把整座“文档图书馆”装进 AI 大脑：WeKnora 使用指南与场景实战

“

你手边是否有一大堆 PDF、Word、扫描图片或技术手册，却苦于找不到想要的那一段？
本文用通俗语言带你认识 WeKnora（中文名“维娜拉”）——一个能把任意文档变成可对话知识的 AI 框架。读完即可动手部署、上传文件、提问并得到精准回答。

一、WeKnora 是什么？三分钟速览

一句话总结：
WeKnora = 文档解析器 + 向量搜索引擎 + 大语言模型，开箱即用，支持本地或 Docker 一键启动。

二、架构图一目了然

1. 文档解析层：把 PDF、Word、图片拆成段落，OCR 识别文字。
2. 向量化层：调用 BGE、GTE 等模型把段落转成数学向量，存进 pgvector 或 Elasticsearch。
3. 检索层：关键词、向量、知识图谱三路召回，互补短板。
4. 大模型层：Qwen、DeepSeek 等模型读取最相关片段，生成自然语言答案。

三、核心特性拆给你看

四、适用场景：把痛点翻译成收益

五、功能模块速查表

六、快速开始：从 0 到提问只需 5 分钟

1. 准备环境

确保电脑已装：

• Docker
• Docker Compose
• Git

2. 克隆并启动

# 克隆
git clone https://github.com/Tencent/WeKnora.git
cd WeKnora

# 复制配置
cp .env.example .env
# 用文本编辑器打开 .env，按需填写（一般默认即可）

# 一键启动
./scripts/start_all.sh
# 或用 make
make start-all

看到终端提示 All services healthy 即成功。

3. 打开浏览器

4. 上传第一篇文档

• 拖拽 PDF 到“知识上传”区域
• 系统会显示“解析中 → 向量化 → 完成”
• 平均 10 页论文约 30 秒完成

5. 提第一个问题

在问答框输入：“这篇论文的创新点是什么？”
AI 会返回带页码的引用段落，右侧还有原文缩略图。

七、微信生态：零代码最快路径

如果你不想自己搭服务器，WeKnora 已接入微信对话开放平台：

1. 打开 chatbot.weixin.qq.com
2. 注册账号 → 创建机器人 → 选择“知识问答”
3. 上传文档 → 系统自动用 WeKnora 内核完成解析
4. 在公众号或小程序里，用户直接提问即可

八、知识图谱：把文档“画”成脑图

开启知识图谱后，WeKnora 会把段落之间的引用、因果、并列关系绘成图：

好处：

• 一眼看出“章节 3.2 被结论引用了 5 次”
• 点击节点可跳转原文
• 为后续问答提供更丰富上下文

九、FAQ：你最可能问的 10 个问题

Q1：需要 GPU 吗？
A：推理阶段可选。用本地 Ollama + Qwen-7B，4 核 CPU 也能跑；追求速度可加一张 8 GB 显存的显卡。

Q2：数据会不会泄露？
A：完全离线部署时，数据只在内网硬盘。Docker 镜像可拉取后断网运行。

Q3：支持中文合同里的表格吗？
A：支持。表格会被解析成 Markdown 格式，再向量化检索，问答时能精确到“表 2-1 第三行”。

Q4：可以集成到公司现有系统吗？
A：提供 RESTful API，任何语言都可调用。返回 JSON 含答案、置信度、原文片段与页码。

Q5：如何更新知识库？
A：Web 界面支持“增量上传”。同名文件会覆盖旧版本，向量库自动更新。

Q6：是否支持权限管理？
A：开源版提供最基础的登录验证；企业版可对接 LDAP、OAuth2。

Q7：检索命中率低怎么办？
A：先在“链路追踪”里查看召回片段，如果相关度低，可调 BM25 权重或换 embedding 模型。

Q8：可以只搜索标题不搜索正文吗？
A：可以。检索策略支持“标题加权”，在配置文件里把 title_weight 调高即可。

Q9：Docker 镜像多大？
A：完整镜像约 6 GB，含 Ollama+模型；如果自行托管模型，可缩减到 1.2 GB。

Q10：许可证允许商用吗？
A：MIT 许可证，可商用，只需保留原始版权声明。

十、开发者指南：如何二开或贡献

目录结构速读

WeKnora/
├── cmd/         # 启动入口
├── internal/    # 核心业务
├── config/      # 配置文件
├── migrations/  # 数据库脚本
├── scripts/     # 一键启停
├── services/    # 子服务
├── frontend/    # Vue 前端
└── docs/        # 接口文档

常用命令

# 清空数据库（开发测试用）
make clean-db

# 单独重启检索服务
docker compose restart retrieval

# 查看实时日志
docker compose logs -f llm

贡献流程（写给想提 PR 的你）

1. Fork 项目 → 创建 feature 分支
2. 代码格式用 gofmt 自动整理
3. 写单元测试，覆盖核心逻辑
4. 提交信息用 Conventional Commits
   例：feat: add batch upload UI
5. 提交 Pull Request，社区 Code Review 通过后合并

十一、真实案例 3 则

案例 1：某券商合规部

背景：每月需核对 2000 份资管合同中的“风险揭示条款”。
做法：

• 将所有 PDF 上传到 WeKnora
• 写提示词模板：“找出风险揭示条款并总结 3 条核心内容”
• 用 API 批量跑，30 分钟完成原本 3 人天的工作量

案例 2：高校课题组

背景：新生研读 100 篇深度学习论文。
做法：

• 把论文打包上传
• 建微信群机器人，学生问“图 4 的网络结构如何复现”
• 回答附页码，学生可一键跳原文

案例 3：制造业售后

背景：设备故障手册 8000 页，客服查找慢。
做法：

• 手册分章节上传
• 客户报修“电机异响”，客服输入症状
• AI 返回“第 5.3.2 章 图 5-7 轴承润滑检查步骤”

十二、下一步可以做什么？

• 微调 embedding：用领域语料训练更适配的向量模型，提升检索精度 5–15%。
• 接入企业微信：通过开放平台机器人，把知识库直接装进企业微信聊天窗口。
• 做离线 Demo U 盘：把镜像、模型、前端打包进 32 GB U 盘，插入笔记本即可演示。

十三、结语

WeKnora 让“文档”不再是一堆沉睡的文件，而成为随时可对话的知识库。
无论你是开发者、研究员还是业务人员，只需一条命令即可启动，然后像聊天一样查询任何细节。

现在就打开终端，输入：

git clone https://github.com/Tencent/WeKnora.git
./scripts/start_all.sh

把第一份 PDF 拖进去，向它提一个问题——
你会发现，知识从未如此触手可及。