微信 AI 开源 WeKnora：知识库能查还能动手执行

0 阅读

知识库终于能“动手”了

过去几年，RAG（检索增强生成）成了大模型落地的标配。你喂一堆文档进去，模型就能“引经据典”回答问题。听起来很美，但实际用起来常让人哭笑不得——它说得头头是道，却没法真正帮你做事。比如你问“怎么批量处理这批日志文件？”，它可能给你一段 Python 脚本，但你得自己复制、调试、运行，中间稍有差错就卡住。

微信 AI 团队最近开源的 WeKnora（读作“维娜拉”），想解决的就是这个“只动嘴不动手”的问题。它的核心理念很简单：知识不该只是被读取，还应该能被安全地执行。

最新发布的 0.8.0 版本已经全面开放，采用 MIT 许可证，个人和企业都能免费商用。整个框架走的是模块化路线，你可以按需组合功能，不用全盘照搬。

文档乱？没关系，anydoc 自动理清楚

很多团队的知识散落在 PDF、Word、Markdown、网页甚至截图里。传统 RAG 要求你先清洗、切块、向量化，门槛不低。WeKnora 内置的 anydoc 解析器直接绕过这一步——扔进去各种格式的文件，它自动提取文本、识别结构，甚至能处理带表格或公式的复杂文档。

更聪明的是它的 Wiki 模式。开启后，系统会尝试把零散内容组织成类似维基百科的条目体系。比如你导入一堆产品文档，它可能自动归纳出“用户认证”“API 调用”“错误码说明”等主题页面，而不是一堆碎片段落。这对后续检索和执行都打下了好基础。

不只是关键词匹配，GraphRAG 看懂关系

普通 RAG 的短板在于“只见树木不见森林”。你问“张三负责哪个项目？”，它可能从某份会议纪要里捞出一句“张三跟进 Alpha 项目”，但如果文档里没直接写这句话，它就懵了。

WeKnora 引入了 GraphRAG。它先从文档中抽取出实体（人名、项目名、工具名等）和它们之间的关系（“负责”“依赖”“调用”等），构建一张知识图谱。回答问题时，模型不是简单拼接片段，而是沿着图谱推理路径。

举个例子：如果你问“谁需要审批采购申请？”，系统可能先找到“采购流程”节点，再顺着“审批人”关系链找到“财务主管李四”。即使原文没写“李四审批采购”，只要图谱连通，答案就能出来。这种能力在处理复杂业务逻辑时特别有用。

最关键的一步：让知识在沙箱里跑起来

WeKnora 真正拉开差距的功能，是 Skill Sandbox Runtime（技能沙箱运行时）。它允许你把知识库中的某些内容标记为“可执行技能”——比如一段数据清洗脚本、一个 API 调用模板，或者一个自动化测试流程。

当用户提问触发这类技能时，系统不会只返回文字建议，而是：

  1. 把技能代码和用户输入打包；
  2. 发送到隔离的沙箱环境（支持 Docker、E2B、CubeSandbox 等）；
  3. 在沙箱内实际运行；
  4. 把真实输出（成功/失败、结果数据、日志）返回给用户。

这意味着，模型不再说“你可以试试这段代码”，而是直接告诉你“我刚试过了，结果如下”。比如你上传一批 CSV 文件，问“帮我算每个用户的月均消费”，WeKnora 可以调用预置的 pandas 脚本，在沙箱里跑完后直接返回汇总表格。

安全方面也不用担心。沙箱默认网络隔离、资源限制，且每次运行都是干净环境，避免恶意代码或意外操作影响主系统。

长期记忆：让系统越用越聪明

除了执行，WeKnora 还内置了 长期记忆（Long-term Memory）机制。每次交互的上下文、用户反馈、执行结果都会被记录下来，并用于优化后续的检索和决策。

比如某次技能执行失败了，系统会记住“这个脚本在处理空值时会报错”，下次遇到类似请求时，要么自动修正参数，要么优先推荐另一个更稳健的技能。这种持续学习的能力，让知识库不再是静态仓库，而是一个会进化的助手。

模块化设计，MIT 开源，拿来就能用

整个框架拆成了几个独立模块：

  • anydoc 解析器：负责多格式文档摄入；
  • GraphRAG 引擎：构建和查询知识图谱；
  • Skill Sandbox Runtime：管理技能的注册、调度和执行；
  • 长期记忆存储：记录交互历史和元数据。

你可以只用其中一部分。比如已有向量数据库的团队，可以跳过解析模块，直接接入 GraphRAG；或者只想试水沙箱执行，也能单独部署 Skill Runtime。

代码已在 GitHub 开源，许可证是宽松的 MIT，意味着你可以自由修改、集成到商业产品中，无需担心法律风险。微信 AI 团队表示，这套框架的目标用户既包括个人开发者做实验，也包括企业构建内部智能系统。

实际能用来做什么？

WeKnora 的设计思路其实指向一类具体场景：需要把文档知识转化为可验证动作的任务。比如：

  • 运维支持：把故障处理手册变成可执行的诊断脚本。用户报告“服务变慢”，系统自动运行一系列检查命令并返回瓶颈点。
  • 数据分析：将分析模板封装为技能。市场部上传销售数据，问“对比 Q2 和 Q3 的区域表现”，系统直接跑出可视化图表。
  • 开发辅助：把 API 文档转为可调用的函数。开发者问“怎么用新接口创建订单？”，模型不仅解释，还生成并测试调用代码。
  • 合规审查：将政策条款映射为检查规则。上传合同草案，系统自动扫描是否违反公司规定的付款周期。

这些都不是靠“生成一段话”能解决的，必须真正动手跑一遍才知道结果对不对。WeKnora 提供的正是这个“动手”的能力。

和现有方案比，差别在哪？

市面上已有不少 RAG 框架，比如 LlamaIndex、LangChain，它们也支持工具调用。但 WeKnora 的不同在于：

  • 端到端闭环：从原始文档到可执行技能，全程在框架内完成，不需要额外拼接多个工具链。
  • 强调安全执行：沙箱不是附加选项，而是核心设计。所有技能默认在隔离环境中运行，降低误操作风险。
  • 知识即技能：技能不是硬编码的插件，而是从知识库中动态提取和封装的。文档更新后，技能也能自动同步。

当然，它也不是万能药。比如对实时性要求极高的场景（毫秒级响应），沙箱启动开销可能成为瓶颈；或者需要访问内部数据库的技能，还得额外配置网络策略。但对大多数企业知识管理场景来说，这种“查+做”一体化的思路，确实更贴近实际需求。

开源只是开始

目前 WeKnora 还处于早期阶段（0.8.0），部分功能如图谱自动纠错、技能版本管理还在完善中。但微信 AI 团队选择在这个节点开源，显然是希望借助社区力量加速迭代。

如果你正被“模型只会嘴炮”困扰，不妨试试这个新框架。至少它证明了一件事：知识库的价值，不该止步于“说得对”，而应该走向“做得对”。