Tencent/WeKnora
项目简介
WeKnora 是腾讯开源的一站式 LLM 知识平台，目标是把原始文档直接转化为「可查询的 RAG 知识库 + 自主推理 Agent + 自维护 Wiki」三位一体的知识底座。它覆盖从文档解析、Embedding、向量检索、Reranking 到 LLM 生成问答的完整链路，同时内建 Agentic 推理能力，让模型能够自主规划多步检索与工具调用，而非只做单轮问答。平台原生支持多租户隔离与本地化部署，可通过 OpenAI 兼容接口或 Ollama 接入自选模型。
技术亮点
- RAG 全链路闭环：文档解析、分块、Embedding、向量检索、Reranking、生成一体化，配合内置 Evaluation 模块可量化召回率与答案质量，而不是把评测留给用户自己拼装。
- Agentic 推理而非被动问答：内置 Agent 执行框架，支持自主拆解问题、多轮检索、工具调用与结果聚合，适合需要跨文档推理的复杂知识场景。
- 自维护 Wiki：知识不止于「问」，还能把对话与检索结果沉淀回 Wiki 结构，形成可持续演进的知识资产。
- Go 语言原生实现：相比 Python 生态的同类项目，在高并发请求、多租户资源隔离与容器化交付上更具工程优势。
- 模型与部署中立：同时兼容 OpenAI 生态与 Ollama 本地模型，支持私有化环境，避免供应商锁定。
架构解析
整体可分为四层。最底层是文档接入层，负责多种格式文件的解析、清洗与分块；其上为索引与存储层，承载 Embedding 生成、向量索引（Vector/Semantic Search）与元数据管理，并支持 Reranking 二次排序。中间是检索与编排层，串联召回、重排、Prompt 组装与 LLM 调用，同时驱动 Agent 的推理循环。最上层是应用与平台层，提供多租户管理、问答 API、Chatbot 前端以及对外的 DSH Plugin 扩展点，Evaluation 与 Wiki 维护作为横切能力贯穿其中。
适用场景
- 企业级内部知识库问答：把散落的 PDF、Word、Wiki 页面统一向量化，员工用自然语言直接检索制度、流程与技术文档。
- 智能客服与技术支持：基于产品手册与历史工单构建 RAG 问答，降低人工坐席的检索成本。
- 研发文档自维护 Wiki：让 Agent 在回答问题的同时把结论写回知识库，缓解文档陈旧问题。
- 私有化合规部署：金融、政务等对数据出境敏感的场景，可搭配 Ollama 本地模型全链路内网运行。
- 多租户 SaaS 知识服务：借助原生多租户隔离，为不同客户或部门提供互不干扰的独立知识空间。
- 科研与法务文献检索：面对长文档、多来源资料，用 Agentic 多步推理完成跨文献的比对与综述。
生态对比
- 对比 LangChain / LlamaIndex：后两者是 Python 侧偏底层编排的框架库，需要自行搭建服务化、多租户与前端；WeKnora 更接近开箱即用的完整平台。
- 对比 RAGFlow：RAGFlow 强项在深度文档解析与版面理解，WeKnora 则把重心放在 Agent 推理与 Wiki 自维护的知识闭环上。
- 对比 Dify：Dify 偏向可视化 Workflow 与 LLM 应用编排，模型与插件生态丰富；WeKnora 更聚焦「知识」这一垂直场景，并以 Go 实现强调高并发与多租户工程能力。