腾讯开源 WeKnora：2.37 万星的微信系 RAG 平台，文档变可查询知识库 + 自主 Agent + 自维护 Wiki
腾讯在 RAG/知识库赛道的旗舰开源项目 WeKnora，目前 2.37 万星、3300+ fork，月更版本，今天（9 月 15 日）还在提交。仓库地址：https://github.com/Tencent/WeKnora
它的定位一句话："Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki."——把原始文档变成三样东西：可查询的 RAG、自主推理的 Agent、自维护的 Wiki。
背景很硬：WeKnora 是微信对话开放平台（chatbot.weixin.qq.com）的核心技术框架，官网挂在 weknora.weixin.qq.com，Docker 镜像发布在 wechatopenai/weknora-* 下——这是微信团队（WXG）的项目，不是腾讯 AI Lab。换句话说，它直接支撑着微信的企业级问答产品，是经过真实生产验证的。
这篇文章拆解它的三合一架构、技术实现，以及它在 Dify/RAGFlow/FastGPT 这片红海里的差异点。
本文 outline
- 三合一：RAG + ReAct Agent + Wiki Mode
- 技术栈与架构：Go 后端 + 三进程
- 文档管线：25+ 解析器、OCR、三级切分
- 检索与重排：混合检索 + 多种向量库
- Agent 引擎：事件驱动管线 + MCP + 沙箱
- Wiki Mode：自维护知识库 + 知识图谱
- 与 Dify / RAGFlow / FastGPT 的差异
- 部署与选型建议
1. 三合一：RAG + ReAct Agent + Wiki Mode
WeKnora 把知识平台的三种形态整合到一个产品里：
形态一：RAG 快速问答。文档入库 → 检索 → 生成，面向"查知识库"的轻量场景，带引用标注（citation popovers）。
形态二：ReAct Agent。不只是检索问答，而是能自主编排多步任务：检索知识库 + 调用 MCP 工具 + 使用租户技能目录（skill catalog）+ 在会话级沙箱里执行代码 + 网页搜索，Think → Act → Observe 循环。
形态三：Wiki Mode。Agent 把原始文档蒸馏成自维护的、互相链接的 Markdown Wiki，带交互式知识图谱、修订历史和一键回滚。
加上跨会话长期记忆（画像/偏好/事实/任务/兴趣）和树状文件夹视图（保留上传时的目录结构）。
这三合一的设计很有意思——它把"RAG 问答"（快速查）、"Agent 编排"（复杂任务）、"知识沉淀"（长期资产）放在同一个平台，对应知识工作的三个层次。这和我此前写过的 OpenViking（上下文数据库）、LLM Wiki（Karpathy 模式）有理念呼应，但 WeKnora 是把它们做进了同一个企业级产品。
2. 技术栈与架构：Go 后端 + 三进程
WeKnora 的技术栈在同类里比较特别——主后端用 Go（不是常见的 Python）：
| 组件 | 技术 | 职责 |
|---|---|---|
app |
Go（gin + GORM + asynq） | 主后端：REST API、RAG 检索、Agent 引擎、异步任务 |
frontend |
Vue 3 + TDesign | Web UI，NGINX 反代 /api |
docreader |
Python gRPC | 文档解析微服务，25+ 解析器 |
postgres |
ParadeDB pg17 | 默认存储，内置 BM25 + pgvector |
redis |
Asynq 队列 + SSE 流管理 | 异步任务、限流、并发门控 |
sandbox |
Docker 镜像 | Agent 技能执行沙箱 |
架构分层清晰：Handler → Service → Repository → DB，依赖注入用 go.uber.org/dig，追踪用 OpenTelemetry + Langfuse。
一个值得注意的选择：默认存储用 ParadeDB pg17（Postgres 的 BM25 扩展），所以开箱即有"BM25 稀疏检索 + pgvector 稠密检索"的混合能力，不需要单独部署向量库。同时支持 Elasticsearch、OpenSearch、Milvus、Weaviate、Qdrant、Doris、腾讯 VectorDB、sqlite-vec（Lite 模式）——向量库和 LLM 一样可插拔。
3. 文档管线：25+ 解析器、OCR、三级切分
文档摄入是 WeKnora 的强项（它有个独立的 docreader 解析微服务，25+ 解析器）：
支持的格式（13+）：PDF、Word、Txt、Markdown、HTML、MHTML、EPUB、图片、CSV、Excel、PPT、JSON、XMind（v0.8.0 新增），以及音频（mp3/wav/m4a/flac/ogg，带 ASR 转写）。视频明确不支持。
OCR：多模态 OCR + VLM 图片描述（OpenDataLoader 和 PaddleOCR-VL），图片也会渲染给 LLM 视觉。
三级自适应切分：auto（默认，先分析文档特征）、heading（按标题）、heuristic（启发式）、legacy（递归）。默认 chunk 512 字符、overlap 80（约 15%）。父子切分（parent 4096 / child 384）推荐给 10 页以上文档——先粗粒度定位再细粒度取内容，这是提升长文档 RAG 效果的关键技巧。
摄入走异步任务队列（Asynq + Redis），6 个 worker 池（核心 8、后处理 2、富化 12、维护 4、共享 6、Wiki 8），支持 MD5 去重、批量重解析、每个上传可覆盖 process_config。官方声称 Wiki 摄入可扩展到 4 万文档的知识库。
4. 检索与重排：混合检索 + 多种向量库
检索是混合检索：BM25 稀疏 + 稠密向量 + GraphRAG + 父子切分，多维度索引。
重排支持多家：火山引擎 rerank、腾讯 LKEAP rerank 等，重排前有 passage 清洗。
