Windows 和 Ubuntu 安装 WeKnora 全攻略

文章目录

• • 【开场白】
  • 【先搞清楚：WeKnora 是什么？】
  • 【安装方案：两种选一种】
  • 【方案一：一键镜像——5 分钟开箱即用】
  • • Windows
    • Ubuntu
    • 30 秒验证
  • 【方案二：Docker 部署——全功能生产级】
  • • Windows：4 步
    • • 第 1 步：装 Docker Desktop
      • 第 2 步：装 Git for Windows
      • 第 3 步：克隆仓库 + 配置
      • 第 4 步：启动
    • Ubuntu：3 步
    • • 第 1 步：装 Docker
      • 第 2 步：克隆仓库 + 配置
      • 第 3 步：启动
  • 【Docker 部署的 Profile 速查】
  • 【初始化：从"能打开"到"能干活"】
  • • 1. 创建管理员账号
    • 2. 配置模型
    • 3. 创建知识库 & 导入文档
  • 【踩坑急救包】
  • 【和 Hermes / OpenClaw 怎么搭配？】
  • 【模型选择：本地 vs 云端】
  • 【一图流总结】
  • 【结尾】

【开场白】

前两期我们装了 OpenClaw 和 Hermes——一个是 AI 通信网关，一个是自进化智能体。但有个问题一直没解决：

你的文档怎么办？

产品手册、合同条款、技术文档、会议纪要……堆了几百个 PDF 和 Word，用的时候翻半天。通用 AI 问它一句，它给你编一段——看着靠谱，实际可能是瞎编的。

今天装的这个东西，专治"文档多、找不着、AI 胡说"——WeKnora，腾讯开源的文档理解与智能检索框架。

它只做一件事：你给它文档，它只从文档里找答案。不多说一句，不编一个字。

而且，它和你已经装好的 Hermes、OpenClaw 都不冲突——三个工具各有分工，我们后面讲。

【先搞清楚：WeKnora 是什么？】

一句话：本地部署的 RAG 知识库问答系统。

RAG，全叫 Retrieval-Augmented Generation，检索增强生成。听着玄乎，逻辑很简单：

传统大模型：你问 → 它凭训练数据答 → 可能编造（幻觉）
RAG 模式： 你问 → 先从你的文档里检索 → 把检索结果喂给模型 → 模型基于真实文档回答

区别就像：闭卷考试 vs 开卷考试。 WeKnora 让 AI 翻你的文档再回答，而不是凭记忆瞎编。

WeKnora 的核心能力：

【安装方案：两种选一种】

WeKnora 提供两种安装方式，差别很大：

我的建议： 先用一键镜像体验，觉得值再切 Docker 部署上全功能。两个方案我都讲。

【方案一：一键镜像——5 分钟开箱即用】

这个方案最简单。不需要 Docker，不需要命令行，不需要懂什么是向量数据库。

Windows

端口 8080 被占用？关掉占用的程序再试。Windows 下查端口：

netstat -ano | findstr :8080
taskkill /PID <PID号> /F

Ubuntu

30 秒验证

界面打开后：

• 左侧"背景知识"框，粘贴：

  WeKnora 是一款本地知识问答工具。它基于 Ollama 框架运行，无需联网即可使用。默认模型为 phi3:3.8b，适合快速响应和精准抽取。

• 右侧"你的问题"框，输入：

  WeKnora 默认使用什么模型？

• 点"提问"——几秒后应出现：

  WeKnora 默认使用的模型是 phi3:3.8b。

答案对、不编造、格式整洁——部署完成。 全程没碰终端，没改配置。

【方案二：Docker 部署——全功能生产级】

一键镜像够体验，但你要知识图谱、对象存储、多租户权限、监控日志——那得上 Docker。

Windows：4 步

第 1 步：装 Docker Desktop

官网下载安装，一路下一步。装完确保：

• 右下角小鲸鱼图标显示绿色
• Settings 里 “Use the WSL 2 based engine” 是勾选状态

没装 WSL2？管理员 PowerShell 执行 wsl –install，重启电脑。

第 2 步：装 Git for Windows

官网下载，安装时 “Adjusting your PATH environment” 那一步选 “Git from the command line and also from 3rd-party software”。

