企业官网建设流程全解析

WeKnora 本地部署教程：30 分钟搭出一个私有 RAG 知识库

【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

想在自家机器上跑一个能回答内部文档问题的私有问答系统，WeKnora 可以做到：它是开源的 LLM 知识平台，把原始文档变成可检索的 RAG 问答、自主推理 Agent 和自动维护的 Wiki，数据全程留在本地。本教程以标准版为主线、Lite 版标注差异，全程约 30 分钟（标准版首次拉镜像另计 10–20 分钟，取决于网络），完成后你得到一台可提问的本地知识库实例。

动手前先定方案

两条部署路线的差别决定后续步骤和硬件预算，先看表再选：

一句话：多人协作选标准版，个人试用选 Lite 版。两条路线都建议搭配 Ollama（本地大模型运行器）做完全离线的推理；已有云端模型 API 的，Lite 用OPENAI_BASE_URL指向它，标准版在.env里填对应地址与密钥即可。

主线步骤

步骤 1：获取源码

目标：把项目文件放到本地磁盘。

克隆仓库并进入目录：

git clone https://gitcode.com/GitHub_Trending/we/WeKnora cd WeKnora

步骤 2：生成配置文件并填密钥

目标：拿到一份专属配置文件，并把两处留空的安全密钥换成自己的值。

若走标准版路线执行cp .env.example .env；若走 Lite 路线执行cp .env.lite.example .env.lite。然后生成两个密钥填入：

openssl rand -hex 32 openssl rand -hex 16

前一个填JWT_SECRET，后一个填SYSTEM_AES_KEY（标准版要求 32 字节）。SYSTEM_AES_KEY要存档保存，丢失后旧凭据无法解密。若走 Lite 路线，确认OLLAMA_BASE_URL保持http://127.0.0.1:11434；若走标准版路线，容器内地址是http://host.docker.internal:11434，两者都是默认值，Ollama 端口不是 11434 时才需要改。

步骤 3：准备模型服务

目标：确保对话模型和向量化模型都可用。

完全本地化时，安装并启动 Ollama，拉取一个对话模型（7B–8B 规格任选）和一个用于文档向量化的 embedding 模型：

ollama serve ollama pull qwen2.5:7b ollama pull nomic-embed-text

已有 OpenAI 兼容云端模型 API 的，跳过本步，在配置文件里填服务地址和密钥即可。

步骤 4：启动服务

目标：让全部组件进入运行状态。

若走标准版路线，依次执行：

docker compose pull docker compose up -d

预期结果：docker compose ps中 frontend、app、docreader、postgres、redis 全部 healthy/running；首次拉镜像 10–20 分钟。若走 Lite 路线执行make run-lite，它先构建前端再构建 Go 二进制，首次约 5–10 分钟，需要本机装好 Go 1.26 与 Node。

步骤 5：首次进入并初始化模型

目标：完成账号与模型接通，进入可提问状态。

浏览器打开http://localhost（标准版后端 API 在http://localhost:8080）。若走标准版路线，会落在注册页，先创建第一个账号；若走 Lite 路线，页面直接可用，单空间免注册。在初始化向导或设置页的模型配置里填 LLM 与 Embedding 的地址和模型名，各做一次连通性测试，预期结果：两项都返回成功。

跑通自检

四项全过再开始导资料：

跑通后立刻能做的 3 件事

把散落文档变成可搜索的库。新建文档知识库后直接拖入制度文档与技术手册，原目录结构会保留成侧栏的文件夹树，支持框选多选和批量打标签；检索时向量与关键词并行召回，返回带出处的原文片段。

追问一个答案的出处。在知识库问答模式下提一个事实性问题，模型先检索相关段落再组织回答，你可以逐段回溯到原文分块；对高频问题，把答案单独固定进 FAQ 类知识库，以后直接命中。

修正一个错误的检索块。进入文档详情页的分块编辑，改掉错误分块并保存，索引自动重建，下一次检索立刻生效；界面保留版本历史，支持 diff 对比和一键回滚。

排障速查 + 扩容参数

更多按现象定位的问题，见 website-docs/01-getting-started/05-troubleshooting.md。

数据量上来之后

文档量上来后，按顺序调这四个参数：

• BATCH_EMBED_SIZE设 64：批量入库时一次请求向量化 64 条，明显减少与 Ollama 的往返次数。
• DOCREADER_GRPC_MAX_WORKERS设 CPU 核数（默认 4）：文档解析是 CPU 密集型任务，并行度直接缩短排队时间。
• CONCURRENCY_POOL_SIZE控制在 3–8（标准版默认 5）：并发太高挤占内存拖慢在线问答，太低拖慢入库。
• Ollama 模型参数num_ctx按模型上限调大：上下文足够时检索片段不被截断，长文档问答质量更稳。

用 8B 级本地模型时记住权衡：要单条回答质量就加大num_ctx，要整体吞吐就压低并发、分批入库，两者不能同时要满。

下一步建议：先导入 10–20 份最高频的文档，用 5 个真实问题校准检索与回答质量；确认满意后再考虑给标准版加--profile minio、--profile langfuse等可选服务。

仓库内相关资料：

• docs/LITE.md：Lite 与标准版逐条差异，选型摇摆时看这篇
• website-docs/01-getting-started/04-configuration.md：环境变量与配置项完整清单
• client/example.go：Go 客户端示例，写上传与检索脚本直接照抄结构

【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