WeKnora 上手实战5分钟让一份PDF答出答案【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnoraWeKnora 是开源 RAG让大模型先翻资料再回答知识框架把 PDF、Word 变成能直接问答的知识库。适合两类人要部署内部知识问答服务的和想进源码改一改的。 四条命令启动 WeKnora环境只需 Docker 和 Docker Compose没有别的依赖git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose up -d打开http://localhost首次访问会跳到初始化页面把 LLM 模型和 Embedding把文本转成向量供检索的模型填进去就能用。后端 API 在http://localhost:8080。所有变量集中在.env按 A 到 J 分组注释得很清楚参考 .env.example。 上传一份 PDF 然后提问在界面建一个知识库把 PDF 拖进去。文档状态从解析中变成就绪大约需要十几秒。这十几秒里发生了三件事文档解析服务 把 PDF 读成文本和图分块逻辑 按标题层级和标点把文本切成带重叠的小段Embedding 模型把每段转成向量写进 pgvector。提问时走反方向的时序你的问题先被改写成更适合检索的形式再去向量库里捞出最相关的若干段经 Rerank重排序模型排一遍序最后才交给大模型拿着这些段落组织答案。所以答案下面挂的引用就是真正被翻到的那几段。⚙️ 换 Embedding 模型只改 .env 里的变量模型配置不走界面走.env。对话模型用INIT_LLM_MODEL_NAME向量模型用INIT_EMBEDDING_MODEL_NAME再配上INIT_EMBEDDING_MODEL_DIMENSION写清维度接远程 API 就再加对应的INIT_LLM_MODEL_BASE_URL、INIT_LLM_MODEL_API_KEY等变量。两个容易踩的点维度必须和实际模型一致写错会导致向量入库失败。换了 Embedding 模型后旧文档的向量是新模型算不出来的需要重新上传或触发重新解析否则检索会对不上话。改完docker compose up -d重启 app 容器即可不用重建镜像。 把检索精度提上去答案不准九成是检索环节在漏。配置文件 的conversation段就是调检索的旋钮vector_threshold: 0.2是向量相似度门槛rerank_threshold: 0.3是重排后的保留线embedding_top_k和rerank_top_k控制各捞多少段。经验值结果噪音多就把vector_threshold调高一点明明库里写了却答不上来就把top_k调大再配合 Rerank 收紧。改完直接看效果——每个知识库都有分块编辑页能逐块检查切出来的质量块太长或把一句话拦腰切断都会拉低精度。混合检索BM25 关键词召回 向量召回的组合逻辑在 检索引擎源码 里想动策略从这里进。️ 动手改一改从分块参数开始最小二次开发切点是config/config.yaml的默认分块参数knowledge_base: chunk_size: 512 # 每块目标字数长文档可上调 chunk_overlap: 50 # 相邻块重叠字数防断句改完对新建知识库生效到分块编辑页立刻能看到差别。如果要改解析、切片或检索的代码本身从 开发指南 的快速开发模式入手make dev-start起基础设施后端用 Air 热重载改 Go 代码 5 秒内重启不用重建 Docker 镜像。踩坑速查现象服务起来了但上传文档失败 →原因LLM 或 Embedding 变量没配全 →解决补齐.env的INIT_*模型变量看docker compose logs -f app里的 ERROR。现象图片显示无效链接 →原因多模态用了 MinIO 但 bucket 不公开 →解决控制台把 bucket 设为公开读或填一个不存在的 bucket 名让系统自动创建。现象PaddleOCR 启动失败 →原因OCR_BACKENDpaddle平台兼容性差 →解决改OCR_BACKENDvlm走外部视觉模型或去掉该配置关闭 OCR。现象界面版本和下载的 release 不一致 →原因docker compose up -d复用了缓存镜像 →解决先docker compose pull再 up。现象其他机器访问不到文档里的图片 →原因MINIO_PUBLIC_ENDPOINT默认是 localhost →解决改成宿主机真实 IP。条目出处都在 常见问题排查可按图索骥。继续往哪走程序化接入读 API 文档 了解 360 个端点照着 client/example.go 跑通建库 → 传文件 → 提问的最小闭环想让外部 Agent 调你的知识库仓库里的 mcp-server/ 提供 29 个现成工具。给自己定一个下一步问题我有一批真实业务问答对怎么在 WeKnora 里量化评估检索召回和答案质量带着它去翻 端到端评估接口 和 dataset/samples/ 里的 parquet 样例比泛泛看源码收获大得多。【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 WeKnora 上手实战：5分钟让一份PDF答出答案