第 3 步：克隆仓库 + 配置

打开 PowerShell 或命令提示符：

mkdir C:\\ai-projects
cd C:\\ai-projects
git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env

⚠️ 路径必须全英文！ C:\\我的项目\\WeKnora 这种中文路径会导致 Docker 构建失败。

编辑 .env 文件，核心配置：

第 4 步：启动

docker compose up –d

首次运行拉镜像，3-5 分钟。看到 Started 且光标回到新行——打开浏览器访问 http://localhost。

全功能模式（知识图谱 + 对象存储 + 监控）：

docker compose —profile full up –d

Ubuntu：3 步

第 1 步：装 Docker

curl -fsSL https://get.docker.com | sh
sudo usermod -aG docker $USER
newgrp docker

第 2 步：克隆仓库 + 配置

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env

编辑 .env，配置 LLM Provider 和 API Key（同上表）。

第 3 步：启动

docker compose up -d

验证：

docker compose ps # 所有服务状态应为 running
curl http://localhost:8080/api/health # 返回 OK

打开 http://localhost，看到 WeKnora 界面——搞定。

【Docker 部署的 Profile 速查】

WeKnora 用 Docker Profile 按需开启功能，不用全装：

按需选，不要一上来就 –profile full。 先跑通最小部署，再加功能。

【初始化：从"能打开"到"能干活"】

Docker 部署首次打开后，还有三步：

1. 创建管理员账号

首次访问 http://localhost，引导你注册管理员。

2. 配置模型

设置页面填入你的 LLM API Key。国内推荐：

• DeepSeek——便宜，中文好，API 兼容 OpenAI 格式
• 智谱 GLM-4——无需代理，按量计费
• 本地 Ollama——零成本，隐私最强，但需要 GPU

3. 创建知识库 & 导入文档

点"创建知识库"，选类型：

• FAQ 知识库：适合问答对，客服场景
• 文档知识库：适合长文档，技术手册、合同、报告

然后上传文档——PDF、Word、Markdown 直接拖进去，WeKnora 自动解析、分块、向量化。

【踩坑急救包】

【和 Hermes / OpenClaw 怎么搭配？】

三个工具完全共存，数据隔离：

~/.openclaw/ ← OpenClaw 的家
~/.hermes/ ← Hermes 的家
~/WeKnora/ ← WeKnora 的家（Docker 数据在容器卷里）

推荐分工：

一个组合场景：

• OpenClaw 接飞书，收到同事的问题
• 问题需要查文档？OpenClaw 调 WeKnora 的 API 做检索
• 检索结果需要深度分析？Hermes 接过做推理和技能沉淀

三件套：通信 + 进化 + 知识，覆盖 AI Agent 的核心需求。

【模型选择：本地 vs 云端】

WeKnora 支持多种模型接入方式：

我的建议： 本地体验用 Ollama，生产部署用 DeepSeek 或智谱。省钱又省心。

【一图流总结】

方案一：一键镜像（5分钟体验）
Windows: 下载 .exe → 双击 → 等 2 分钟 → 打开 localhost:8080
Ubuntu: 下载 .bin → chmod +x → 运行 → 打开 localhost:8080

方案二：Docker 部署（10分钟全功能）
Windows: Docker Desktop → git clone → cp .env.example .env → docker compose up -d
Ubuntu: 装 Docker → git clone → cp .env.example .env → docker compose up -d

验证：
方案一：粘贴文本 → 提问 → 答案准确 = 成功
方案二：curl localhost:8080/api/health → OK = 成功

【结尾】

WeKnora 的价值，不在于它多炫酷，在于它解决了一个真实的痛点——文档就在那里，但找起来太费劲，AI 帮你找又不靠谱。

WeKnora 让 AI 只说文档里有的话。找不到就老实说"没找到"，不会编一个"看着对但其实不对"的答案。

对于合同审核、技术文档查询、产品参数检索这种答错比不答更危险的场景，这才是正确的 AI 姿势。

装完 OpenClaw + Hermes + WeKnora，你的本地 AI 工具链就完整了——通信、进化、知识，三位一体。