WeKnora本地部署单机能不能撑起离线知识库的文档问答【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 是一个开源 LLM 知识平台能把原始文档变成可检索的知识库、问答智能体和自维护的 Wiki。这篇实操带你在一台机器上把 WeKnora 本地部署完整跑通文档解析、向量化、答案生成全部发生在自己的硬件上数据不出本机。跑起来之后你就可以直接对内部资料做文档问答。为什么把知识库放在自己的机器上不少团队想把制度文档、合同模板、产品手册做成可问答的资料库又担心内容被送进第三方服务。本地部署让这件事不存在顾虑请求和数据都留在同一台机器里断网也能用。内部流程是独立的 docreader 服务先解析文档切成小块再把文字转成向量把一段话的意思变成一串数字方便比较哪两段话更相似后存库。提问时它取出相关段落交给模型组织回答。模型提供方、向量库、文件存储都可以单独替换换掉一个组件不影响其他部分。先做选择Lite版还是标准版WeKnora 有两种部署形态先定形态再谈配置形态部署方式数据存在哪适合谁Lite 版单个二进制 内置 SQLite一个 SQLite 文件和两个本地目录单人试用、内网小团队标准版Docker Compose 多容器Postgres可选 MinIO、Neo4j多人协作、长期运行Lite 版零外部依赖默认仅本机可访问标准版需要提前装好 Docker 和 Compose。计划跑 8B 级本地模型的话8 核 16GB 内存、50GB 磁盘、8GB 以上显存会更从容。⚙️ Lite版一键启动第一条命令下载源码并进入目录git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora第二条命令复制配置模板。改.env.lite里的三处OLLAMA_BASE_URL指向本机 OllamaTENANT_AES_KEY与JWT_SECRET换成自己的值cp .env.lite.example .env.lite第三条命令先构建前端和 Go 二进制再启动完成后终端会打印本机地址浏览器打开就是 Web 页面make run-lite走标准版则执行cp .env.example .env编辑配置再跑docker compose pull docker compose up -d访问http://localhost即可。跑通之后你能直接干什么混合检索输入一句话系统并行做向量检索和关键词检索返回带来源引用的原文片段。答案可回溯知识库指向问答模式后先检索相关段落再由模型组织回答回答能落到原文段落上。高频问题可以单独建 FAQ 类知识库固定口径。编辑与回滚每个检索块都能编辑版本历史支持 diff 和一键回滚改动后自动重建索引下一次检索立刻生效。离线部署常见问题排查先说现象再说原因Web 页面打不开端口被占或容器没就绪。检查.env里的端口用docker compose ps看容器状态。模型测试失败Ollama 没启动或地址不对。Lite 版指向127.0.0.1:11434标准版容器内要指向宿主机网关。文档一直停在处理中解析超时或队列积压。看日志对照 docs/QA.md 第 14 条处理。图片显示为无效链接存储后端对外不可达。改用本地存储STORAGE_TYPElocal或给 MinIO 配外部可达地址。刚保存的配置几秒后消失登录账号与空间归属不一致。对照 docs/QA.md 第 7 条确认在正确的空间下操作。本地 8B 模型提速清单加大向量批量BATCH_EMBED_SIZE64批量入库时减少与 Ollama 的往返次数。提高解析并发把DOCREADER_GRPC_MAX_WORKERS设为 CPU 核数解析是 CPU 密集任务并行度直接缩短排队时间。收敛任务并发CONCURRENCY_POOL_SIZE控制在 3 到 8 之间避免任务突进占满内存拖慢问答。扩大模型上下文在模型参数里写入num_ctx长文档不被截断检索片段更完整。用 8B 级本地模型时记住一个权衡想提高单条回答质量就加上下文想提高并发吞吐就降并发、分批入库。下一步建议先导入十到二十份高频文档用真实问题校准检索与回答质量再决定是否上标准版多容器部署团队引入前先读 docs/RBAC说明.md用 Go 写上传与检索程序可参考 client/example.go。【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