企业里最头疼的不是没有 AI，而是有 AI 但用不上自己的数据。
合同、技术文档、会议纪要、产品手册——这些知识散落在各个地方，AI 看不到。传统的 RAG 方案能解决一部分问题，但搭建和维护成本不低。
WeKnora 是腾讯开源的 LLM 知识平台，试图把这条链路打通：扔进原始文档，自动产出可查询的知识库、能自主推理的 Agent，甚至一个自维护的 Wiki。
GitHub 15,015 颗星，1,880 个 fork，1,661 次 commits。最新一次提交在 50 分钟前——这个项目非常活跃。
三层能力
RAG 查询。 把 PDF、Word、Excel 等文档喂进去，WeKnora 自动做分块、向量化、索引，然后提供查询接口。用户问问题，系统从知识库里找到相关内容并生成回答。
自主推理 Agent。 不只是简单的检索，WeKnora 支持构建能自主推理的 Agent。Agent 可以结合检索到的知识和自身推理能力，处理更复杂的任务——比如分析一份财报，找出异常数据，再追问细节。
自维护 Wiki。 这是最有意思的一点。WeKnora 不仅从文档中提取知识，还能随着新的信息输入自动更新知识库，形成一个不断生长的 Wiki 系统。
技术架构
WeKnora 采用 Go 语言编写，包含多个组件：
- CLI 工具：命令行操作入口，支持批量文档处理和系统管理
- Client：提供 API 接口，方便其他应用集成
- AI Client：统一的 LLM 接入层，支持多种模型后端
项目还在持续迭代，最近的重构将内部 agent 模块迁移为独立的 aiclient，架构更清晰。
和其他 RAG 方案的对比
市面上做 RAG 的工具不少——LangChain、LlamaIndex、Dify 等。WeKnora 的差异化在于：
腾讯出品。 大厂背景意味着这个项目有真实的内部使用场景作为支撑，不是纯实验性质的玩具。
一体化。 不只是 RAG，还包含 Agent 和 Wiki 能力，形成完整的知识管理闭环。
Lite 版本。 项目提供 Lite edition，降低了部署门槛，个人用户和小团队也能快速上手。
适用场景
企业内部知识库。 把散落在 Confluence、飞书文档、本地文件里的知识集中到一个系统里，员工通过自然语言查询。
客服系统。 把产品文档、FAQ、历史工单导入 WeKnora，AI Agent 可以自主回答客户问题，复杂情况再转人工。
研究助手。 研究团队把论文、实验数据、技术报告导入，AI 能帮助做跨文档的知识关联和推理。
需要注意的事
模型依赖。 WeKnora 本身是知识平台，需要接入 LLM 才能工作。模型的选择直接影响效果。
数据隐私。 虽然可以自部署，但文档内容会被发送到配置的 LLM 服务。如果用的是云服务，需要考虑数据安全问题。
中文支持。 腾讯出品，中文处理应该是强项，但具体效果需要实际测试验证。
我的看法
WeKnora 代表了企业 AI 应用的一个重要方向：知识基础设施化。
不是每个企业都需要训练自己的模型，但每个企业都需要把自己的知识变成 AI 可用的格式。WeKnora 提供了一条从文档到 AI 能力的快捷路径。
15K 颗星和 50 分钟前还在更新的 commit 记录，说明社区对这个方向有强烈需求。腾讯愿意把内部工具开源，对整个行业是好事。
如果你正在考虑搭建企业级 RAG 系统，WeKnora 值得纳入评估名单。
主要来源：
- GitHub - Tencent/WeKnora（仓库分析）
- GitHub Trending Go 周榜（热度追踪）
- 项目 README 和 commit 历史