5 分钟搭好你的 AI 文档问答WeKnora RAG 知识库实战指南【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团队里堆着上千份 PDF想找一条信息得翻半天文件库。WeKnora 是一个开源的 RAG 知识平台作用很直接把散落的文档变成可提问的知识大脑上传文档后用自然语言提问就能拿到带出处的回答。这篇文章带你走一遍从跑通服务到调好检索效果的全过程看完就能上手。先跑通三条命令然后打开浏览器 ⚡️只要装好 Docker 和 Docker Compose 就行。不用先懂架构先看效果git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env.env里每一项都有注释先保持默认。然后启动docker compose pull docker compose up -d打开http://localhost注册一个账号系统会自动给你一个专属工作空间。后端是否活着用curl http://localhost:8080/health看一眼返回{status:ok}就成了。完整分步说明见快速上手文档。三个用法先看效果 1. 带引用的问答。在页面里新建知识库拖入文档。PDF、Word、Excel、Markdown、图片都能解析。解析完成后到对话页直接提问系统先检索相关片段再让大模型作答每个结论后面都有引用角标点一下跳回原文。2. 让 Agent 自己思考。对话框顶部切到智能推理Agent。它是 ReAct 风格想一步、做一步的智能体自己决定要不要再检索一轮、要不要联网、要不要调 MCP 工具适合多步推理的问题。3. 自动整理成 Wiki。在知识库设置里打开 Wiki 索引上传文档后系统自动生成一套相互链接的 Markdown 页面和知识图谱页面可以手动编辑也有版本历史和一键回滚。关键配置一次讲清 ️本地 Ollama 还是云端 API模型配置是按知识库做的建库时向导会让你选两个模型。对话模型LLM负责写回答向量模型Embedding负责把文档转成数字其余像 Rerank 可以先不开。数据不想出内网用本地 Ollama先在宿主机跑ollama serve向导里选对应模型图省事要效果接任意 OpenAI 兼容 API填 base_url 和 api_key。一个坑先记住向量模型建库后别换。换了等于全部文档要重新向量化索引得重建。分块参数跟着文档类型调文档会被切成小片段再向量化切得好不好直接决定找没找得到。默认 512 字符多数场景够用。效果不理想时这样调FAQ 类短问答缩到 200–400 字符重叠设 0长技术文档放到 1000–2000 字符重叠 80 以上超过 10 页的文档开父子分块小片段负责向量匹配大片段给模型提供上下文。每个参数的取值范围和建议见分块机制文档。常见坑对着解 文档卡在处理中打开文档卡片上的 Trace 时间线看卡在哪一步解析、切分、向量化。确认挂死了就在面板里点中止解析不用整库重来。Ollama 测试连接失败新手最常踩这个。后端跑在容器里填http://localhost:11434指向的是容器自己必须改成http://host.docker.internal:11434。回答不沾边先查分块参数是否贴合文档再开 Rerank 重排把无关片段压下去。还查不出原因翻常见问题排查日志怎么看、怎么停服务里面都写了。接下来可以做什么WeKnora 的价值是让文档从存着变成问得到、推得出、能演进。跑通基础链路后有三个方向值得试接企业微信、飞书等 IM 频道同事不用开网页就能问接 Langfuse每一轮回答的 Token 消耗和工具调用都看得见部署配套的 MCP Server让别的 Agent 也能查你的知识库。建议从最常用的二十份文档开始整理当天下午就能看出它到底省不省事。【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