GitHub 上 23,000 颗星，一周新增 1,200 颗，MIT 许可，Go 语言编写——这是 WeKnora 当前的成绩单。它是腾讯开源的一套基于大模型的知识管理框架，但如果你只用「开源 RAG 知识库」来理解它，就已经过时了。

认真看完 WeKnora 现在的能力清单，你会发现它做的事情已经从最早的「上传文档→问问题」一路扩展到了 ReAct Agent、自动 Wiki、知识图谱、长期记忆、MCP 工具调用、Skill 沙箱、企业 RBAC、多源数据同步，甚至直接接入企业微信和飞书。

简单来说：腾讯正在把一套「企业 AI 知识底座」开源出来。

三大核心能力：不止是问答

WeKnora 官方把核心能力分成三个部分，恰好对应了企业知识管理的三个层次。

第一层：RAG 快速问答

这是最基础的能力，也是大多数人对「AI 知识库」的全部想象。公司有几千份产品文档、内部制度、客户资料、会议纪要，过去找一个答案需要员工自己搜索文件、翻文档。用了 WeKnora 之后，资料统一导入知识库，用自然语言提问，系统先从知识库检索相关内容，再让大模型根据材料生成答案——而不是完全依赖模型的「记忆」。

WeKnora 的分块策略值得一提。它不是简单按固定长度切，而是先跑一个文档 profiler 统计结构信号：Markdown 标题数、分页符、章节标记、全大写标题行。然后按结果选档：结构化文档在 #/##/### 边界切分，embedding 时拼上面包屑（# Top > ## Section）；PDF 按分页符和编号章节切；没有结构特征的回退到递归分隔符切分。切得离谱的结果（比如 200 个单行块）会被校验器拒绝并降级。这种自适应分块比固定窗口切分在召回率上有明显优势。

第二层：ReAct Agent——从搜索变成工作

真正让 WeKnora 与众不同的是第二层。它加入了 ReAct Agent，Agent 可以自己决定什么时候搜索知识库、什么时候调用 MCP 工具、什么时候搜索互联网，再把这些步骤串联起来完成一个更复杂的任务。

这意味着交互模式从「帮我查一下公司去年的差旅报销标准」变成了「根据公司过去三年的差旅制度，找出今年变化最大的五条规则，并生成一份给员工看的更新说明」。前者是搜索，后者是工作。

Agent 还支持 Skill 沙箱环境——Docker、E2B、Cube 等运行后端——意味着它可以在沙箱里写脚本、产出文件、执行代码，而不是只返回文本。跨会话长期记忆让它不仅记得「公司的知识」，还可以记住用户长期关注的内容和任务。

第三层：Wiki Mode——知识自我维护

第三层是 WeKnora 最有意思的设计：Agent 把原始文档蒸馏成结构化的、相互链接的 Markdown 知识库，附带交互式知识图谱。支持手动编辑、修订历史与一键回滚。

这一层解决的是企业知识库最痛的问题：维护成本。传统知识库需要专人维护，文档更新了知识库不同步，知识库就变成了一座逐渐腐烂的图书馆。WeKnora 的 Wiki Mode 让 Agent 自动整理文档，把非结构化内容变成结构化知识——人只需要审阅和修正，不需要从零构建。

工程层面：企业级不是口号

WeKnora 的企业级特性不是堆砌功能列表，而是围绕真实部署场景设计的。

多源数据导入：支持从飞书 Wiki、飞书云文档、GitLab、腾讯 IMA、Notion、语雀、RSS 等来源自动同步知识。文档不会只在知识库里等死——数据源更新了，知识库跟着更新。

格式兼容：PDF、Word、图片（OCR）、Excel、XMind 等 10+ 文档格式都能解析。办公文件通过 anydoc 引擎在进程内解析（Rust 静态库），不需要外部服务。

LLM 厂商接入：兼容 OpenAI、DeepSeek、通义千问、智谱、混元、Gemini、MiniMax、NVIDIA、LiteLLM、Ollama 等 20+ LLM 厂商。完全模块化设计允许自由替换 LLM、向量数据库与存储后端，支持本地与私有云部署以保证数据主权。

