公司里那一堆文档，PDF、Word、PPT、扫描件，散在各处，你想问一句「去年那份合同里的赔偿条款到底怎么写的」，却只能一个文件夹一个文件夹翻。

腾讯开源了一个项目，专门干这件事，叫 WeKnora。它能把这堆乱七八糟的文档整理成一个能直接问答的知识库，你问一句，它从你的资料里找答案给你，还能告诉你这答案是从哪份文件、哪一段来的，附着出处，胡编的概率比直接问大模型低不少。GitHub 上现在大概有1.6万颗 star，MIT 协议，是真开源，最近一个多月一直在更新，不是那种放上去就没人管的项目。

想象一下这个画面：你把公司这些年攒下的几百份文档一次性丢进去，过一会，整套知识库就建好了。之后新来的同事不用再追着老人问「这个流程在哪份文档里」，直接问一句就有答案，还附着出处，他自己点进去就能核对。这是它想解决的事。

很多人以为，让 AI 读懂自己的文档，难的是 AI。其实不是。真正难的，是把文档变成 AI 能用的东西这条链路。这话怎么讲呢？

你把一份排版乱七八糟的 PDF 直接丢给大模型，它读出来常常是错的：表格塌成一团，图里的字它看不见，几十页的东西它根本读不全。所以一个真正能用的文档问答系统，背后是一条完整的流水线：先把各种格式的文档解析成干净的文本，再切成一小块一小块，转成机器能检索的形式，问问题的时候先从这堆块里捞出最相关的几段，再把这几段连同你的问题一起喂给模型，让它据此回答。这条线少一环都不行。

WeKnora 做的事，就是把这一整条流水线打包成一套东西，让你能直接装在自己的机器上跑起来，而不用自己一段一段去拼。下面说几个我觉得它做得比较扎实的地方。

第一，文档进得来，格式不挑。

它支持10多种格式，PDF、Word、文本、Markdown、网页、图片、CSV、Excel、PPT、JSON 都能吃。更值得说的是它支持多模态解析，意思是文档里的图片它能「看」，音频它能转成文字，不是只认纯文本。每次上传文档，还能单独配这一份怎么处理。这一步是整条链路的地基，地基歪了，后面答得再花哨也是错的。

第二，检索不是只有一招。

很多简单的方案就一种检索方式：把问题转成向量，去找意思最像的几段。这招在很多时候不够用。比如你问的是一个具体的产品型号、一个项目代号、一个人名，靠意思相近反而容易跑偏，老老实实按关键词匹配才更准。反过来，你问一个比较绕的概念，关键词又抓不住，得靠向量去理解意思。

WeKnora 把几种检索方式都放进来了：关键词检索（BM25）、向量检索、知识图谱式的 GraphRAG，还有父子分块这种把长文档拆成大块套小块、先粗定位再看细节的做法。几种捞答案的工具都备齐了，你按自己资料的特点去配，而不是拿一种方式硬套所有场景。这背后是一套完整的检索增强（RAG）框架，不是简单接个接口就完事。

第三，它不只是问一句答一句。

除了基础的问答，它还带一个会多步推理的 Agent。普通问答是你问它答，这个 Agent 是遇到复杂问题会自己分几步走、会调用工具，一步步把答案推出来，更像一个会查资料的助手，而不是一个只会背书的复读机。它还有个 Wiki 模式，能把你这堆知识库自动整理成一套相互链接的 wiki，文档自己生成、自己维护。这两个能力是比较新的，还在打磨，但方向挺有意思。

第四，模型随你接，选择很多。

这点对很多人很关键。它能接的模型很全：OpenAI、DeepSeek、通义千问、智谱、腾讯自家的混元、Gemini、MiniMax、英伟达，还支持 Ollama。Ollama 的意思是，你可以在自己电脑上跑开源模型，连云端 API 都不用调。所以你手头能用上哪几家就接哪几家——接 DeepSeek、通义、混元也好，接 Ollama 上的本地开源模型也好，这套系统都能跑起来。要提醒一句，它只是给你接口，能跑起来不等于答得好——最终答得准不准，还得看你接的是什么模型、文档质量怎么样、检索怎么配，这条链路本身搭得好不好。

第五，数据是你自己的。

它用 Docker 或者 K8s 部署，可以全本地，也可以放自己的私有云，底层存向量的数据库也能选好几种。要说清楚的是，「数据不出门」是有前提的：你得把模型也配成本地的（比如走 Ollama）、存储也用自有的，文档和检索片段才真正不离开你自己的环境；如果你图省事接了 OpenAI、Gemini 这类云端模型，问题和相关片段还是会发到对方那里去。对放着合同、研报、内部资料这些东西的团队来说，能做到全本地这件事，往往不是加分项，是硬门槛。

上手不算难。官方的说法是，把代码拉下来，改一个配置文件，敲一行命令启动，然后打开本地网页就能用。会一点 Docker 的人基本能搞定，对开发者和有点技术底子的团队挺友好。当然，纯小白还是有门槛的，毕竟要装环境、要配模型的钥匙，不是点一下就能用的网页产品。

也得说句实话，它现在还是0.x的版本，更新很快，有些能力（比如刚才说的 Wiki 模式）是最近才稳定下来的；能接的数据源也还在扩。而且答得准不准，最后还是看你接的是什么模型、喂进去的文档质量怎么样，平台本身不能保证它绝不胡说。这类工具能帮你把链路搭好，但不能替你把资料整理干净。

话虽如此，对于一个想把自己那堆文档变成能问答的知识库、又希望数据握在自己手里的人来说，这已经是个相当完整的底子了。以前要把这条流水线自己拼出来，得懂不少东西、踩不少坑；现在有人把整条线打包好放在那，你能省下的是从零搭起的那部分力气。

这是腾讯开源的项目，在 GitHub 上叫 WeKnora。

如果你正好在给团队或者自己搭文档问答，你最头疼的是哪一步，是文档解析读不准，还是检索捞不到对的内容？评论里聊聊。

#马力的AI知识分享#
#马力的AI开源项目分享#