微信开源 WeKnora：知识库终于不只会回答，开始自己进沙箱“干活”了

AIGC资讯

2026-09-20浏览 403,032 字 · 约 10 分钟

…

目录一、WeKnora 本来就是一套企业级 RAG0%

知识库以前最大的能力是什么？

回答问题。

你上传：

PDF；

Word；

Excel；

公司文档。

然后问：

这份合同什么时候付款？

RAG 找到对应段落。

大模型给你答案。

这套玩法已经非常成熟。

但问题也很明显：

它只会说。

知道这份数据应该怎么算。

但不会真的帮你算。

知道这个 Excel 应该修改。

但不会真的生成一个新文件。

知道项目应该怎么处理。

最后还是得：

人自己动手。

腾讯开源的：

WeKnora

现在开始往前走了一步。

它不只想做：

Knowledge Base。

而是想让知识真正进入：

Agent Runtime。

简单理解就是：

解析知识
↓
组织知识
↓
检索知识
↓
Agent推理
↓
调用Skill
↓
进入Sandbox执行
↓
生成最终结果

知识库开始从：

“告诉你怎么做”

变成：

“自己动手做”。

一、WeKnora 本来就是一套企业级 RAG

WeKnora 中文名：

维娜拉。

它是一套腾讯开源的 LLM 知识管理框架。

目前官方项目主要围绕三个核心能力：

RAG 快速问答

ReAct Agent 推理

以及：

自动 Wiki。

传统用法很直接。

上传：

PDF；

Word；

Excel；

网页；

图片；

知识平台数据。

系统完成：

解析；

分块；

Embedding；

索引；

检索。

然后用户围绕自己的资料直接问问题。

而且回答可以继续：

回溯原始引用。

这已经是传统企业知识库比较完整的一套链路。

二、但它现在已经远远不只是RAG了

WeKnora 最近的路线明显发生了变化。

以前整个链路更像：

文档
↓
解析
↓
向量检索
↓
大模型
↓
回答

现在则变成：

文档
↓
结构化解析
↓
RAG / GraphRAG / Wiki
↓
Agent规划
↓
知识检索
↓
MCP / Skills / Web
↓
Sandbox执行
↓
生成文件
↓
长期记忆

也就是说：

知识库成为Agent的上下文基础设施。

它负责告诉 Agent：

公司有什么资料；

项目以前发生过什么；

数据在哪里；

有哪些规则。

然后 Agent 再继续：

真正行动。

三、anydoc：先把乱七八糟的Office文件吃进去

知识库的第一道坎永远是：

文档解析。

真实企业资料不可能全是：

干干净净的 Markdown。

更多时候是：

Word；

PPT；

Excel；

PDF；

RTF；

CSV；

甚至各种老格式 Office 文件。

WeKnora 现在加入了：

anydoc。

这是一个基于 Rust 的文档转换能力。

在 WeKnora 中可以直接链接到 Go 主进程里执行。

支持包括：

DOC / DOCX；

PPT / PPTX；

XLS / XLSX；

PDF；

CSV；

EPUB；

ODT；

ODS

等格式。

这些文件可以直接转换成：

Markdown结构。

而且不需要每次绕到独立 Python 服务再回来。

对于轻量部署和需要降低解析延迟的场景：

会方便很多。

四、更复杂的文档，则还有完整DocReader

anydoc 不是 WeKnora 唯一的解析器。

整个系统还有专门的：

docreader。

目前可以处理：

25+ 类型内容。

包括：

PDF版面分析；

扫描件OCR；

Office；

网页抓取；

图片内容

等。

因此实际使用时，可以根据资料类型选择：

不同解析链路。

企业知识库很容易遇到：

表格；

扫描PDF；

复杂排版；

图片说明。

所以真正决定 RAG 好不好用的：

往往并不是模型。

而是：

文件有没有先被正确读懂。

五、GraphRAG：不只是找“相似段落”

传统 Vector RAG 很擅长：

找到语义相似内容。

比如问：

A公司的合同金额是多少？

直接搜索对应段落即可。

但如果问题变成：

A公司和B项目、张经理、供应商C之间分别是什么关系？

仅靠向量相似度：

就不一定好用了。

WeKnora 因此支持：

Knowledge Graph / GraphRAG。

开启以后：

系统可以从文档中继续抽取：

Entity

以及：

Relationship。

例如：

张三
↓ 负责
项目A
↓ 使用
供应商B
↓ 签署
合同C

最终把大量碎片文档：

连接成一张知识关系网络。

六、不过GraphRAG不是默认强行打开

这里需要注意。

WeKnora 的知识图谱属于：

可选能力。

目前可以通过：

Neo4j

存储知识图谱。

用户需要在知识库里启用：

实体提取；

关系提取；

Knowledge Graph。

之后上传文档：

系统才会继续构建关系图谱。

查询时：

Agent 可以再结合：

向量检索；

关键词检索；

知识图谱

获得不同类型的信息。

所以更准确的理解不是：

“所有文件自动全部变知识图谱。”