企业 RBAC：4 级角色矩阵 + 资源归属 + 空间级审计日志。不是简单的「管理员/用户」二元模型，而是按空间隔离的多实例存储后端。

IM 渠道接入：可以直接通过企业微信、飞书、Slack、Telegram 等 IM 渠道提供问答。知识库不是又一个需要打开的系统，而是融入员工已有的工作流。

可观测性：Langfuse 全链路可观测、运行时任务队列看板与 worker-pool 治理。不是黑箱运行——每一步检索、重排、生成都可追踪。

RAG 正在从问答组件变成 Agent 的知识基础设施

WeKnora 的演进路径折射出整个企业知识库产品领域最大的变化：RAG 正在从一个问答组件，变成 Agent 的知识基础设施。

过去两年，企业知识库产品的定位几乎都是「上传文档→问问题→拿答案」。但真实的企业场景远比问答复杂：员工需要的不只是找到一条信息，而是完成一个工作流——分析、比较、生成、审批。纯问答模型无法支撑这些需求。

WeKnora 的三层架构（RAG + Agent + Wiki）恰好对应了这个趋势。RAG 提供事实检索的准确性，Agent 提供多步骤推理和工具调用的能力，Wiki 提供知识的长期结构和可维护性。三层叠加，才是一个能真正在企业里用的知识底座，而不是一个 demo。

这不是 WeKnora 独有的判断。IBM 本周发布的 STAIR 系统也在解决类似的问题——用文档的目录结构（ToC）作为检索单元，而不是固定长度分块，在 SearchTome 基准上达到 82.6% 的 Recall@1，幻觉率低于 0.05%。字节火山引擎的 OpenViking 项目合并了 VikingRAG 论文的核心机制——用「经验边」复用历史检索路径，自适应决定单轮还是多轮检索，在 6 个数据集上把检索 token 成本砍到最强基线的 5.1%-51.9%。

从分块策略到检索路径复用，从问答到推理，从静态文档到自维护知识图谱——RAG 的技术栈正在经历一次结构性的升级。WeKnora 是这个趋势中一个值得认真对待的样本：它不是某个单点技术的论文实现，而是一个正在被企业真实部署的系统。

适合谁用

如果你在评估 WeKnora，几个判断维度：

• 数据主权是硬需求：需要完全私有部署、数据不出内网的企业。WeKnora 的 Docker Compose 一键部署 + 私有云支持降低了门槛。
• 知识源分散在多个系统：飞书 + Notion + GitLab + 本地文件夹混合存在的团队。WeKnora 的多源同步能把这些统一到一个知识库。
• 需要的不是问答而是工作流：如果团队的需求是「帮我分析」「帮我对比」「帮我生成」，而不是「帮我查一条」，ReAct Agent 层能提供实质价值。
• 企业 RBAC 是刚需：多部门、多角色、需要审计日志的组织。WeKnora 的 4 级角色矩阵和空间级审计日志是为这个场景设计的。

反过来，如果只是需要一个简单的文档问答工具，WeKnora 可能过重了——它的部署和配置复杂度不低，三层架构的价值只有在知识规模和任务复杂度达到一定阈值时才能体现。

参考来源

• WeKnora GitHub 仓库：https://github.com/Tencent/WeKnora
• 微信开源 AI 知识库解读（今日头条）：https://www.toutiao.com/article/7685367803481735699/
• WeKnora 部署与核心能力解析：http://www.hqwc.cn/a/1613175.html
• WeKnora v0.8.0 功能详解：http://www.hqwc.cn/a/1756820.html
• Github 周刊 2026 W37：https://www.cnblogs.com/whincwu/p/22967099
• IBM STAIR 系统：https://thenextgentechinsider.com/pulse/ibm-develops-stair-system-to-fix-rag-context-loss-using-document-hierarchies
• VikingRAG 论文（arxiv: 2609.11390）：https://arxiv.org/abs/2609.11390
• OpenViking 开源项目：https://github.com/volcengine/OpenViking