五步跑通企业级 RAGWeKnora 私有化部署实操手册【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/WeKnoraWeKnora 是一个开源 LLM 知识平台覆盖 RAG 问答、自主推理 Agent 和自动维护的 Wiki 三种形态面向需要私有化部署、搭建多租户企业知识库的开发者。它到底解决了什么自建 RAG 的第一道坎不在模型而在链路文档解析、分块、向量化、混合检索、重排任何一环粗糙都会让答非所问成为常态而你很难定位是哪一环出了问题。第二道坎是文档本身散落——PDF 在网盘、Markdown 在代码仓库、流程文档在飞书和语雀里每次问答前都要靠人肉搬运。第三道坎是可信度答案没有引用出处业务方无法判断它编了多少。WeKnora 的定位一套可 Docker Compose 一键落地的知识库 RAG 平台内置 ReAct Agent 与自维护 Wiki全组件可替换、可私有化。它不是一个向量检索库也不是纯 Prompt 编排工具。核心能力拆解技术链路怎么走的架构上把文档解析、向量化、检索、大模型推理拆成独立阶段每一层组件可单独替换。分块策略怎么选三级自适应分块输入原始文档docreader 先做文档画像——统计 Markdown 标题、分页符、多语言章节标记等结构信号——再决定分块方式heading模式沿#/##/###边界切分切出的每个块在 embedding 前自动补上顶层 章节面包屑上下文heuristic模式处理 PDF 分页符与编号章节都不命中时回退递归分隔符分块。校验器会拒绝明显破碎的输出例如产出 200 个单行块并自动降级到下一级。knowledge_base: chunk_size: 512 chunk_overlap: 50 split_markers: [\n\n, \n, 。]默认值直接来自 Vecta 基准测试结论约 512 字符、15% 重叠的递归切分在 50 篇学术论文上拿到 69% 端到端准确率是单一分块策略里的最强基线。混合检索四路召回加 LLM 重排一次查询并行走四路BM25 稀疏召回、稠密向量召回、知识图谱关联需开 Neo4j、重排序模型对融合结果智能排序。流程分数据准备与索引、查询与检索、生成与响应三段排查为什么没答对时先看检索段命中了什么再看生成段引用了哪些片段。conversation: embedding_top_k: 30 vector_threshold: 0.2 rerank_top_k: 30 rerank_threshold: 0.3RETRIEVE_DRIVER支持逗号分隔多向量库并行检索PostgreSQL pgvector / Elasticsearch / Milvus / Qdrant 等并行超时由MULTI_STORE_RETRIEVE_TIMEOUT_SEC控制。ReAct Agent 与 Wiki检索之外的两条路引擎循环LLM 决定下一步调用什么工具→执行→把结果塞回上下文继续推理。工具覆盖内置检索、MCP 工具含 OAuth2 远程服务与人工审批闸口、网络搜索技能执行走 Docker 沙箱隔离。另一条是 Wiki 模式Agent 从原始文档自治生成相互链接的 Markdown 知识库和可视化知识图谱支持浏览器内人工编辑、行级 diff、版本历史与一键回滚——把一次性问答变成可持续维护的知识资产。从零到跑通最小部署五步git clone https://gitcode.com/GitHub_Trending/we/WeKnora.git cd WeKnora cp .env.example .env # 改 DB/Redis 口令与 SYSTEM_AES_KEY docker compose pull docker compose up -d浏览器打开http://localhost应出现注册页http://localhost:8080/health返回 200 说明后端就绪注册账号在设置页配置 LLM 与 Embedding 的 API Key新建文档型知识库上传一份 PDF对着文档提一个问题确认回答带引用浮层且可点击回到原文出处需要知识图谱或对象存储时再按需开docker compose --profile neo4j --profile minio up -d调优与进阶遇到问题再动手如果检索漏召回或引用不相关→调低vector_threshold0.2→0.15、调大embedding_top_k30→50改 config/config.yaml 后重启 app 容器如果分块质量存疑→别急着全量重传用知识库编辑器的分块侧边栏样例文本测试先对同一段文本预览不同配置被拒的层级与块尺寸统计再批量重解析如果是 FAQ 类短知识库→分块改成chunk_size200~400、overlap 0、关闭父子分块省一半存储如果大批量导入排队太久→调大WEKNORA_ASYNQ_CORE_CONCURRENCY与BATCH_EMBED_SIZE默认 8见 .env.example B 区注释选型参考维度说明适用私有化企业知识库、多空间 RBAC 治理、RAG 与 Agent 双路问答、飞书/Notion/语雀/RSS 自动同步不适用只要向量检索不要 LLM 的纯搜索场景无法接入任何模型 API 且无本地推理资源的单机同类差异相对 Dify 这类编排平台它把重心放在知识库与检索治理RAG 和 ReAct 两条路加自维护 Wiki 是同体相对裸向量库省掉自建解析/分块/重排管线活跃度腾讯开源、MIT 协议当前 v0.7.2小版本约双周一次website-docs/ 覆盖约 360 个 API 端点与约 150 个环境变量路线图见 docs/ROADMAP.md先翻 website-docs/ 的快速开始再对照 docs/api/ 做 API 集成。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 五步跑通企业级 RAG：WeKnora 私有化部署实操手册