而是：

需要的时候，可以把GraphRAG作为RAG之外的第二层知识结构。

七、再往上一层，还有自动Wiki

如果只是给机器查：

GraphRAG 很好用。

但人也需要阅读。

WeKnora 现在还有：

Wiki Mode。

Agent 可以读取原始文档以后：

自动整理出：

Markdown知识页面；

页面之间的链接；

知识结构；

知识图谱。

例如你上传几十份：

产品文档；

项目记录；

会议纪要；

技术资料。

Agent 可以进一步整理成：

产品介绍
├─ 核心架构
├─ API
├─ 使用场景
└─ 常见问题

技术架构
├─ 数据层
├─ 服务层
└─ 模型层

而不是让人一直面对：

1000个原始文件。

八、真正的变化来了：Skill Sandbox Runtime

WeKnora v0.8.0 最值得看的升级就是：

Skill Sandbox Runtime。

Agent 以前即使知道：

该运行一段代码。

也存在一个问题：

到底在哪运行？

直接在服务器宿主机执行：

显然风险很大。

所以 WeKnora 现在把 Skill 放进：

隔离沙箱。

目前支持三种 Backend：

Docker

E2B

CubeSandbox。

每一次 Chat Session 都可以拥有自己的：

持久 Sandbox Workspace。

九、知识库终于可以“动手”了

进入沙箱以后：

Agent 可以执行：

shell_exec

也可以：

读取文件；

写文件；

编辑文件；

处理附件；

运行脚本；

收集最终产物。

例如给它：

一份销售知识库；

一份 Excel；

然后说：

根据知识库中的最新产品规则，重新计算Excel里的所有客户报价，并生成新版文件。

传统 RAG：

只能告诉你：

应该怎么算。

现在则可以变成：

搜索产品规则
↓
读取报价文件
↓
Agent分析
↓
调用Skill
↓
进入Sandbox
↓
执行Python
↓
修改Excel
↓
生成新版文件
↓
返回给用户

这就是：

Knowledge → Action。

十、Skill也已经变成知识库里的“一等公民”

WeKnora 现在还有专门的：

Skill Catalog。

Skill 可以从：

ClawHub；

SkillHub；

Git；

ZIP文件

安装。

并在 Workspace 中统一管理。

Agent 执行任务时：

可以同时获得：

企业知识；

Skill；

MCP工具；

Web Search。

例如：

知识库负责告诉它：

公司的报销标准是什么。

Excel Skill：

负责处理表格。

PDF Skill：

负责生成最终报告。

Web Search：

负责查询外部信息。

组合起来以后：

Agent 才真正能够完成：

端到端任务。

十一、安全这块做得比“直接执行代码”复杂很多

让 Agent 执行代码：

风险明显比 RAG 高。

所以 WeKnora 这套 Sandbox 不是简单：

exec()

