腾讯开源WeKnora部署全攻略：从零搭建智能文档问答系统

WeKnora是一个基于大型语言模型（LLM）的文档理解和语义检索框架，专门针对结构复杂、内容异构的文档场景设计。该框架采用模块化架构，整合了多模态预处理、语义向量索引、智能召回与大模型生成推理，构建出一套高效且可控的文档问答流程。其核心检索机制依赖于RAG（Retrieval-Augmented Generation）技术，通过将上下文相关片段与语言模型结合，实现更精准、高质量的语义回答。

系统架构解析：

核心功能特性：

• • 🔍 精准理解：支持PDF、Word、图片等多种文档格式的结构化内容提取，统一构建语义视图
• • 🧠 智能推理：利用大语言模型深入理解文档上下文与用户意图，支持精确问答与多轮对话交互
• • 🔧 灵活扩展：从文档解析、向量嵌入、智能召回到内容生成全流程解耦，便于灵活集成与定制化扩展
• • ⚡ 高效检索：混合多种检索策略，包括关键词匹配、向量相似度计算和知识图谱增强
• • 🎯 简单易用：提供直观的Web界面与标准化API接口，零技术门槛即可快速上手使用
• • 🔒 安全可控：支持本地化部署与私有云环境，确保数据完全自主控制与隐私保护

适用场景分析：

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
法律合规审查	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

功能模块能力详述：

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，兼容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

安装步骤详解

首先，下载项目到本地：github.com/Tencent/WeKnora

解压ZIP文件，找到.env.example配置文件

打开并编辑该文件，修改Ollama地址（需自行单独部署）

默认使用Qwen3 8B模型，也可切换为自定义模型（记得删除前面“[#”屏蔽）

根据需要可以修改前端服务端口

提示：如果飞牛系统中postgres容器端口5432已被占用，需进行相应修改

将文件重命名为.env

将所有文件上传到NAS设备上

创建项目，选择上述文件夹路径（配置会自动导入）

等待容器构建完成，此过程可能需要一些时间

由于容器数量较多，启动后务必检查是否有报错，确保所有服务均成功启动

sudo bash ./scripts/start_all.sh  
sudo bash ./scripts/start_all.sh --stop  
sudo make clean-db  
initialization

使用操作指南

在浏览器中输入 http://NAS的IP:8081 即可访问系统界面

首先需要注册一个账号，点击“立即注册”按钮

填写用户名、邮箱和密码完成注册过程

注册完成后即可登录系统，注意需使用邮箱作为登录凭证

管理面板设计简洁明了，点击右上角“新建知识库”开始使用

此处可随意填写知识库名称进行测试

提示：有时可能遇到创建失败的情况（通过加入交流群获取解决方法）

连接SSH，输入以下命令查看数据库表（若只有少量表，说明创建不完整）

docker exec -it WeKnora-postgres psql -U postgres -d WeKnora -c "\dt"

输入以下命令进行初始化，系统会自动创建缺失的表结构

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，此时表结构应已完整

docker exec -it WeKnora-postgres psql -U postgres -d WeKnora -c "\dt"

成功创建知识库后，需进行相关配置设置

此处配置使用Ollama服务，可查看当前已安装的模型列表（不同用户可能显示不同）

LLM大语言模型配置，选择较小的模型以提升响应速度（也可选择更大模型以获得更高智能度）

Embedding嵌入模型配置，可选择普通常规模型，但推荐使用专用嵌入模型以获得最佳效果

其余配置保持默认设置，最后务必点击保存按钮

设置完成后进入知识库界面，上传需要学习的文档文件

随机选择两个文档进行功能测试

测试效果良好，系统能够准确索引到相关文章内容

如有不同类型需求，可创建多个知识库进行分类管理

系统信息页面，官方提供完整API开发文档，便于有二次开发需求的用户参考

资源占用情况统计（不计Ollama），处理器占用率较低，内存占用约1.3GB

整体总结

在部署过程中遇到一些小意外，主要是无法成功创建知识库的问题。上网搜索未找到有效解决方案，最终通过加入开发者交流群获得帮助。需要指出，网络上许多所谓教程仅复制粘贴介绍图片，缺乏实际指导价值，容易误导用户。

WeKnora本质上是一个基于大语言模型的文档理解与检索框架，可视为智能知识库系统。通过对接适当模型，将需要学习的文档上传至知识库，即可实现对话式内容搜索。无论是企业内部文档整理与知识管理，还是科研人员的文献查阅、技术支持人员的手册查询，该系统都能发挥重要作用。

综合推荐：⭐⭐⭐（适合有知识库需求、注重隐私保护的用户或企业）

使用体验：⭐⭐⭐（上手门槛较低，设置过程简单直观）

部署难易：⭐⭐⭐（难度中等）