结论先行：微信 AI 团队把企业知识库往前推了一大步——从”能查到答案”变成”能动手执行”。开源知识管理框架 WeKnora（维娜拉）0.8.0 版本已全面面向公众开放，采用 MIT 许可证、支持私有化部署。这一版最关键的升级是 Skill Sandbox Runtime：知识库里的内容可以封装成”技能”，在 Docker、E2B、CubeSandbox 三种沙箱环境里真正跑一遍并返回可验证结果，而不是停在”我建议你怎么做”。
一、WeKnora 0.8.0 更新了什么
WeKnora 想解决的问题很现实：企业的知识躺在文档里，大模型说得头头是道，但从”说”到”做”少了一双手脚。0.8.0 用四个模块把这条链路补齐。
1. anydoc 解析：格式不再是门槛
PDF、Word、Markdown、网页等十余种格式可直接导入，无需预先转换。官方站点说明支持 PDF、Word、Excel、PPT、图片、XMind、音频等 13 种格式，还能从飞书、Notion、语雀、GitLab、腾讯 IMA、钉钉文档、RSS 增量同步。Office 文件由 anydoc 在进程内解析，每一批上传都可以单独覆盖解析、切分、视觉模型和语音识别配置。
2. GraphRAG：回答”事物之间怎么关联”
普通 RAG 靠向量检索把相关片段捞出来拼给模型；GraphRAG 则把实体和关系抽取出来建成图谱。面对”这两个业务线是什么关系””这份政策三年间改了什么”这类问题，图谱路径比纯向量相似度靠谱得多。检索侧实际是 BM25 稀疏检索 + 稠密向量 + GraphRAG 的混合方案，配合父子分块，切片本身还能在界面里编辑并自动重建索引。
3. Skill Sandbox Runtime：知识被安全地”执行”
这是 0.8.0 的核心。知识库中的内容被封装为”技能”，在沙箱中运行——模型可以从知识库调用一个技能、在沙箱里跑一遍，把生成的文件直接作为产物交付给用户。技能可从 ClawHub、SkillHub、GitHub 或 ZIP 包安装，并可为每个配置单独设定网络策略。同一会话中的多轮任务共用一个沙箱工作区，生成的文件支持预览与下载。
安全上有一个细节值得点赞：旧的本地宿主进程后端被直接移除，Docker 后端改为可选开启——因为挂载 docker.sock 等同于把宿主 root 权限交出去，官方在文档里明确写了这个风险。
4. 长期记忆：跨会话，但必须经你确认
记忆分为 profile、preference、fact、task、interest 五类，默认每个身份上限 200 条。设计上相当克制：系统自动推断的条目会先进入待确认状态，未经确认的记忆不会进入提示词，也可以随时管理或关闭。它还会记录你反复引用的文档，用这种”亲密度”影响后续检索排序。
二、RAG、Agent、Wiki：三种能力共用同一知识库
| 能力 | 解决什么 | 关键特性 |
|---|---|---|
| RAG 问答 | 查资料、要依据 | 混合检索、多模态解析、回答带原文引用可回溯 |
| Agent 推理 | 处理多步任务 | ReAct 循环、MCP 工具、网页搜索、沙箱内跑脚本 |
| Wiki 整理 | 把文档变成体系 | 自动生成互链页面与知识图谱、版本历史、一键回滚 |
Wiki 模式是被低估的一环：智能体把原始文档蒸馏成相互链接的 Markdown 页面和知识图谱，页面会标记”实体混杂””事实冲突””已过时”等类型化问题，还有一个内置的 Wiki Fixer 智能体处理这些队列。版本上限为 50 个自动版本、200 个总版本。
三、工程与部署要点
- 技术栈：Go 后端 + Vue 前端 + Python docreader，默认栈为 Postgres（pgvector / ParadeDB）+ Redis，
docker compose up -d即可起步。 - 模型解耦：不绑定腾讯混元，OpenAI、DeepSeek、Qwen、智谱、MiniMax、Gemini 以及本地 Ollama 模型均可接入，对话、嵌入、重排、视觉、语音模型可分别配置。
- 存储可换：Elasticsearch、OpenSearch、Milvus、Qdrant、Weaviate、Doris 等均可替换向量与全文引擎，对象存储支持本地、MinIO、S3、COS、OSS。
- 对外接口：官方 MCP Server 以 PyPI 包形式提供 29 个工具，另有 CLI、SDK、网页挂件、Chrome 扩展，IM 渠道覆盖微信、企业微信、飞书、钉钉、Slack、Telegram 等。
- 企业特性：四级工作区 RBAC、审计日志、按能力范围授权的 API Key、Langfuse 全链路追踪，全部包含在 MIT 仓库中，没有”企业版才解锁”的套路。
生态热度方面，据第三方技术站点 2026 年 9 月中旬统计，该仓库 GitHub 星标已超过 2.5 万、fork 约 3500，是近期最受关注的智能体基础设施项目之一。
四、和 Dify / RAGFlow / MaxKB 怎么选
| 项目 | 主打 | 更适合谁 |
|---|---|---|
| Dify | 可视化编排 AI 应用 | 要快速搭流程、做应用原型的团队 |
| RAGFlow | 复杂文档解析与高精度检索 | 文档格式极杂、对召回准确率敏感的场景 |
| MaxKB | 轻量快速交付问答机器人 | 中小团队、交付周期短的项目 |
| WeKnora | 知识全生命周期管理 + 执行 | 需要一份知识资产同时服务问答、智能体和多渠道分发的组织 |
五、上手建议与注意事项
准备 Docker 与 Docker Compose，克隆 v0.8.0 标签，复制 .env.example 并配置模型与存储后启动即可。建议的顺序是：先建一个知识库跑通 RAG 问答，再开 Wiki 模式看自动整理效果，最后再启用沙箱与技能。
需要注意三点：一是 Docker 沙箱后端涉及 docker.sock 挂载，生产环境务必评估隔离方案，或优先使用 E2B、Cube 这类托管沙箱；二是文档、接口说明与 issue 以中文为主，国际化团队要预留阅读成本；三是默认栈为单机友好设计，大规模知识库建议拆分向量库与对象存储。
FAQ
WeKnora 是免费的吗？可以商用吗？
可以。项目采用 MIT 许可证，支持私有化部署，企业级能力（RBAC、审计日志、OIDC 等）都包含在开源仓库内，没有付费分级。你需要自行承担的是服务器和模型调用费用。
必须用腾讯混元模型吗？
不需要。模型层完全可插拔，国内外主流闭源与开源模型以及本地 Ollama 模型都能接入，对话、嵌入、重排、视觉、语音模型可以分别指定，切换模型不需要重建知识库。
和普通的 RAG 工具相比，最大的不同是什么？
普通 RAG 工具止步于”上传文档、提问题”。WeKnora 把知识库变成智能体的长期上下文层：既能问答，也能在沙箱里执行技能产出文件，还能自动整理成可维护的 Wiki，一份知识资产同时在三个层面复用。
小结
WeKnora 0.8.0 的意义不在于又多了一个 RAG 框架，而在于它把”知识”从被检索的对象变成了可被执行的资产：解析、组织、检索、执行、记忆形成闭环，MIT 协议加上完整的企业级能力，让”从个人到企业”这条路线有了落地的可能。如果你正在为团队找一套能长期维护、还能接进智能体的知识底座，它值得放进候选清单亲自跑一遍。