WeKnora：
一款基于大语言模型（LLM）的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation） 机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。
架构设计：
核心特性：
- • 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图
- • 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话
- • 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展
- • ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱
- • 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手
- • 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控
适用场景：
| 应用场景 |
具体应用 |
核心价值 |
| 企业知识管理 |
内部文档检索、规章制度问答、操作手册查询 |
提升知识查找效率，降低培训成本 |
| 科研文献分析 |
论文检索、研究报告分析、学术资料整理 |
加速文献调研，辅助研究决策 |
| 产品技术支持 |
产品手册问答、技术文档检索、故障排查 |
提升客户服务质量，减少技术支持负担 |
| 法律合规** |
合同条款检索、法规政策查询、案例分析 |
提高合规效率，降低法律风险 |
| 医疗知识辅助 |
医学文献检索、诊疗指南查询、病例分析 |
辅助临床决策，提升诊疗质量 |
功能模块能力：
| 功能模块 |
支持情况 |
说明 |
| 文档格式支持 |
✅ PDF / Word / Txt / Markdown / 图片（含 OCR / Caption） |
支持多种结构化与非结构化文档内容解析，支持图文混排与图像文字提取 |
| 嵌入模型支持 |
✅ 本地模型、BGE / GTE API 等 |
支持自定义 embedding 模型，兼容本地部署与云端向量生成接口 |
| 向量数据库接入 |
✅ PostgreSQL（pgvector）、Elasticsearch |
支持主流向量索引后端，可灵活切换与扩展，适配不同检索场景 |
| 检索机制 |
✅ BM25 / Dense Retrieve / GraphRAG |
支持稠密/稀疏召回、知识图谱增强检索等多种策略，可自由组合召回-重排-生成流程 |
| 大模型集成 |
✅ 支持 Qwen、DeepSeek 等，思考/非思考模式切换 |
可接入本地大模型（如 Ollama 启动）或调用外部 API 服务，支持推理模式灵活配置 |
| 问答能力 |
✅ 上下文感知、多轮对话、提示词模板 |
支持复杂语义建模、指令控制与链式问答，可配置提示词与上下文窗口 |
| 端到端测试支持 |
✅ 检索+生成过程可视化与指标评估 |
提供一体化链路测试工具，支持评估召回命中率、回答覆盖度、BLEU / ROUGE 等主流指标 |
| 部署模式 |
✅ 支持本地部署 / Docker 镜像 |
满足私有化、离线部署与灵活运维的需求 |
| 用户界面 |
✅ Web UI + RESTful API |
提供交互式界面与标准 API 接口，适配开发者与业务用户使用习惯 |
安装
下载项目到本地：github.com/Tencent/WeKnora
解压 ZIP 文件，找到 .env.example 配置文件
打开编辑，修改 Ollama 地址（需要自行单独部署）
默认是用 Qwen3 8B 模型，也可以切换为自己的模型（记得删掉前面“#”屏蔽）
根据需要可以修改前端服务端口
TIP：如果是飞牛系统 postgres 容器端口 5432 已经被占用，需要进行修改
将文件重命名为 .env
将所有文件上传到 NAS 上
创建项目，选择上面文件夹路径即可（配置会自动导入）
等待容器构建完成需要一些时间
由于容器比较多，启动后一定要注意有没有报错，是否都全部启动成功
sudo bash ./scripts/start_all.sh
sudo bash ./scripts/start_all.sh --stop
sudo make clean-db
initialization
使用
浏览器中输入 <span leaf="">http://NAS的IP:8081</span> 就能看到界面
首先需要注册一个账号，点击“立即注册”
填写用户名，邮箱和密码进行注册
注册完成就可以登录了，注意是用邮箱
管理面板还是比较清爽简洁的，点击右上角“新建知识库”
这里我就随便填写一个名称了
TIP：有可能会遇到创建失败的情况（我也是后来加交流群才知道的解决方法）
连接 SSH，输入下面命令查看数据库表（这里只有几个，说明创建少了）
docker exec -it WeKnora-postgres psql -U postgres -d WeKnora -c "\dt"
输入下面命令初始化，会自动创建缺少的表了
docker exec -i WeKnora-postgres psql -U postgres -d WeKnora -f /docker-entrypoint-initdb.d/00-init-db.sql
再次输入命令查看，现在就全了
docker exec -it WeKnora-postgres psql -U postgres -d WeKnora -c "\dt"
创建知识库后，需要先配置一下
这里我是配置使用 Ollama 的，可以看到目前安装过的模型（每个人可能都不一样）
LLM 大语言模型配置，模型选了一个比较小的（速度考虑，也可以选大的会更智能）
Embedding 嵌入模型配置，也可以选普通常规模型，最好当然是选嵌入模型
其他这些就保持默认了，最后记得点击保存
设置完成就会进入知识库，上传需要学习的文件
随便找了两个文档进行测试
效果还行，起码是能索引到相关的文章
如果有不同类型需求，也可以创建多个知识库
系统信息，官方提供了 API 开发文档，有需要二次开发的用户可以点开看看
资源占用情况（不计 Ollama），处理器占用不高，内存占用在 1.3GB 左右
总结
部署这个也是遇到了一些小意外，就是无法创建知识库，上网搜索一堆也没找到方法，最后还是加了开发者的群才搞定的。真的要吐槽网络上的云教程，根本就是误人子弟，都是复制粘贴介绍的图片就算教程了。
WeKnora 是一款基于大语言模型的文档理解与检索框架，简单来说就是知识库。对接好模型，将需要学习的文档上传到知识库里，就可以对话搜索里面的内容了。不管是企业里整理内部文档、做知识管理，还是科研人员查文献、技术支持查手册，都能派上用场。
综合推荐：⭐⭐⭐（有知识库需求，隐私敏感的用户或者企业）
使用体验：⭐⭐⭐（上手门槛低，设置简单）
部署难易：⭐⭐⭐（一般）︎
