WeKnora 替代品对比：开源 RAG 知识平台怎么选

🇺🇸
Read in English: When Documents Pile Up: WeKnora and the Open-Source Platforms Trying to Make Knowledge Actually Useful

有一类问题，几乎每个稍具规模的团队都经历过。

新员工第一天入职，HR 甩来一个文件夹链接，里面塞着三年的规章制度、七八个版本的操作手册、还有一堆不知道算不算过期的 FAQ。他认真看了两个小时，第一个问题还是得发消息问老同事，问的是：”报销要填哪个表？”

老同事头也没抬，把链接复制粘贴过去，说”自己找”。链接打开，是一个 200 页的 PDF。

这不是效率低的问题，是知识存在的方式出了问题。文档静静躺在那里，没有人问它就不会说话。

WeKnora：从微信体系里生长出来的知识平台

WeKnora 的项目描述只有一句话：把原始文档变成可查询的 RAG、自主推理的 agent，以及能自我维护的 Wiki。

听起来很宽，但拆开看，三件事的逻辑是连贯的。

第一件：快问快答。用户上传文档，直接用自然语言提问，系统检索文档片段，生成有来源依据的回答。这是最基础的 RAG 能力，几乎所有同类产品都有。

第二件：复杂任务的自主推理。这里用的是 ReAct 模式的 agent，能自己判断要不要去搜网页、要不要调用外部工具、多个步骤要按什么顺序跑。你不用把问题拆成步骤告诉它，它自己拆。比如问”最近三个月的竞品动态汇总”，它会自己搜索、整理、写成报告，中间调了多少次工具、每步结果是什么，全有日志可查。

第三件：Wiki 模式。这是 WeKnora 稍微特别的地方，agent 会把原始文档里的内容蒸馏成结构化的 Wiki 页面，页面之间有关联，也能随着文档更新自动修订。对于那种文档量大、内容频繁变化的团队，这个功能减少了手动整理的工作量。

WeKnora 和腾讯系的产品打通也是现实考量：飞书、Notion、语雀可以自动同步作为数据源；企业微信、飞书、Slack、Telegram 可以直接把 Q&A 机器人接进去，不用另外开界面。支持十多种文档格式，PDF、Word、图片、Excel 都在列。

技术栈是 Go，整个项目从 README 到代码注释都有中英日韩四个语言版本，可以看出在面向国际用户这件事上花了心思。

它的许可证是 MIT，部署无限制，商用无额外条款。

—

RAGFlow：把”文档解析”当成核心竞争力

如果说 WeKnora 的出发点是”让知识跑起来”，RAGFlow 的出发点则是”先把文档读对”。

RAGFlow 来自 infiniflow，专注的是深度文档理解这件事。它的一个核心主张是：大多数 RAG 效果差，不是检索算法的问题，而是文档解析阶段就出了差错。表格被拆散了、图片里的文字没提取、段落切割在了奇怪的位置，这些问题到了检索时已经无法弥补。

为了解决这个，RAGFlow 在文档处理上做了大量工作：支持多种切块模板，可以针对不同类型的文档（论文、合同、FAQ 列表）选不同的解析策略。它还支持 MinerU 和 Docling 作为解析后端，这两个工具在学术文档和复杂排版的处理上有口碑。

检索层面，RAGFlow 做了混合搜索（向量检索加关键词匹配），也支持生成回答时展示引用片段，让用户能追溯答案来源。有些用户专门为了这个引用追踪能力选它。

数据源接入方面，RAGFlow 支持 Confluence、S3、Notion、Discord、Google Drive 的同步，接口覆盖比较广。agent 能力也在 2025 年陆续跟上，支持 MCP，并加入了记忆功能。

RAGFlow 的 GitHub star 数量已经进入同类项目的第一梯队，社区活跃度高，更新频率稳定。许可证是 Apache-2.0，商用友好。

对于文档质量参差不齐、或者需要处理大量 PDF 报告的场景，RAGFlow 是值得认真考虑的选项。

—

Dify：做应用开发平台，不只是知识库

Dify 的定位跑得比其他几个更远一点。它不把自己定义为”RAG 工具”，而是”LLM 应用开发平台”。知识库和 RAG 是它的功能模块之一，但不是全部。

2023 年 5 月开源，2025 年 6 月突破 10 万 GitHub star，跻身全球开源项目前 100。这个数字本身说明了市场的接受程度。

Dify 的核心卖点是可视化工作流。用拖拽方式搭 AI 流程，把文档检索、模型调用、条件判断、外部 API 这些步骤连成一条链，不写代码也能跑起来。对于想快速出原型、又不想碰底层细节的团队，门槛很低。

