[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"$fb8a1qysw7ykd":3},{"code":4,"message":5,"data":6,"timestamp":58},10000,"success",{"full_name":7,"position":8,"description":9,"language":10,"stars":11,"forks":12,"stars_gained":13,"age_days":14,"hn_threads":15,"one_liner":22,"summary_md":23,"topic":24,"github_topics":27,"license":48,"homepage":49,"updated_at":50,"history":51},"Tencent\u002FWeKnora",16,"Open-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.","Go",35334,4756,94,460,[16],{"id":17,"title":18,"points":19,"comments":20,"posted_at":21},46266357,"WeKnora – LLM-Powered Document Understanding and Retrieval Framework",2,0,"2025-12-14","把团队零散文档变成可溯源问答、可调工具的智能体和一份自我维护的 Wiki，统一在一个自托管平台里。","如果你想要一个自托管的地方，让文档集合同时变成带引用的问答、多步执行的 Agent 和可浏览的 Wiki，WeKnora 值得花时间试。但应把它当作需要运维的平台，而不是引入代码的库。\n\n## 解决什么问题\n团队的 PDF、Word、会议记录和网页往往散落在飞书、Confluence 或 GitLab 里。现在回答一个问题，要跨几个系统搜索、打开文档再重读，而把知识重新整理成新笔记，通常只留在某个人的聊天记录中。WeKnora 把这些来源接入知识库，让问题基于检索到的片段得到带引用的回答；Agent 还能把检索和网页搜索、MCP 工具、沙箱串起来完成多步任务。不同之处在于，同一批知识库还会生成由 Agent 编写的 Wiki，一个流程的产出可以直接成为下一个流程的素材。\n\n## 有什么不同\n它的设计是在同一套知识库上叠加三样东西：快速 RAG 式问答、带工具的 ReAct Agent、以及带知识图谱的互联 Wiki。这意味着只维护一条文档解析与切分管线，而不是把 RAG 栈和另一个 Agent 框架拼在一起。README 还写了带版本记录的文本块编辑、按上传单独设置解析与切分参数，以及会话内持久的 Docker\u002FE2B\u002FCube 沙箱和网络策略。\n\n代价是铺得很宽。支持多种向量库、对象存储、数据源、IM 渠道和 29 家模型厂商，意味着配置组合很多，每增加一个可选项，运维面就扩大一层。`docker compose` 只启动核心服务，知识图谱用的 Neo4j、对象存储用的 MinIO、追踪用的 Langfuse 都是需要主动开启的独立 profile。这种广度是一份菜单，并不保证每种组合都被验证过；建议对照[功能文档](https:\u002F\u002Fweknora.weixin.qq.com\u002Fdocs\u002F03-features\u002F02-knowledge-base)核对你打算使用的技术栈。\n\n## 谁值得试\n适合已经有文档库、也有模型预算的团队，愿意用 Docker Compose 或 Helm 自行部署，并自己选 LLM、嵌入模型和向量后端。用于内部问答、轻量 Agent 任务和共享知识的 Wiki 维护都比较对路。不适合想要一个无基础设施的单机小工具的人，也不适合想在现有 Python 项目里 import 一个检索库的开发者。若不想自托管，文档给出了 [微信对话开放平台](https:\u002F\u002Fchatbot.weixin.qq.com\u002Flogin)和腾讯云轻量应用服务器模板两条路径，不过前者面向微信场景。\n\n## 使用条件与边界\n标准路径需要 Docker、Docker Compose 和 Git，外加模型与存储配置；[项目说明](https:\u002F\u002Fgithub.com\u002FTencent\u002FWeKnora)列出了各个 profile 和升级步骤。要有持续维护的准备：模型厂商、向量库、对象存储都是你做的选择，升级会按版本重建容器，因此应固定 `WEKNORA_VERSION` 并阅读发布说明。README 没有给出费用估算，基础设施和模型调用成本需要自己预算。\n\n许可证徽章写的是 MIT，但仓库元数据标为 NOASSERTION，商用前要确认实际条款。各集成的功能深度并不相同，长长的后端清单应逐个核对，不能默认等价。\n\n## HotRepo 点评\nHotRepo 只记录了两个日榜观测点：2026-10-24 为 35,308 星（+98），2026-10-25 为 35,312 星（+94），样本太薄，无法判断热度能否持续。决定投入前，先确认你需要的向量数据库与模型厂商组合确实出现在受支持后端文档中。",{"slug":25,"name":26},"ai-engineering","AI 工程",[28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47],"agent","agentic","ai","chatbot","dsh-plugin","embeddings","evaluation","generative-ai","golang","knowledge-base","llm","multi-tenant","ollama","openai","question-answering","rag","reranking","semantic-search","vector-search","wiki","NOASSERTION","https:\u002F\u002Fweknora.weixin.qq.com","2026-10-25T02:45:47Z",[52,56],{"date":53,"stars":54,"stars_gained":55},"2026-10-24",35308,98,{"date":57,"stars":11,"stars_gained":13},"2026-10-25",1792918681]