WeKnora知识图谱可视化3步把文档堆变成可问答的RAG知识库【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场景下午三点的追问下午三点你被拉进一个跨部门评审会被当场问住产品手册里哪个配置项能打开回家模式你在四五十个文件里翻来翻去答案散落在三份文档中。这是大多数团队知识库的日常文档很多却没有一张可查询、可追溯的知识网络。WeKnora 是一款开源的 LLM 知识平台正是冲着这件事来的——它把原始文档变成可查询的 RAG 知识库并自动构建知识图谱。WeKnora 是什么RAG、Agent 与知识图谱一体WeKnora 的定位是基于 RAG 范式的一体化知识框架文档上传后自动完成解析、分块、向量化用混合检索加大模型生成来回答问题ReAct Agent 自主编排检索、MCP 工具与联网搜索处理多步复杂问题Wiki 模式还能从原始文档生成相互链接的知识库与知识图谱支持人工编辑、版本历史与一键回滚。它本质回答三个问题知识怎么进来、怎么问出来、答案怎么追溯。下面是整体架构文档处理、RAG 与 Agent 引擎、存储、外部服务全部模块化组件均可替换3步跑通第一个问答前提装好 Docker 与 Docker Compose。克隆并启动服务git clone https://gitcode.com/GitHub_Trending/we/WeKnora然后docker compose pull docker compose up -d启动后浏览器访问http://localhost注册账号自动成为自己工作空间的 Owner。建库并选模型在知识库页点新建按向导选对话模型与向量模型本地 Ollama 或 OpenAI 兼容接口均可用测试按钮确认连通后再保存。上传文档并提问拖入 PDF、Word 或粘贴网页 URL列表页实时刷新解析进度解析完成后进入对话页选库提问回答自带引用点击可跳回原文。全程十几分钟大部分时间花在等解析。下图是解析完成后的文档列表让文档关系看得见的三个功能知识图谱可视化看清文档里实体怎么连知识库设置中开启实体与关系抽取上传的文档会自动提取实体和关系上图春联节点向外连出桃符、门神、《槛联丛话》一条连线就是一条语义关联图谱不只给人看检索时也会参与查询扩大召回面用docker compose --profile neo4j up -d启用 Neo4j完整配置见知识图谱配置说明图谱交互探索顺着连线找知识来源Wiki 模式下 Agent 从原始文档生成相互链接的 Markdown 页面与图谱点击节点右侧面板直接显示该节点的摘要、要点与相关文档内容图谱支持按节点类型实体/概念/事件/对比过滤页面支持人工编辑带版本历史与一键回滚图谱交互源码见frontend/src/views/带引用的回答每个结论有出处默认快速问答Agent 走三段混合检索相关片段 → 大模型生成 → 回答挂引用正文引用角标可点击直达原始片段引用抽屉区分知识库来源与网络来源流水线面板能看到问题理解、检索、重排的分阶段进度答案怎么拼的看得见效果对比一次内部试用的数据以下数字来自一个科技公司文档库数百份产品/API/排障文档的内部试用维度传统人工查找WeKnora RAG 知识库定位一个配置参数翻几十份文件约 15 分钟提问到拿答案约 1 分钟附来源片段跨文档关联靠人脑记忆与跳转知识图谱 混合检索自动完成答案可追溯性无点引用直达原文新人上手周期约 2 周约 3 天答案准确率从 70% 左右提到 95% 左右但这项依赖文档质量与模型配置数字供参考。进阶技巧与常见坑⚠️ 两个容易栽跟头的点容器里 Ollama 连不上后端跑在容器内模型地址填http://localhost:11434是连不通的要改成http://host.docker.internal:11434。向量模型建库后别换更换 Embedding 需要重建整个索引初始化时一次选对。召回不理想时开启 Rerank 重排或调整分块大小分块机制与检索引擎两篇文档讲得比较细。想直接调接口跑通全链路看快速上手第 7 节。收尾先跑一个最小闭环WeKnora 把文档关系变成可见的知识图谱把 RAG 检索路径变成透明、可追溯的流程。把仓库克隆下来起个容器问出第一个带引用的问题卡住了先看官方文档还解决不了就提个 issue。【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 WeKnora知识图谱可视化：3步把文档堆变成可问答的RAG知识库
