WeKnora完整教程 - 2026年最新功能、价格与使用体验
内容说明：本文由 AI 基于该工具官方网站公开信息及联网搜索结果整理生成，文中涉及的功能、价格、版本等信息可能随官方更新而变化，请以官方最新说明为准。
一句话定位
WeKnora（维娜拉）是腾讯微信AI团队开源的企业级知识库框架，基于RAG+GraphRAG+Agent技术，帮助开发者和企业把PDF、网页等散落文档转化为可查询、可执行的知识资产，MIT协议可免费商用[1][4]。
核心功能
- anydoc多格式解析：PDF、Word、Markdown、网页、EPUB、XMind等直接导入，支持版式分析、扫描件OCR、表格公式识别[1][2]。
- 混合检索：BM25关键词+向量+知识图谱三路召回，RRF融合并重排，降低幻觉[3][4]。
- GraphRAG知识图谱：自动抽取实体与关系建图，Wiki模式将杂乱文档整理为带版本回退的结构化Markdown知识库[1][2]。
- ReAct Agent智能体：自主编排知识检索、MCP工具与网络搜索，通过"思考-行动-观察"循环完成多步推理[2][3]。
- Skill沙箱执行：将知识库内容封装为技能，在Docker、E2B、CubeSandbox中安全运行，返回可验证结果[1]。
- 企业级基础设施：多租户RBAC、审计日志、AES-256凭证加密，可接入飞书/Notion/语雀[3][4]。
最新更新记录
- 2026-09：v0.8.0发布，新增Skill Sandbox Runtime、租户技能目录、跨会话长期记忆、anydoc进程内解析、DeepSeek Harness插件、LiteLLM支持[1][2]。
- 2026-07~08：v0.7.x，推出作用域API Key、Worker-Pool治理、多实例存储后端、知识库文件夹树、chunk编辑与Wiki修订历史[2]。
- 2026-05~06：v0.6.x，新增租户RBAC、按知识库绑定向量库、CLI v0.3/v0.4 GA、OpenSearch驱动[2]。
- 2026-04：v0.5.x，Wiki模式正式可用、自适应三层分块、MCP人工审批；v0.4.0推出WeKnora Cloud、Chrome扩展与Notion连接器[2]。
- 2026-03：v0.3.x，IM集成矩阵、OIDC、ASR、数据源自动同步、沙箱技能执行[2]。
价格方案
| 方案 | 价格 | 主要权益 |
|---|---|---|
| 开源社区版（自部署） | 免费 | 全部核心功能，MIT协议可商用，支持Docker Compose、Helm、单二进制及桌面应用部署[1][4] |
| WeKnora Cloud（托管） | 官方未公开具体定价 | 云托管服务，自v0.4.0起提供，具体收费细则未见公开说明[2] |
使用教程
- 部署：从GitHub获取Tencent/WeKnora源码，用Docker Compose一键启动（Windows需WSL2+Docker Desktop环境）[6]。
- 配置模型：在Web UI或Ollama中接入LLM、Embedding、Rerank模型，支持OpenAI兼容接口与本地模型[4]。
- 导入文档：创建知识库后上传PDF、Word、网页，或连接飞书、Notion、语雀等数据源自动同步[3][4]。
- 问答与Agent：发起带引用的提问，或切换到ReAct Agent模式让系统自主拆解多步任务并调用工具[2][3]。
- 执行技能：将知识库内容封装为Skill，在沙箱中运行并核验输出结果，形成可追踪的执行记录[1]。
用户评价
优点：解析能力覆盖复杂版式与扫描件OCR，多模态处理和Agent智能体能力到位[5]；支持全栈私有化部署，数据完全本地化且凭证加密，适合敏感行业[3][5]；从RAG问答、Wiki图谱到MCP工具链覆盖完整，被评测认为"真正能落到企业里"而非纯算法研究项目[3]。
不足：属于服务器级应用，需Docker部署，技术门槛较高，Windows环境下端口绑定、Redis崩溃等踩坑较多[5][6]；定位偏向个人或小团队，大型团队协作功能相对薄弱[5]；文档解析、向量库等服务组件较多，资源占用与运维成本不低。
适用场景
最适合三类人群：一是需要私有化知识中台的金融、医疗等数据敏感行业团队，看重多租户权限与审计能力[3][4]；二是做垂直行业AI客服或自动化工作流的开发者，可利用微信公众号/企微机器人集成与Skill沙箱执行[3]；三是需要批量消化专业PDF（论文、合同、财报）的个人用户，其解析和带引用问答比纯向量工具更可靠[5]。
总结建议
若你需要一套能私有化部署、带权限治理和Agent执行能力的开源知识库，WeKnora在同类项目中功能完整度较高，0.8.0的沙箱技能与长期记忆已把定位从"问答"升级为"执行"[1][3]。但若团队没有Docker运维经验，或只需轻量级图检索，建议先对比LightRAG、RAGFlow、Dify等再决定，避免为用不上的功能承担部署成本[3]。
参考资料：[1] OSCHINA《微信AI团队开源WeKnora：知识库不再只动嘴，还能"动手"执行》(2026-09-20)；[2] CSDN博客《WeKnora 演进路线图：从RAG知识库到会话级沙箱Agent与长期记忆平台》(2026