五步跑通企业级 RAGWeKnora 私有化部署实操手册【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/WeKnoraWeKnora 是一个开源 LLM 知识平台覆盖 RAG 问答、自主推理 Agent 和自动维护的 Wiki 三种形态面向需要私有化部署、搭建多租户企业知识库的开发者。它到底解决了什么自建 RAG 的第一道坎不在模型而在链路文档解析、分块、向量化、混合检索、重排任何一环粗糙都会让答非所问成为常态而你很难定位是哪一环出了问题。第二道坎是文档本身散落——PDF 在网盘、Markdown 在代码仓库、流程文档在飞书和语雀里每次问答前都要靠人肉搬运。第三道坎是可信度答案没有引用出处业务方无法判断它编了多少。WeKnora 的定位一套可 Docker Compose 一键落地的知识库 RAG 平台内置 ReAct Agent 与自维护 Wiki全组件可替换、可私有化。它不是一个向量检索库也不是纯 Prompt 编排工具。核心能力拆解技术链路怎么走的架构上把文档解析、向量化、检索、大模型推理拆成独立阶段每一层组件可单独替换。分块策略怎么选三级自适应分块输入原始文档docreader 先做文档画像——统计 Markdown 标题、分页符、多语言章节标记等结构信号——再决定分块方式heading模式沿#/##/###边界切分切出的每个块在 embedding 前自动补上顶层 章节面包屑上下文heuristic模式处理 PDF 分页符与编号章节都不命中时回退递归分隔符分块。校验器会拒绝明显破碎的输出例如产出 200 个单行块并自动降级到下一级。knowledge_base: chunk_size: 512 chunk_overlap: 50 split_markers: [\n\n, \n, 。]默认值直接来自 Vecta 基准测试结论约 512 字符、15% 重叠的递归切分在 50 篇学术论文上拿到 69% 端到端准确率是单一分块策略里的最强基线。混合检索四路召回加 LLM 重排一次查询并行走四路BM25 稀疏召回、稠密向量召回、知识图谱关联需开 Neo4j、重排序模型对融合结果智能排序。流程分数据准备与索引、查询与检索、生成与响应三段排查为什么没答对时先看检索段命中了什么再看生成段引用了哪些片段。conversation: embedding_top_k: 30 vector_threshold: 0.2 rerank_top_k: 30 rerank_threshold: 0.3RETRIEVE_DRIVER支持逗号分隔多向量库并行检索PostgreSQL pgvector / Elasticsearch / Milvus / Qdrant 等并行超时由MULTI_STORE_RETRIEVE_TIMEOUT_SEC控制。ReAct Agent 与 Wiki检索之外的两条路引擎循环LLM 决定下一步调用什么工具→执行→把结果塞回上下文继续推理。工具覆盖内置检索、MCP 工具含 OAuth2 远程服务与人工审批闸口、网络搜索技能执行走 Docker 沙箱隔离。另一条是 Wiki 模式Agent 从原始文档自治生成相互链接的 Markdown 知识库和可视化知识图谱支持浏览器内人工编辑、行级 diff、版本历史与一键回滚——把一次性问答变成可持续维护的知识资产。从零到跑通最小部署五步git clone https://gitcode.com/GitHub_Trending/we/WeKnora.git cd WeKnora cp .env.example .env # 改 DB/Redis 口令与 SYSTEM_AES_KEY docker compose pull docker compose up -d浏览器打开http://localhost应出现注册页http://localhost:8080/health返回 200 说明后端就绪注册账号在设置页配置 LLM 与 Embedding 的 API Key新建文档型知识库上传一份 PDF对着文档提一个问题确认回答带引用浮层且可点击回到原文出处需要知识图谱或对象存储时再按需开docker compose --profile neo4j --profile minio up -d调优与进阶遇到问题再动手如果检索漏召回或引用不相关→调低vector_threshold0.2→0.15、调大embedding_top_k30→50改 config/config.yaml 后重启 app 容器如果分块质量存疑→别急着全量重传用知识库编辑器的分块侧边栏样例文本测试先对同一段文本预览不同配置被拒的层级与块尺寸统计再批量重解析如果是 FAQ 类短知识库→分块改成chunk_size200~400、overlap 0、关闭父子分块省一半存储如果大批量导入排队太久→调大WEKNORA_ASYNQ_CORE_CONCURRENCY与BATCH_EMBED_SIZE默认 8见 .env.example B 区注释选型参考维度说明适用私有化企业知识库、多空间 RBAC 治理、RAG 与 Agent 双路问答、飞书/Notion/语雀/RSS 自动同步不适用只要向量检索不要 LLM 的纯搜索场景无法接入任何模型 API 且无本地推理资源的单机同类差异相对 Dify 这类编排平台它把重心放在知识库与检索治理RAG 和 ReAct 两条路加自维护 Wiki 是同体相对裸向量库省掉自建解析/分块/重排管线活跃度腾讯开源、MIT 协议当前 v0.7.2小版本约双周一次website-docs/ 覆盖约 360 个 API 端点与约 150 个环境变量路线图见 docs/ROADMAP.md先翻 website-docs/ 的快速开始再对照 docs/api/ 做 API 集成。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考