可选知识图谱：Neo4j（Docker compose neo4j profile），每个文档自动抽取实体/关系，聊天时参与检索。
QA/检索的完整事件管线：
QUERY_UNDERSTAND → CHUNK_SEARCH_PARALLEL → CHUNK_RERANK → WEB_FETCH
→ CHUNK_MERGE → FILTER_TOP_K → DATA_ANALYSIS(DuckDB) → INTO_CHAT_MESSAGE
→ CHAT_COMPLETION_STREAM注意 DATA_ANALYSIS 用 DuckDB——查询涉及数据分析时直接在检索管线里跑 SQL 分析，这是 RAG 平台里少见的能力（面向"表里有多少行超过阈值"这类问题）。
5. Agent 引擎：事件驱动管线 + MCP + 沙箱
Agent 能力是 v0.8.0 的重头：
- ReAct 引擎：think → act → observe，自主编排多步任务
- MCP 工具集成：支持 OAuth2（含会话中途 OAuth 授权）、
@Skill/@MCP提及语法 - 租户技能目录：从 ClawHub/SkillHub/git/zip 安装技能
- 会话级沙箱：Docker/E2B/Cube 三种运行时，会话内持久
- 网页搜索：10+ 搜索供应商（DuckDuckGo、Bing、Google、Tavily、百度、SearXNG、Exa 等）
- SSE 流式：带断线重连/恢复
- IM 渠道：企业微信、飞书、钉钉、QQ、Slack、Telegram、Mattermost、微信等 10 个渠道——这是它最独特的差异点之一，RAG 平台直接接 IM，对企业场景价值很大
18+ LLM 供应商：OpenAI、Azure、Anthropic Claude、DeepSeek、Qwen、智谱、混元（腾讯自家）、豆包、Gemini、MiniMax、NVIDIA、SiliconFlow、OpenRouter、LiteLLM（v0.8.0）、Ollama。
6. Wiki Mode：自维护知识库 + 知识图谱
Wiki Mode 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 Wiki
- 交互式知识图谱可视化
- 修订历史 + 一键回滚
- 基于"对话开放平台"生产实践
这个功能和 Karpathy 的 LLM Wiki 模式高度同源（让 Agent 增量维护知识库），但 WeKnora 把它做成了企业级功能，带版本控制和多租户。这说明"LLM Wiki"这个理念已经从个人工具走向企业平台——值得注意的行业信号。
7. 与 Dify / RAGFlow / FastGPT 的差异
| 维度 | WeKnora | Dify | RAGFlow | FastGPT |
|---|---|---|---|---|
| 后端 | Go | Python | Python | Node/TS |
| 文档解析深度 | 25+ 解析器、OCR、父子切分 | 中 | 深（DeepDoc） | 中 |
| Agent 编排 | ReAct + MCP + 沙箱 | 强（工作流） | 中 | 中 |
| Wiki Mode | ✅ 独有 | ❌ | ❌ | ❌ |
| IM 集成 | 10 渠道（企微/飞书等） | 部分 | 部分 | 部分 |
| 向量库 | 8+ 可插拔 | 多种 | 多种 | 多种 |
| 多租户 RBAC | ✅ | ✅ | 部分 | ✅ |
一句话差异：WeKnora 在文档理解深度上接近 RAGFlow/QAnything（独立解析服务 + OCR + 父子切分），同时有 Dify 级的 Agent 编排（ReAct + MCP + 沙箱），加上独有的 Wiki Mode 和深度的 IM 集成。它比 FastGPT 重、比 Dify 更"检索/摄入痴迷"。
注意：没有官方跨平台 benchmark 对比表，以上是特性定位分析。
8. 部署与选型建议
部署方式（很全）：
- Docker Compose（默认推荐，
docker compose up -d即用） - Kubernetes（Helm chart）
- 裸机（systemd units）
- macOS（Homebrew）
- Lite 模式：
DB_DRIVER=sqlite+ 内嵌 sqlite-vec，不需要 Redis，单二进制带内嵌前端——轻量部署的亮点 - 桌面应用（Wails v2）
- WeKnora Cloud（托管版）
安全：AES-256-GCM 静态加密、SSRF 防护、gRPC TLS、沙箱隔离、多租户 RBAC。许可 MIT（带第三方声明）。
选型建议：
- 需要深度文档理解 + 企业级知识库 → WeKnora 或 RAGFlow
- 需要IM 渠道集成（企微/飞书/钉钉）→ WeKnora 是差异最明显的
- 需要 Wiki Mode 长期知识沉淀 → WeKnora 独此一家
- 需要轻量快速部署 → WeKnora Lite 模式很友好
- 已经在用 Dify 的工作流编排 → 迁移成本需评估，两者 Agent 模型不同
一个提醒：WeKnora 是"重"平台（Go + Redis + 多进程），单机小场景可以走 Lite 模式，但完整形态需要一定运维投入。它的 637 个 open issues 也说明功能多、迭代快，生产使用要关注版本稳定性。
参考
- Tencent/WeKnora GitHub — 2.37 万星，MIT，Go 主语言
- WeKnora 官网 — 微信对话开放平台
- 前篇：OpenViking Agent 上下文数据库 — 同类知识基础设施对照
- 前篇：LLM Wiki 模式 — Wiki Mode 的理念源头
- 前篇：Langflow 可观测性 — RAG 平台的可观测性参考
作者: itech001 来源: 公众号：AI人工智能时代(the-ai-era) 网站: https://www.theaiera.top/ 关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top
关注公众号，获取更多 AI 技术干货！
