从RAG到Agent知识基础设施：WeKnora如何重塑企业知识管理

过去两年，给大模型“外挂一个知识库”几乎成为企业落地AI的标准动作。PDF、Word、PPT、网页、飞书文档满天飞，但真正让AI用起来时，这些知识依然是散的、乱的、不好找的。腾讯微信团队最新开源的WeKnora项目正在改变这一局面——它没有停留在“上传文档、和PDF聊天”的传统RAG模式，而是把知识库一路扩展到了ReAct Agent、MCP、Skills、代码沙箱、长期记忆、知识图谱和自动Wiki。当前该项目在GitHub已获得23.4k Stars，并已适配DeepSeek Harness官方插件。这标志着企业知识管理正从静态检索向动态Agent知识基础设施演进。

混合检索与重排序：知识召回质量的双重保障

WeKnora在知识召回层面采用了业界成熟的混合检索架构。底层由文档解析引擎、自适应分块策略、向量检索与BM25混合搜索以及Rerank重排序模型组成。与传统单一向量检索不同，混合检索能够同时兼顾语义相似性和关键词精确匹配，显著提升知识召回的准确率和完整性。在此基础上，Rerank模型对初筛结果进行二次排序，将最相关的知识片段优先呈现给大模型。这一组合拳解决了企业知识库常见的“找到了但不是最相关的”痛点，为上层Agent能力提供了可靠的数据供给。

ReAct Agent与MCP：让知识库真正动起来

如果说混合检索解决了“找什么”的问题，那么ReAct Agent则回答了“怎么用”的难题。WeKnora引入了ReAct范式，让Agent能够围绕一个业务问题进行多轮检索、MCP调用和Skills执行。它不再是一次性问答，而是持续的思考-行动-观察循环。Agent可以从知识库中检索相关业务规则，调用MCP接口访问外部系统，甚至进入代码沙箱执行Python完成数据分析。Docker、E2B、Cube三种沙箱后端为Skills执行提供了灵活的运行时环境。这种“知识+工具+执行”的闭环设计，使知识库从被动检索升级为主动服务。

知识图谱与长期记忆：从碎片到结构化认知

企业知识库的终极目标不是“存文档”，而是“长脑子”。WeKnora的Wiki Mode让Agent能够自动阅读原始资料，将散落的实体、概念和关系重新整理成相互链接的Markdown Wiki，并同步生成知识图谱。更重要的是，系统支持跨会话的长期记忆能力。Profile、Preference、Fact、Task、Interest等不同维度的用户信息被持续记录，Agent提取的记忆不会直接写入，而是等待用户确认后再自动召回。这意味着一旦用户表达过“我关注成本分析”或“上次做的是季度报表”，后续对话中Agent就能主动适配，而非每次从零开始。这种从碎片知识到结构化认知的进化，正是企业知识管理从量变走向质变的关键。

共享知识层：多Agent协作的新基座

在WeKnora的架构设计中，不同Agent可以共享同一个企业知识层。这不仅仅是技术上的便利，更是组织层面AI落地的关键基础设施。企业可以同时运行Claude Code、DeepSeek Harness以及各类自研Agent，它们的模型和Harness可以完全不同，但底层依赖的企业知识却是同一套。WeKnora已为DeepSeek Harness提供官方插件@wxg-prc-cpg/dsh-weknora，Coding Agent可以直接搜索企业知识库、读取完整文档或调用RAG流程完成问答。这意味着企业无需为每个Agent重复构建知识库，所有Agent都能站在同一套知识体系上工作，真正实现了企业知识从“静态存储”到“动态资产”的跨越。

从RAG到Agent，知识管理正在经历一场范式跃迁。传统RAG解决的是“知识在哪”的问题，而Agent时代需要回答“知识怎么用、谁来用、怎么记住”。WeKnora通过混合检索、Agent执行、知识图谱和长期记忆的组合，为企业构建了一套完整的Agent知识基础设施。未来，企业AI的竞争不在于模型本身，而在于谁能真正把散落的知识变成Agent可理解、可调用、可积累的智能资产。