知识库能力是 Dify 里的一个组件，可以上传文档、配置分块策略、做混合检索，然后接进工作流或对话应用。质量够用，但和专门做 RAG 的 RAGFlow 比，在文档解析的精细程度上不是同一个重心。

Dify 内置了 50 多种工具供 agent 调用，模型接入支持几百种，包括各家主流商用模型和开源模型。有完整的 LLMOps 模块，监控对话质量、记录日志、支持基于标注数据改进 prompt。

许可证用的是 Dify Open Source License，基于 Apache 2.0，但限制了部分商业用途（不能直接拿来做 SaaS 卖），需要商用授权。

如果一个团队想做的不只是”文档问答”，而是把多种 AI 能力组合成业务流程，Dify 是这几个里面工具链最完整的一个。

—

FastGPT：中文社区里跑得很稳的那个

FastGPT 在中文开发者圈子里有一批忠实用户，它的特点是部署方便、功能直接、中文文档质量好。

它提供的是可视化的工作流编排，用户可以把知识库检索、模型调用、用户输入处理这些节点拖拽组合，构建自定义的对话应用。知识库支持多库混用，可以在一次对话里同时检索多个知识库的内容，这个功能对于知识分散在不同领域的团队有实际价值。

文档格式支持常见的几种：txt、md、HTML、PDF、Word、PPT、CSV、Excel，也支持批量从 URL 导入。检索支持混合模式和重排序。

调试工具做得比较细，可以单独测试某个知识库的检索效果，对话时能看到引用了哪些片段，整个调用链路有完整日志，还有 Debug 模式可以逐节点检查工作流。对于需要反复调整检索参数的工程师，这个调试体验省了不少时间。

FastGPT 支持双向 MCP，也提供 OpenAPI，可以对接外部系统。运营层面有分享链接、iframe 嵌入、对话记录管理这些功能，用来对内或对外发布应用都够用。

许可证是 FastGPT Open Source License，个人和商业后台服务可以直接用，但不允许基于它做 SaaS 服务销售。

—

AnythingLLM：本地优先，隐私第一

AnythingLLM 出发点和前几个不太一样。它特别适合一类用户：不想把数据传给任何云服务、想在自己的机器上跑一个私有知识库助手。

它支持本地部署，支持对接 Ollama 等本地推理服务，整个数据链路可以完全不出本地网络。对于数据敏感度高的场景，比如律所、医疗机构、有安全合规要求的企业，这一点不是可选项，而是前提。

使用体验上，AnythingLLM 的工作区概念比较直观：把不同主题的文档分到不同工作区，每个工作区有独立的对话历史和检索范围，多人团队可以按权限访问不同的工作区。上传文档、对话提问，操作流程很平滑。

相比其他几个，AnythingLLM 在高级工作流和复杂 agent 编排上的能力弱一些。它更像一个”把文档变成对话伙伴”的工具，而不是一个流程自动化平台。

许可证是 MIT，本地化部署无限制。

—

五个平台放在一起

这几个平台在核心能力上有重叠，但侧重点的差异足够决定选哪个。

平台	GitHub Star	核心侧重	agent 能力	许可证	适合场景
WeKnora	3 万+	RAG + Wiki + IM 集成	ReAct，有 MCP	MIT	腾讯系团队、需要 Wiki 自维护
RAGFlow	第一梯队	深度文档解析 + 检索	有，支持记忆	Apache-2.0	文档质量要求高的场景
Dify	10 万+	LLM 应用开发平台	工具链最丰富	改版 Apache	想做完整 AI 应用流程
FastGPT	万级	知识库 + 工作流	支持双向 MCP	自有协议	中文团队、调试需求强
AnythingLLM	万级	本地私有部署	基础	MIT	数据不出本地的场景