27,609 颗星、v0.8.0 刚发：腾讯 WeKnora 想把「文档」变成会自己长大的知识中台

腾讯微信团队做了一件不太起眼但很”腾讯”的事：把一个原本给微信对话开放平台（chatbot.weixin.qq.com）当技术底座的 RAG 系统，整个开源了出来。项目叫 WeKnora，2025 年 7 月落地 GitHub，到今天已经攒到 27,609 颗 Star、3,715 个 Fork，主语言 Go，最新版本 v0.8.0（2026 年 9 月 3 日发布）。仓库地址：https://github.com/Tencent/WeKnora 。

它解决的问题，其实一句话就能说清：文档是静止的，但人问的问题每天在变。 传统关键词检索跟不上语义，纯大模型又爱”幻觉”。WeKnora 的做法是把「文档解析 → 向量化 → 混合检索 → 大模型推理」串成一条可插拔的流水线，且在标准 RAG 之外多做了三件事：ReAct Agent 自主多步推理、自维护 Wiki、以及跨会话长期记忆。

它到底比”文档问答”多做了什么

多数开源 RAG 工具的终点是”能对着文档聊天”。WeKnora 的差异点在于后面几层：

• 混合检索：不是只换一个向量模型那么简单。查询先做改写和意图分类，再并行三路召回——向量（语义）+ 关键词 BM25 + 图谱（实体关系），召回不足时自动做查询扩展，最后接重排序。官方文档给出的流水线是 5 段，每一段都可能是瓶颈。
• Wiki Mode：Agent 把原始文档蒸馏成互相链接的 Markdown 页面，附带交互式知识图谱，支持浏览器内手工编辑、行级 diff、一键回滚。5.2 版本时官方称 Wiki 摄取已能撑到 4 万文档级别。
• ReAct Agent + 沙箱：Agent 可以编排知识检索、MCP 工具、技能沙箱（v0.8.0 起为会话级 Docker / E2B / Cube，本地宿主进程后端已移除）和网络搜索，完成多步任务。
• 插件生态：官方发布了 DeepSeek Harness 插件 @wxg-prc-cpg/dsh-weknora，让编码 Agent 直接拥有 weknora_search / weknora_ask 等只读工具；还有 Chrome 扩展和微信小程序。

真实使用门槛，别被 Star 数骗了

这是它最需要泼冷水的地方。第三方评测（Hysen Labs，2026 年 9 月）说得很直接：“如果你的团队没有能力维护 Docker、多种后端和一堆不断增长的环境变量，就别上。” 具体门槛：

• 部署：需要 Docker + Docker Compose，docker compose --profile full 才能开全功能，Neo4j（知识图谱）、MinIO（对象存储）、Langfuse（链路追踪）各自是独立 profile，编排复杂度不低。
• 配置面：官方文档站覆盖约 150 个环境变量、约 360 个 API 端点。上线前得先把 LLM/嵌入/向量库/存储四类后端定下来。
• 后端取舍：向量库可选 pgvector、Elasticsearch、OpenSearch、Milvus、Weaviate、Qdrant、Apache Doris、腾讯 VectorDB；对象存储有本地、MinIO、S3、TOS、OSS、KS3、OBS。选择多是自由，也是决策成本。
• 模型：支持 20+ LLM 提供商（OpenAI、DeepSeek、Qwen、智谱、混元、Gemini、MiniMax、NVIDIA、Ollama、LiteLLM），但内置模型要配，本地 Ollama 得先 ollama serve。
• 许可证：仓库标为 MIT，但 LICENSE 里带 Tencent 的附加条款和 THIRD_PARTY_NOTICES，商业使用前务必自己读一遍 LICENSE，官方自动分类工具都标了”需人工确认”。

谁适合、谁别碰

适合：有数据主权要求、想自托管的中大型企业；需要把知识库做成”能对外、能沉淀、能长期演进的知识中台”的团队；想给编码 Agent 外挂私有知识底座、同时用 MCP / CLI 做程序化集成的团队（weknora CLI 是 agent-first 设计，默认输出稳定 JSON 包络）。

不太适合：只想快速问几个 PDF 的个人用户（这场景有更轻的替代）；没有运维能力扛 Docker 多后端的团队；只需要”文档→答案”这一层、不想要 Agent / Wiki / 多租户复杂度的团队。

下一步可以怎么做

如果你在评估它，建议按这个顺序：先 git clone https://github.com/Tencent/WeKnora.git 用默认 docker compose up -d 跑通最小闭环，只配一个 LLM 和 pgvector，看 Quick Q&A 的召回质量；再决定要不要开 Neo4j 上 GraphRAG。想先看效果，可以读官方产品文档站（website-docs/，约 50 页）和 Roadmap，或参考这两篇中文实测：腾讯云开发者社区的架构拆解（https://cloud.tencent.com/developer/article/2610795 ）和 53AI 的选型复盘（https://www.53ai.com/news/RAG/2026062280231.html ）。想判断它和 RAGFlow、PageIndex 的区别，那篇 53AI 文章的一句话总结值得抄下来：RAGFlow 强在啃一份复杂文档，PageIndex 强在翻一本长文档，而 WeKnora 强在做能长期演进的知识中台。