腾讯开源知识库 WeKnora 本地实战篇：从创建知识库到精准问答，本地完整配置全攻略！

上次我们聊了怎么在本地部署 WeKnora 环境。
这次咱们来点“真刀真枪”的操作——创建知识库 + 配置模型 + 上传文件 + 智能问答验证，
完整地跑通一个属于你自己的「私有知识问答系统」。

如果说上一篇是“铺地砖”，那这篇就是“装修落地”。
搞定它之后，你的知识库就能真正动起来，问问题、给答案，一气呵成！

准备工作：先把 Ollama 启动起来

WeKnora 虽然支持远程 API 模型，但最推荐的还是用 本地 Ollama，
这样整个流程都是离线可控的。

先确认你的 Ollama 已经安装并在运行：

docker ps | grep ollama

如果没启动，请运行：

docker run -d -v ollama:/root/.ollama -p 11434:11434 --name ollama ollama/ollama

然后拉取需要的 embedding 模型：

ollama pull bge-m3

💡 说明：

• bge-m3 是腾讯官方推荐的嵌入模型，性能稳、兼容性好；

• 后面知识库创建时会默认使用它来做文本向量化。

创建知识库：点击几下就能搞定

打开浏览器，访问：

http://localhost     ##如果你加了端口号，也需要带上

进入 WeKnora 的主界面后，左侧点击 「知识库」 模块。

点击右上角的 「新建知识库」 按钮，就会弹出创建窗口👇

填写信息：

• 名称：随便取，比如「微信公众号文章库」；

• 描述：可选；

• 直接点「创建」。

创建完成后你会看到一个“未初始化”的状态。
别急，这时候还不能上传文件——
系统提示：需要先完成模型配置。

配置知识库：RAG的灵魂部分

点击右侧的 「设置」 按钮，进入配置界面。

这一页其实就是整个知识库的“大脑”设置区：
包括语言模型、embedding 模型、Rerank、多模态、分段策略等。

1️⃣ 连接 Ollama

顶部显示 Ollama 服务状态：

Ollama 地址：http://host.docker.internal:11434
状态：已安装模型 bge-m3latest

如果状态正常，说明本地模型可用。

2️⃣ 配置大语言模型（LLM）

在「LLM 模型配置」部分选择：

• 模型来源：Ollama（本地）、Remote API（远程）

• 模型名称：这里我选的是远程的DeepSeek


  

  如果用deepseek的话，需要到其官网上创建一个API Key。

📢 说明：
本地没有部署LLM，只能用远程的LLM了。这里选的是deepseek。
如果你显存够大（24G 以上），可以直接用多模态模型 Qwen2.5VL:7b，支持图文混合问答。

3️⃣ 配置 Embedding 模型（向量化）

在「Embedding 嵌入模型配置」部分：

• 模型来源：Ollama

• 模型名称：bge-m3

• 维度：自动检测即可

这个模型负责把你的文档分段转成向量，是检索精准度的关键。
WeKnora 支持自定义修改，比如你也可以改用 text2vec-large-chinese。

4️⃣ 配置 Rerank 模型（可选）

Rerank 负责“二次筛选”检索结果。

本地做测试的话，可以关闭Rerank，效果差不多。

• 关闭「启用Rerank重排模型」开关即可。

• 只用 Embedding（你已经配了 bge-m3 1024）+ LLM，检索问答一样能用。

如果想提高答案准确率的话，可以开启，但回答速度会变慢。
启用方法：

• 打开「Rerank 重排序模型配置」

• 模型名称：rerank-multilingual-v3.0（支持中文多语）

• Base URL：https://api.cohere.com

• API Key：你的 Cohere Key

⚙️ 建议：如果你只是测试环境，可以先不启用。生产环境建议开，答案准确率会明显提升。

5️⃣ 开启多模态（可选）

如果你希望解析图片内容（比如PDF里有图表），可以打开：

• 「多模态配置」→ 勾选“启用多模态图片信息提取”

还需要配置存储，可以用MinIO，使用方便简单。

⚠️ 注意：多模态模型对显存要求高，至少要 24G 以上，推荐配置 Qwen2.5VL:7b。

本人电脑显存太小，下载完模型，就直接死机了:(

6️⃣ 设置文档分段策略

WeKnora 的分段逻辑非常灵活，有三种模式可选：

你也可以手动拖动滑块调整分块大小和重叠度，
最后点击底部的 「更新知识库设置」 保存配置。

保存成功后，状态就会变成 “已初始化” 🎉
这时我们就能往里扔文档了。

上传文档：喂知识进去！

返回知识库列表，点你刚建好的那个知识库 → 「文档」。

直接拖拽文件上传，支持：

PDF/Word/Markdown/ 图片（会自动OCR识别）

上传后，系统会自动执行以下步骤：

1. 文本提取（包含OCR识别）

2. 分段切片

3. 向量化处理（Embedding）

4. 构建索引

状态变成 ✅「已完成」时，说明入库成功。

智能问答测试：让知识动起来

切换到左侧菜单的「对话」模块。
选择刚刚建的知识库，在输入框随便问一句：

“微信公众号知识库里，如何配置 embedding 模型？”
“AI 智能体知识库的文件存放在哪个路径？”

WeKnora 会自动从文档里检索相关段落，然后用 LLM 生成总结。
右侧还能看到引用来源，非常清晰。

实战技巧（让问答更精准）

💡 1. 分段别太大
建议每块 500~1000 字，这样召回更准确。

💡 2. 文件命名清晰
比如 “01_安装指南.pdf”“02_配置文档.docx”，
后续引用来源更容易识别。

💡 3. 合理选模型组合
推荐组合：

• 中文文档 → Qwen + bge-m3 + Rerank

• 英文文档 → Mistral + text2vec-large

  


💡 4. 多模态别乱开
显存不够千万别勉强，否则直接 OOM（爆显存）。

总结：这才是真正的“可控知识库”

到这一步，你已经拥有了一个完整可用的本地知识库系统：

✅ 本地 Ollama + Embedding + Rerank
✅ 知识库初始化配置
✅ 文档入库
✅ 精准问答

最重要的是——数据全在你自己手上。
不联网、不上传、不依赖外部API，一切尽在掌控。

WeKnora = “可折腾版 IMA”
IMA 是黑盒，而 WeKnora 是乐高。
想怎么玩，随你拼。