AI Engineeringthreads
Tencent WeKnora：RAG、ReAct Agent 與 Auto-Wiki 的企業知識平台
WeKnora 將可引用 RAG、多步 Agent、自動 Wiki、MCP Server、BrowserSkill、sandbox 與企業資料源整合在同一可自架平台。v0.8.2 功能強，但 production 應重點治理 root sandbox、skill/MCP 供應鏈、權限、索引 freshness 與第三方授權。
2026年9月8日3 分鐘閱讀👁 21
RAG / Agent / Wiki
WeKnora 不只是文件聊天：它把查詢、行動與知識整理放進同一控制面
Tencent/WeKnora 的官方定位是把 raw documents 轉為可查詢 RAG、自主推理 Agent 與自維護 Wiki。v0.8.0 已加入租戶 skill catalog、session-persistent sandbox、長期記憶與 office parser；功能完整度高，但 685 個 open issues 也提醒它仍是快速演進的大型平台。
RAG Quick Q&A
支援 PDF、Word、圖片、Excel、XMind 等多種格式，以及多種 parser、embedding、rerank 與 vector store；適合日常有引用的資料查詢。
ReAct Agent
可編排 retrieval、MCP tools、tenant skills、web search 與沙箱，處理多步任務；需要最小權限、工具 approval 與 audit。
Wiki Mode
Agent 可把文件蒸餾成互相連結的 Markdown wiki，搭配知識圖譜、人工編輯、revision history 與 rollback。
為什麼 Auto-Wiki 值得看
傳統 RAG 只在 query time 找片段，來源結構仍是散的；Wiki Mode 先把內容整理成主題頁與關係，改善瀏覽、交接與長期維護。但自動整理不等於真實：頁面合併、命名、關係與摘要仍要保留引用、版本與人審。
最常見失敗點：來源文件髒、chunk 邊界錯、OCR／表格解析失真、embedding 更換後未重建、connector 同步延遲、文件刪除未傳播、舊 wiki 未失效。WeKnora 有 adaptive chunking、chunk revision／rollback、batch reparse、queue／DLQ 與 audit，但仍需自行設 freshness SLO。
PoC 建議
- 先用 100–500 份真實文件建立含答案與引用的 golden set。
- 分別測短問答、多跳查詢、表格、圖片 OCR、權限隔離與文件更新。
- 把 RAG、Agent、Wiki 分開評分：answer accuracy、tool success、citation faithfulness、staleness。
- 每次 parser／embedding／chunk 策略更新，做增量與全量重建比較。
- 外部 MCP／web search 預設唯讀，寫入與高風險工具需人工批准。
授權：主專案 LICENSE 說明本體為 MIT，第三方元件另依各自授權；GitHub API 對 license 顯示 NOASSERTION，因此商用仍要讀 LICENSE、THIRD_PARTY_NOTICES 與部署中實際選用元件。
補充：社群再度關注後，真正該核實的兩個誤區
這則 Threads 貼文把 WeKnora 概括成「文件直接變成可問答知識庫與 Wiki」，方向符合官方定位，但要補上兩個限制：
- 能解析不等於能產出高品質 Wiki：PDF／Word／圖片／試算表等格式雖然可進系統，成果仍受 OCR、表格、chunk 邊界、embedding／rerank、索引更新與來源文件結構影響；Auto-Wiki 要保留引用、版本、人工校稿與 rollback。