最近在做知识库相关项目，我发现微信这边有个挺容易被忽略的开源项目：WeKnora。

如果只看一句介绍，你可能会把它理解成又一个 AI 知识库：上传 PDF、Word，然后对着文档问问题。

但我认真看了一遍现在的 WeKnora，发现这个理解已经有点过时了。

它现在做的事情，已经从最早的“RAG 知识库”，一路扩展到了 Agent、自动 Wiki、知识图谱、长期记忆、MCP、Skill、企业权限、数据源同步，甚至直接接入微信生态。

简单来说，微信正在把一套“企业 AI 知识底座”开源出来。

先说 WeKnora 到底是什么

WeKnora 是腾讯开源的一套基于大模型的知识管理框架。

最基础的逻辑还是我们熟悉的 RAG。

比如一家公司有几千份产品文档、内部制度、客户资料、会议纪要，过去想找一个答案，需要员工自己搜索文件、翻文档。

用了 WeKnora 之后，可以把这些资料统一扔进知识库，再直接用自然语言提问。

它会先从知识库里检索相关内容，再让大模型根据这些材料生成答案，而不是完全依赖模型自己的“记忆”。

官方现在把 WeKnora 的核心能力分成了三个部分：RAG 快速问答、ReAct Agent，以及 Wiki Mode。

真正让我觉得有意思的，其实是后面两个。

它已经开始从“知识库”变成“知识工作台”

传统 RAG 产品解决的问题，其实非常明确：

我有很多资料，你帮我找到答案。

但 WeKnora 现在明显已经不满足于这个定位。

它加入了 ReAct Agent。

Agent 可以自己决定什么时候搜索知识库、什么时候调用 MCP 工具、什么时候搜索互联网，再把这些步骤串联起来完成一个更复杂的任务。

这意味着，以前是：

“帮我查一下公司去年的差旅报销标准。”

现在可以进一步变成：

“根据公司过去三年的差旅制度，找出今年变化最大的五条规则，并生成一份给员工看的更新说明。”

前者是搜索。

后者已经开始变成工作。

这也是最近一两年整个企业知识库产品最大的变化：RAG 正在从一个问答组件，变成 Agent 的知识基础设施。

WeKnora 甚至已经加入了 Skill 沙箱环境，支持 Docker、E2B、Cube 等运行后端，同时拥有跨会话长期记忆。换句话说，它开始不仅记得“公司的知识”，还可以记住用户长期关注的内容和任务。

这个产品形态，已经和两年前的“ChatPDF”完全不是一回事了。

我更喜欢它的自动 Wiki

WeKnora 另一个挺有意思的功能，是 Wiki Mode。

很多企业做知识库最大的问题，其实不是“没有资料”，而是资料太多。

飞书里一份，Notion 里一份，语雀里一份，电脑里还有几十个 Word、PDF，最后所谓的“企业知识库”，本质上就是一个巨大的文件夹。

AI 搜索虽然解决了一部分问题，但知识本身依然是乱的。

WeKnora 的思路是，让 Agent 主动阅读这些原始资料，然后整理成相互关联的 Markdown Wiki，并生成知识之间的关联关系和知识图谱。

而且这个 Wiki 不是生成一次就结束了，它支持人工编辑、版本历史和回滚。

我觉得这个方向其实比“再做一个 AI 搜索框”更值得关注。

因为未来真正有价值的企业知识产品，可能不是帮你搜索那 1 万份文档，而是能够把这 1 万份文档重新组织成一套可以不断生长的知识体系。

从“找知识”，变成“整理知识”。

这是完全不同的一层价值。

数据源也越来越像企业级产品

现在 WeKnora 已经支持从飞书 Wiki、飞书云盘、GitLab、腾讯 IMA、Notion、语雀、RSS 等来源同步知识，同时支持 PDF、Word、图片、Excel、XMind 等多种文件格式。

检索也不是简单把所有文档切块之后做向量搜索。

官方文档里已经明确支持向量检索与 BM25 关键词检索结合，再通过 RRF、Rerank 等方式重新排序，并且可以结合知识图谱进一步扩大检索范围。

另外一个企业真正会关心的问题是：模型能不能自己选？

可以。

OpenAI、DeepSeek、千问、智谱、混元、Gemini、MiniMax、Ollama 等都可以接，甚至可以直接使用本地模型。底层的 LLM、Embedding、Rerank、向量数据库和存储，也都尽量做了解耦。

这点非常重要。

企业做内部 AI 时，真正麻烦的往往不是“有没有一个模型”，而是今年用 DeepSeek，明年可能换千问；部分业务走云端，敏感数据又要求跑本地。

一个知识底座如果把模型绑死，后面迁移会非常痛苦。

但它最特殊的地方，还是微信

如果 WeKnora 只是腾讯开源的一个 RAG 框架，我可能觉得它不错，但不会觉得特别值得单独写一篇。

真正让我觉得它有想象空间的，是另一句话：

WeKnora 是微信对话开放平台的核心技术框架。

通过微信对话开放平台，企业可以把知识上传进去，再把基于这些知识构建的 AI 问答能力接进公众号、小程序等微信场景。

这件事的意义其实很大。

现在很多企业都在做自己的 AI 客服、产品顾问、内部助手。

技术本身已经不稀缺了。

Dify、RAGFlow、FastGPT，包括各种 Agent 平台，都能搭出类似东西。

真正困难的反而变成了：

用户在哪里使用它？

如果做完一个 AI 助手，还需要让用户再下载一个 App、注册一个账号、记住一个网址，使用门槛依然很高。

但如果 AI 最终直接出现在公众号、小程序乃至更多微信场景里面，事情就完全不一样了。

微信天然拥有中国互联网最成熟的一套用户身份、内容、服务和企业触达体系。

所以从这个角度看，WeKnora 真正值得关注的并不只是它的 RAG 做得怎么样。

而是微信正在慢慢把 知识库 + Agent + 微信入口这几件事情串在一起。

腾讯甚至没有把模型绑死

还有一个细节我觉得挺有意思。

WeKnora 是 MIT License。

也就是说，它并不是一个只能围绕腾讯云、混元才能运行的封闭方案。官方明确支持多家模型，也支持 Docker、Kubernetes，以及本地和私有化部署。

对于开发者来说，你完全可以把它拉下来，接 DeepSeek、千问或者 Ollama，再搭自己的知识库。

甚至不一定要跟微信发生任何关系。

这其实很像腾讯这几年做开源的一种思路：先把底层基础设施做成一个开放项目，再让自己的生态成为其中一个重要出口。

所以我现在看 WeKnora，更愿意把它理解成：

腾讯正在开源一套“把企业资料变成 AI 能调用的知识”的基础设施。

今天它可以是一个知识库。

再往后，它可能成为企业 Agent 的长期记忆、数据入口和知识中枢。

过去我们搭一个 AI Agent，最先考虑的是“用哪个大模型”。

但当模型越来越便宜、能力越来越接近之后，真正拉开差距的东西可能会慢慢变成另外一个问题：

你的 Agent，到底知道多少属于你自己的东西？

公司的文档、项目经验、用户反馈、业务数据、历史决策，这些模型训练时根本不知道的东西，才是企业真正独有的数据资产。

从这个角度看，WeKnora 这种项目反而值得多看一眼。

因为 AI 下一阶段真正的竞争，可能不只是模型谁更聪明。

而是谁能把散落在企业各个角落的知识，真正喂给 Agent。

本文由作者@AI星球大本营，授权发布于平台，未经许可禁止转载。