一下就完事。

每个 Workspace 可以继续配置：

CPU；

内存；

TTL；

DNS；

镜像；

Snapshot。

同时还支持：

网络策略。

例如：

默认禁止外网；

只允许访问指定域名；

禁止访问特定地址。

Docker Backend 甚至默认：

不开启。

因为如果直接挂载宿主机：

docker.sock

本质上等同拥有非常高的主机权限。

所以需要管理员主动打开。

这个设计其实很重要。

知识库从“能回答”升级到“能执行”以后：

安全边界也必须跟着升级。

十二、还可以用E2B或者腾讯自己的CubeSandbox

如果不想让 Agent 在本机 Docker 里运行：

WeKnora 还可以接：

E2B。

或者：

CubeSandbox。

CubeSandbox 是腾讯的 AI Agent 沙箱基础设施。

同样用于给 Agent 提供：

隔离代码执行环境。

这样企业可以进一步把：

知识系统

和：

执行环境

彻底分离。

Agent 拿到知识以后：

任务丢到远程 Sandbox。

执行完成：

只把结果收回来。

这个架构明显更适合：

企业生产环境。

十三、长期记忆也补上了

WeKnora v0.8.0 还加入：

Cross-Session Long-Term Memory。

以前：

知识库存的是企业资料。

但 Agent 不一定记得：

这个用户是谁。

现在还可以进一步保存：

Profile；

Preference；

Fact；

Task；

Interest。

也就是：

身份；

偏好；

事实；

任务；

兴趣。

例如你经常说：

报告不要超过10页。

以后它可以把这类偏好：

保留下来。

但自动推断出来的记忆不会直接默默写死：

需要用户确认。

这比完全黑盒地自动记忆：

要可控很多。

十四、MCP也已经接进来了

WeKnora 现在还拥有自己的：

MCP Server。

外部 Agent 可以通过 MCP 直接使用：

知识搜索；

文档读取；

知识库管理

等能力。

反过来：

WeKnora 自己的 Agent 也能继续调用：

其他 MCP 工具。

于是架构就变成：

WeKnora知识
↕
MCP
↕
Codex / Claude / DeepSeek Harness / 其他Agent

甚至在 v0.8.0 中：

WeKnora 还直接发布了官方：

DeepSeek Harness Plugin。

可以让 DeepSeek Harness Agent 直接：

搜索 WeKnora；

读取文档；

查询知识库。

知识库不需要和某一个 Agent：

绑死。

十五、微信自己也在用这套框架

WeKnora 还有一个比较重要的身份：

它是：

微信对话开放平台

背后的核心技术框架之一。

通过微信生态，可以把知识问答能力进一步部署到：

公众号；

小程序

等场景。

所以它并不只是：

GitHub 上的 Demo 项目。

整套系统的目标一直偏向：

企业级知识基础设施。

现在加入 Agent、Skills 和 Sandbox 以后：

范围进一步扩到了：

Knowledge Agent。

十六、现在GitHub已经27K+ Star

目前腾讯官方：

Tencent/WeKnora

GitHub 仓库已经达到约：

27.7K Star。

Fork：

约 3.7K。

采用：

MIT License。

支持：

本地部署；

Docker；

Kubernetes / Helm；

Web UI；

REST API；

CLI；

MCP；

Chrome Extension；

微信小程序

等多种使用方式。

同时模型层并不绑定腾讯自己。

可以接：

OpenAI兼容接口；

DeepSeek；

Qwen；

GLM；

混元；

Gemini；

MiniMax；

Ollama；

LiteLLM

等模型体系。

十七、自己部署也不复杂

最常见的方式还是：

Docker Compose。

先克隆项目：

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora

复制环境配置：

cp .env.example .env

然后启动：

./scripts/start_all.sh

或者：

make start-all

启动以后：

直接通过 Web UI 创建知识库、配置模型、上传资料即可。

如果想使用：

GraphRAG；

Sandbox；

外部搜索；

Langfuse

这些能力，

再根据需要打开对应组件。

结语

我觉得 WeKnora 现在最值得看的已经不是：

“又一个开源RAG知识库。”

而是它正在把知识系统往 Agent 基础设施推进。

整个链路已经越来越完整：

anydoc / docreader
↓
把文件读懂

RAG / GraphRAG
↓
把知识找到

Wiki
↓
把知识组织起来

Agent
↓
理解应该做什么

MCP / Skills
↓
获得工具

Sandbox
↓
真正执行任务

Memory
↓
记住长期上下文

这其实就是一个完整的：

Knowledge Agent Stack。

过去我们搭知识库：

目标是：

员工问问题的时候，AI能回答正确。

现在下一阶段的问题变成：

AI知道答案以后，能不能直接把事情办了？

比如：

读公司制度。

检查合同。

计算数据。

修改 Excel。

生成报告。

运行代码。

最后：

直接把文件交付回来。

当知识库开始拥有：

知识 + 推理 + 工具 + 执行环境

以后，

它就不再只是：

一个会回答问题的企业Chatbot。

而开始真正变成：

一个懂公司知识、还能自己动手干活的Agent。

这可能才是 WeKnora 这轮升级最值得关注的地方。

微信开源 WeKnora：知识库终于不只会回答，开始自己进沙箱“干活”了

一、WeKnora 本来就是一套企业级 RAG

二、但它现在已经远远不只是RAG了

三、anydoc：先把乱七八糟的Office文件吃进去

四、更复杂的文档，则还有完整DocReader

五、GraphRAG：不只是找“相似段落”

六、不过GraphRAG不是默认强行打开

七、再往上一层，还有自动Wiki

八、真正的变化来了：Skill Sandbox Runtime

九、知识库终于可以“动手”了

十、Skill也已经变成知识库里的“一等公民”

十一、安全这块做得比“直接执行代码”复杂很多

十二、还可以用E2B或者腾讯自己的CubeSandbox

十三、长期记忆也补上了

十四、MCP也已经接进来了

十五、微信自己也在用这套框架

十六、现在GitHub已经27K+ Star

十七、自己部署也不复杂

结语

相关链接

WeKnora GitHub

WeKnora 官方文档

WeKnora Releases

WeKnora 中文 README

WeKnora 文档解析说明

WeKnora 知识图谱说明

WeKnora CLI

CubeSandbox

评论 0

推荐阅读