微信AI团队开源WeKnora知识管理框架

微信AI团队正式开源了知识管理框架WeKnora（维娜拉），最新发布的0.8.0版本已全面面向公众开放使用。这一框架的定位可以概括为一句话：让知识库不只是“能查到答案”，而是“能动手去执行”。

WeKnora想解决的，是大模型落地过程中最现实的一道坎——知识躺在文档里，模型说得头头是道，但要把这些知识变成可验证的结果，中间缺一双手脚。

anydoc解析与Wiki模式：把杂乱文档变成结构化知识

第一个亮点是anydoc解析能力。PDF、Word、Markdown、网页等多种格式可直接导入，无需预先转换；配合Wiki模式，系统能把杂乱的文档自动整理成结构化的知识体系，省去大量人工清洗与整理成本。对于文档来源分散、格式五花八门的团队来说，这一步直接决定了后续检索质量的上限。

GraphRAG：从向量检索走向知识图谱

第二个亮点是GraphRAG。普通RAG靠向量检索把相关片段捞出来拼给模型，GraphRAG则更进一步——把实体和关系抽取出来建成图谱。在回答“事物之间怎么关联”这类问题时，它比纯向量检索靠谱得多，也更适合需要多跳推理的复杂问答场景，能够把一份份孤立文档还原成彼此关联的知识网络。

Skill Sandbox Runtime：知识可以被安全执行

最值得关注的是Skill Sandbox Runtime。知识库中的内容可以被封装成“技能”，运行在Docker、E2B、CubeSandbox等沙箱环境里——这意味着知识不只是被“读到”，而是能被安全地“执行”。模型可以从知识库中调用一个技能、在沙箱中跑一遍并返回可验证的结果，而不是停在“我建议你怎么做”。

再加上长期记忆（Long-term Memory）功能，这套框架的意图相当完整：解析、组织、检索、执行、记忆形成一条龙。架构采用模块化设计，可按需取用；许可证为MIT，开源友好、商用无负担，这也是它敢于面向从个人到企业的全场景的底气。

对开发者而言，WeKnora的价值在于把“检索增强”和“行动执行”两件事拼在了一起。过去搭建知识库应用，往往要自己拼接文档解析、向量库、图谱构建、沙箱执行等多个组件；而WeKnora以模块化架构提供了一条相对完整的链路，开发者可以按需取用其中一部分，也可以整体接入，MIT许可证则让它在商用场景下几乎没有额外负担。

随着大模型从“对话”走向“做事”，知识库的边界也在被重新定义：它不再只是被动等待被查询的资料仓库，而可能成为模型调用工具、验证结果的执行底座。WeKnora的这次开源，提供了一个值得观察的技术样本。