WeKnora知识图谱可视化3步把文档堆变成可问答的RAG知识库【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场景下午三点的追问下午三点你被拉进一个跨部门评审会被当场问住产品手册里哪个配置项能打开回家模式你在四五十个文件里翻来翻去答案散落在三份文档中。这是大多数团队知识库的日常文档很多却没有一张可查询、可追溯的知识网络。WeKnora 是一款开源的 LLM 知识平台正是冲着这件事来的——它把原始文档变成可查询的 RAG 知识库并自动构建知识图谱。WeKnora 是什么RAG、Agent 与知识图谱一体WeKnora 的定位是基于 RAG 范式的一体化知识框架文档上传后自动完成解析、分块、向量化用混合检索加大模型生成来回答问题ReAct Agent 自主编排检索、MCP 工具与联网搜索处理多步复杂问题Wiki 模式还能从原始文档生成相互链接的知识库与知识图谱支持人工编辑、版本历史与一键回滚。它本质回答三个问题知识怎么进来、怎么问出来、答案怎么追溯。下面是整体架构文档处理、RAG 与 Agent 引擎、存储、外部服务全部模块化组件均可替换3步跑通第一个问答前提装好 Docker 与 Docker Compose。克隆并启动服务git clone https://gitcode.com/GitHub_Trending/we/WeKnora然后docker compose pull docker compose up -d启动后浏览器访问http://localhost注册账号自动成为自己工作空间的 Owner。建库并选模型在知识库页点新建按向导选对话模型与向量模型本地 Ollama 或 OpenAI 兼容接口均可用测试按钮确认连通后再保存。上传文档并提问拖入 PDF、Word 或粘贴网页 URL列表页实时刷新解析进度解析完成后进入对话页选库提问回答自带引用点击可跳回原文。全程十几分钟大部分时间花在等解析。下图是解析完成后的文档列表让文档关系看得见的三个功能知识图谱可视化看清文档里实体怎么连知识库设置中开启实体与关系抽取上传的文档会自动提取实体和关系上图春联节点向外连出桃符、门神、《槛联丛话》一条连线就是一条语义关联图谱不只给人看检索时也会参与查询扩大召回面用docker compose --profile neo4j up -d启用 Neo4j完整配置见知识图谱配置说明图谱交互探索顺着连线找知识来源Wiki 模式下 Agent 从原始文档生成相互链接的 Markdown 页面与图谱点击节点右侧面板直接显示该节点的摘要、要点与相关文档内容图谱支持按节点类型实体/概念/事件/对比过滤页面支持人工编辑带版本历史与一键回滚图谱交互源码见frontend/src/views/带引用的回答每个结论有出处默认快速问答Agent 走三段混合检索相关片段 → 大模型生成 → 回答挂引用正文引用角标可点击直达原始片段引用抽屉区分知识库来源与网络来源流水线面板能看到问题理解、检索、重排的分阶段进度答案怎么拼的看得见效果对比一次内部试用的数据以下数字来自一个科技公司文档库数百份产品/API/排障文档的内部试用维度传统人工查找WeKnora RAG 知识库定位一个配置参数翻几十份文件约 15 分钟提问到拿答案约 1 分钟附来源片段跨文档关联靠人脑记忆与跳转知识图谱 混合检索自动完成答案可追溯性无点引用直达原文新人上手周期约 2 周约 3 天答案准确率从 70% 左右提到 95% 左右但这项依赖文档质量与模型配置数字供参考。进阶技巧与常见坑⚠️ 两个容易栽跟头的点容器里 Ollama 连不上后端跑在容器内模型地址填http://localhost:11434是连不通的要改成http://host.docker.internal:11434。向量模型建库后别换更换 Embedding 需要重建整个索引初始化时一次选对。召回不理想时开启 Rerank 重排或调整分块大小分块机制与检索引擎两篇文档讲得比较细。想直接调接口跑通全链路看快速上手第 7 节。收尾先跑一个最小闭环WeKnora 把文档关系变成可见的知识图谱把 RAG 检索路径变成透明、可追溯的流程。把仓库克隆下来起个容器问出第一个带引用的问题卡住了先看官方文档还解决不了就提个 issue。【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