WeKnora 上手实战5分钟让一份PDF答出答案【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnoraWeKnora 是开源 RAG让大模型先翻资料再回答知识框架把 PDF、Word 变成能直接问答的知识库。适合两类人要部署内部知识问答服务的和想进源码改一改的。 四条命令启动 WeKnora环境只需 Docker 和 Docker Compose没有别的依赖git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora cp .env.example .env docker compose up -d打开http://localhost首次访问会跳到初始化页面把 LLM 模型和 Embedding把文本转成向量供检索的模型填进去就能用。后端 API 在http://localhost:8080。所有变量集中在.env按 A 到 J 分组注释得很清楚参考 .env.example。 上传一份 PDF 然后提问在界面建一个知识库把 PDF 拖进去。文档状态从解析中变成就绪大约需要十几秒。这十几秒里发生了三件事文档解析服务 把 PDF 读成文本和图分块逻辑 按标题层级和标点把文本切成带重叠的小段Embedding 模型把每段转成向量写进 pgvector。提问时走反方向的时序你的问题先被改写成更适合检索的形式再去向量库里捞出最相关的若干段经 Rerank重排序模型排一遍序最后才交给大模型拿着这些段落组织答案。所以答案下面挂的引用就是真正被翻到的那几段。⚙️ 换 Embedding 模型只改 .env 里的变量模型配置不走界面走.env。对话模型用INIT_LLM_MODEL_NAME向量模型用INIT_EMBEDDING_MODEL_NAME再配上INIT_EMBEDDING_MODEL_DIMENSION写清维度接远程 API 就再加对应的INIT_LLM_MODEL_BASE_URL、INIT_LLM_MODEL_API_KEY等变量。两个容易踩的点维度必须和实际模型一致写错会导致向量入库失败。换了 Embedding 模型后旧文档的向量是新模型算不出来的需要重新上传或触发重新解析否则检索会对不上话。改完docker compose up -d重启 app 容器即可不用重建镜像。 把检索精度提上去答案不准九成是检索环节在漏。配置文件 的conversation段就是调检索的旋钮vector_threshold: 0.2是向量相似度门槛rerank_threshold: 0.3是重排后的保留线embedding_top_k和rerank_top_k控制各捞多少段。经验值结果噪音多就把vector_threshold调高一点明明库里写了却答不上来就把top_k调大再配合 Rerank 收紧。改完直接看效果——每个知识库都有分块编辑页能逐块检查切出来的质量块太长或把一句话拦腰切断都会拉低精度。混合检索BM25 关键词召回 向量召回的组合逻辑在 检索引擎源码 里想动策略从这里进。️ 动手改一改从分块参数开始最小二次开发切点是config/config.yaml的默认分块参数knowledge_base: chunk_size: 512 # 每块目标字数长文档可上调 chunk_overlap: 50 # 相邻块重叠字数防断句改完对新建知识库生效到分块编辑页立刻能看到差别。如果要改解析、切片或检索的代码本身从 开发指南 的快速开发模式入手make dev-start起基础设施后端用 Air 热重载改 Go 代码 5 秒内重启不用重建 Docker 镜像。踩坑速查现象服务起来了但上传文档失败 →原因LLM 或 Embedding 变量没配全 →解决补齐.env的INIT_*模型变量看docker compose logs -f app里的 ERROR。现象图片显示无效链接 →原因多模态用了 MinIO 但 bucket 不公开 →解决控制台把 bucket 设为公开读或填一个不存在的 bucket 名让系统自动创建。现象PaddleOCR 启动失败 →原因OCR_BACKENDpaddle平台兼容性差 →解决改OCR_BACKENDvlm走外部视觉模型或去掉该配置关闭 OCR。现象界面版本和下载的 release 不一致 →原因docker compose up -d复用了缓存镜像 →解决先docker compose pull再 up。现象其他机器访问不到文档里的图片 →原因MINIO_PUBLIC_ENDPOINT默认是 localhost →解决改成宿主机真实 IP。条目出处都在 常见问题排查可按图索骥。继续往哪走程序化接入读 API 文档 了解 360 个端点照着 client/example.go 跑通建库 → 传文件 → 提问的最小闭环想让外部 Agent 调你的知识库仓库里的 mcp-server/ 提供 29 个现成工具。给自己定一个下一步问题我有一批真实业务问答对怎么在 WeKnora 里量化评估检索召回和答案质量带着它去翻 端到端评估接口 和 dataset/samples/ 里的 parquet 样例比泛泛看源码收获大得多。【免费下载链接】WeKnoraOpen-source LLM knowledge platform: turn raw documents into a queryable RAG, an autonomous reasoning agent, and a self-maintaining Wiki.项目地址: https://gitcode.com/GitHub_Trending/we/WeKnora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考