腾讯开源WeKnora：RAG+Agent+Wiki三位一体，引领企业知识管理新范式

当企业将一份产品设计手册、一套内部制度或分散在多个系统的研发资料交给AI时，最常见的期待是「帮我找答案」。然而真实工作并不会止于一次问答——AI能否正确解析表格？能否沿着多个文档找到完整线索？当制度更新后，知识库能否同步变化？如果问题需要查资料、调用工具、生成文件并继续处理，AI又能否把事情做完？腾讯开源的WeKnora（维娜拉）正是为解决这些问题而来——它是一套基于大语言模型的知识管理框架，围绕RAG快速问答、ReAct Agent智能推理和Wiki模式构建，旨在将分散的文档沉淀为可查询、可推理、可持续演进的知识资产。

传统知识库的基本路径是上传文档、抽取文字、建立向量索引，用户提问时找出相近片段并组织答案。这条路径解决了「从大量文字里找相关内容」的问题，却很容易在真实文档面前断链。真实文档并非连续的纯文本，PDF、Word、PPT、Excel、图片、网页和思维导图的结构各不相同；关键结论可能写在表格里，一段流程依赖前后标题层级，一张图的信息根本不在文字中。更重要的是，文档知识并非静止不动——制度会更新，手册会迭代，团队成员也需要修订已有内容。WeKnora的架构设计正是从这些问题出发：先尽可能完整地读懂文档，再让文档中的知识能够被检索、被追溯、被持续维护。

从文档解析到知识建模的完整链路

WeKnora 0.8.0的核心升级是为每个会话提供可持续使用的运行时沙箱（Skill Sandbox Runtime），补上了Agent从「能回答」走向「能做事」的关键链路。当Agent找到资料后，可能需要写脚本报处理文件、调用专业Skill、生成Office文档，或把网页上的新信息与知识库内容结合起来。如果这些操作直接发生在部署服务所在的主机环境，文件边界、网络访问和运行风险都难以控制；如果每执行一步就重新创建环境，前面生成的文件和状态又无法延续。沙箱让多步任务拥有连续的工作现场：第一步生成的文件可以在第二步继续读取修改，会话结束后产物可打包下载，Agent模式可组合知识检索、工具与沙箱完成复杂任务。

0.8.0版本：沙箱运行时让Agent从「能答」走向「能做」

模块化设计让WeKnora支持灵活部署与广泛集成。项目支持本地部署、Docker Compose及Kubernetes部署，从文档解析到向量化、检索、大语言模型推理的流程均做了解耦设计，模型、Embedding、向量数据库和存储组件可按需替换。0.8.0版本新增GitLab和腾讯IMA数据源，LiteLLM成为一等的chat、embedding和rerank provider，Exa与Metaso可作为网络搜索提供方接入，官方DeepSeek Harness插件也已发布。这些设计让不同技术栈的企业都能找到适合自己的集成路径。

模块化解耦设计支撑企业灵活落地

从「把文档传进知识库」到「让文档真正成为可用知识」，中间隔着文档解析、知识组织、检索、推理、编辑和持续更新一整条链路。WeKnora的价值在于，它让知识库先读懂复杂内容，再把内容组织为可检索、可追溯、可持续维护的知识资产；当任务不止需要一个答案时，Agent还可以在有边界的沙箱工作区中调用工具、生成产物、推进多步处理。RAG解决「找到」的问题，Wiki解决「组织好」的问题，Agent沙箱解决「做到」的问题——三者协同，真正让知识管理从被动响应走向主动交付MIT协议开源的WeKnora正在探索知识与AI协同的更完整路径，期待更多开发者共同参与，让分散在不同格式、不同系统中的知识更容易被理解、被使用，也更容易持续演进。

从文档检索到智能执行：WeKnora用RAG+Agent+Wiki的三位一体架构，突破传统知识库的被动响应瓶颈，让AI真正成为能理解、会推理、可做事的企业知识助手。