniMax、NVIDIA
本地部署	Ollama（推荐 qwen2.5 对话 + bge-m3 Embedding）

默认配置用 Ollama，完全本地运行，不需要 API key，数据不出机器。

---

部署步骤

最简路径（Docker Compose + Ollama）：

# 前置：安装 Docker、Docker Compose，并准备好 Ollama
ollama pull qwen2.5          # 对话模型
ollama pull bge-m3            # Embedding 模型

# 部署 WeKnora
git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env

# 在 .env 里配置：
# LLM_BASE_URL=http://host.docker.internal:11434   (Ollama)
# LLM_MODEL=qwen2.5
# EMBEDDING_MODEL=bge-m3

docker compose up -d

打开 http://localhost（默认 80 端口），注册管理员账户，创建第一个知识库，上传文档，等待解析完成就能开始问答。

硬件建议（从架构推算，官方未给出具体数字）：

场景	建议配置
纯云端 LLM（OpenAI/DeepSeek 等）	8GB RAM、2 核 CPU、50GB+ 存储
本地 Ollama（qwen2.5 7B）	16GB RAM（MacBook Pro M 系列 / 16GB 内存 PC 勉强）
本地 Ollama（qwen2.5 14B+）	32GB RAM
生产环境（多用户、大文档库）	32GB RAM、SSD、考虑 Qdrant 替换 pgvector

---

官方 DeepSeek Harness 插件

WeKnora 上线了官方的 DeepSeek Harness 插件，支持把 WeKnora 的知识库能力接入 DeepSeek Harness 工作流。这意味着你可以在 DSH 的 Agent 里直接调 WeKnora 的 RAG 检索，不需要自己搭接口。

---

和同类产品的定位

国内外同类开源知识库平台（RAGflow、MaxKB、Dify 等）基本都在做「RAG + 聊天」这个核心场景。WeKnora 的差异化在 Wiki 模式——自动从文档里提取知识构建结构化页面，并保持和原始文档同步更新，更接近一个「活的企业 Wiki」而不只是一个问答机器人。

另一个差异是腾讯出品的背书——飞书自动同步、企业微信 IM 集成、Hunyuan 模型支持，这些对腾讯生态里的用户是直接可用的。

---

局限性

1. 文档解析质量：Python docreader 处理复杂 PDF 的效果取决于文档质量，扫描件 OCR 准确率可能不稳定。社区有第三方优化版（xiaohuangpin/WeKnora-pro）专门针对扫描件和表格提取做了改进。

2. Wiki 的自动更新：文档变更后 Wiki 页面需要重新索引，大知识库时更新延迟取决于文档解析队列。

3. 本地硬件门槛：完整功能（带 Langfuse、Milvus 等可选服务）内存需求可能超过 16GB，消费级机器上的精简部署可能要关闭一些服务。

4. 社区活跃度：4,025 forks，PR 频率较高，但企业级功能（细粒度权限、审计日志）文档还在补充中。

---

怎么看这个项目

29,953 stars，多数知识库平台在拿到这个数字时都已经是成熟产品了。WeKnora 的 stars 更多来自「腾讯 + 开源」的效应，实际功能的成熟度需要自己在场景里验证。

值得真正关注的是三点：pgvector 内置让最简部署不需要额外向量数据库、Wiki 模式的自动更新机制是同类里少见的、官方 DeepSeek Harness 插件打通了和 DSH 生态的集成。

对于已经在用飞书、企业微信、Yuque 的团队，把 WeKnora 架起来做内部知识库助手的路径是最短的。

开源仅供学习研究参考。商用前请核实 LICENSE 文件中关于第三方组件的条款。

---

WeKnora: Tencent’s Open-Source Knowledge Platform — RAG + Agent + Wiki

Tencent/WeKnora — MIT, Go, 29,953 stars. LLM knowledge platform open-sourced by Tencent’s WeChat team (July 2025). Three working modes: RAG Q&A, ReAct autonomous agent, Wiki self-maintaining knowledge graph.

GitHub: github.com/Tencent/WeKnora

---

Three Modes

RAG Q&A: Documents → parse → chunk → embed → pgvector → rerank → LLM answer. Standard semantic retrieval over your document corpus.

ReAct Agent: Autonomous orchestration — decides whether to query the knowledge base, call external tools, or run sandboxed code. Every reasoning step and tool call traced by Langfuse.

Wiki: WeKnora extracts people, products, and concepts from knowledge base documents into structured pages with source citations. Knowledge graph shows page relationships; pages are editable with full rollback. Auto-updates when source documents change.

---

Architecture

Five Docker containers:

Container	Role
WeKnora-app	Go backend (:8080), API + RAG pipeline + agent engine
WeKnora-frontend	Vue.js SPA + NGINX
weknora-docreader	Python gRPC document parser (PDF OCR, table extraction)
postgres	ParadeDB (PostgreSQL 17) — relational + default pgvector store
redis	Asynq async task queue

Optional via Compose profiles: Qdrant/Milvus (vector DB), Neo4j (graph), SearXNG (web search), MinIO (object storage), Langfuse (observability).

---

Document Formats and Sources

Formats (10+): PDF, Word, Excel, PowerPoint, images (OCR), XMind, Markdown, TXT, HTML.

Auto-sync sources: Feishu, GitLab, Tencent IMA, Notion, Yuque.

IM channels: WeChat Work (WeCom), Feishu, Slack, Telegram — query the knowledge base directly from chat.

---

LLM Support

All switchable via config, no code changes: OpenAI, DeepSeek, Qwen (Alibaba Cloud), Zhipu, Hunyuan, Gemini, MiniMax, NVIDIA, Ollama (local).

Default: Ollama with qwen2.5 (chat) + bge-m3 (embeddings) — fully local, no API key needed.

---

Deployment

# Prerequisites: Docker, Docker Compose, Ollama
ollama pull qwen2.5 && ollama pull bge-m3

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora && cp .env.example .env
# Configure: LLM_BASE_URL, LLM_MODEL, EMBEDDING_MODEL in .env
docker compose up -d
# Open http://localhost

Estimated hardware (not officially specified):

• Cloud LLM (OpenAI/DeepSeek): 8GB RAM, 2 CPU cores, 50GB+ storage
• Local Ollama 7B: 16GB RAM
• Local Ollama 14B+: 32GB RAM
• Production (multi-user, large corpus): 32GB RAM + SSD

---

Official DeepSeek Harness Plugin

Tencent released an official DSH plugin for WeKnora, enabling WeKnora RAG retrieval to be called directly from DeepSeek Harness agent workflows without building a custom integration.

---

Limitations

1. Document parsing quality: Python docreader OCR accuracy varies for scanned PDFs; a community fork (xiaohuangpin/WeKnora-pro) addresses this
2. Wiki update latency: Re-indexing on document changes queued async — delays on large corpora
3. Hardware for full stack: Full feature set with optional services may exceed 16GB RAM
4. Enterprise features: Fine-grained permissions and audit logs documentation is still catching up

---

Assessment

29,953 stars largely reflects the “Tencent + open source” announcement effect. Actual production readiness needs evaluation in your specific context. Three genuinely differentiating points: built-in pgvector eliminates the need for a separate vector database on simple deployments; the Wiki auto-update mechanism is rare among similar platforms; the official DSH plugin provides a pre-built integration path for DeepSeek Harness users. Teams already using Feishu, WeCom, or Yuque have the shortest path to standing up an internal knowledge assistant.

For learning and research reference only. Review the LICENSE file for third-party component terms before commercial use.