白物集现在有 207 篇文章、539 张知识卡片。智驾那条线的论证骨架压在 25 张卡里，写在一份 32 KB 的 markdown 文件上；写稿前整份读进上下文，写完再把新案例回填进去。卡片几十张的时候这套办法很顺手，涨到几百张、再叠上文章正文和外部手册，问题就变了：真正需要的那一句，混在几十倍无关内容里。

WeKnora 是解决这个问题的框架。腾讯开源，Go 写，30,983 stars、4,139 forks，MIT 许可，2025 年 7 月开源，一年多涨到 3 万星，最新版本 v0.8.2 发布于 2026 年 9 月 24 日，项目主页在 weknora.weixin.qq.com。仓库第一句说明把它讲得很清楚：把原始文档变成可查询的 RAG、变成自治推理的智能体、变成一本自己维护自己的 Wiki。

三个形态共用一条知识管线

多数知识库产品只做一件事：问答。WeKnora 把 RAG 问答、智能体推理、Wiki 生成三种形态挂在同一批知识库上，切换形态不换数据，也不用重新导入一次。

这条管线是模块化的：文档解析、向量化、检索、模型推理每一段都能替换。检索层是关键词加向量的混合检索，带 rerank、父子分块，接了 Neo4j 之后还能走 GraphRAG；向量库可以在 pgvector、Elasticsearch、OpenSearch、Milvus、Weaviate、Qdrant、Apache Doris、腾讯 VectorDB 之间换。模型侧内置 27 家厂商，OpenAI、Anthropic、DeepSeek、通义千问、智谱、Gemini、MiniMax、Ollama 都在列表里，本地模型不需要改架构。

对「一个人维护一整套栈」的项目，可替换性比性能数字值钱：今天用 Ollama 在本地跑，明天换成云端 API，动的是环境变量，不是代码。

Wiki 模式：手写卡片库的自动版本

Wiki 模式是目前最值得看的一块。开启之后，智能体从知识库文档里抽取人物、产品、概念，生成互相链接的 markdown 页面，按目录组织；知识图谱把页面之间的关系画出来，每次改动有修订记录，可以 diff、可以回滚。

这正好是我们在手工做的事。智驾卡片库 v0.1 的 25 张卡是一张张校对出来的，认知卡和技术卡来自两本书的扫描件，强制国标卡来自公开的标准文本，每张卡都标了出处。手工做的好处是准确，代价是慢，而且只在一个 markdown 文件里活着，查得到关系，看不见关系。

Wiki 模式给的是另一半：自动生成、自动连线、可回滚。它不能替你把关事实，但它能替你把「哪张卡和哪张卡有关」算出来。白物集的卡片现在还靠人工在标签里写关联，539 张之后，这件事应该交给图谱。

几个工程细节值得单独说

第一，Office 文件在进程内解析用的是 anydoc。我们 8 月推荐过这个库，当时把它当独立工具用；WeKnora 直接把它放进了自己的解析管线，PDF、Word、PPT、Excel、CSV、Markdown、HTML、EPUB、MHTML、XMind 和图片都在支持列表里。同一个组件出现在两个位置，说明它的边界确实划在「文档进、干净文本出」这一层。

第二，数据源里有 RSS。白物集的采集线每天从公开源落卡片，落下来是散的，靠脚本再聚一次。WeKnora 的数据源列表里，RSS、飞书、Notion、语雀、钉钉文档、Confluence、GitLab 都能自动同步，配好之后卡片进来就带检索能力，不需要再写一段入库逻辑。

第三，它自带 MCP Server，每个工作区一个端点、独立 token、独立知识库范围，可以把知识库直接发布给 Cursor、Claude 这类客户端。CLI 也是 agent-first 的设计：默认输出稳定的 JSON，错误码映射到退出码，同一个 CLI 还能起 MCP 服务。知识库因此不只是给人看的界面，也能被现有流程当工具调。

白物集能落在哪，以及我们为什么还没上

先说实话：我们还没在生产环境部署 WeKnora。原因不复杂，它是 Go 后端加 PostgreSQL、Redis 的一整套服务，而白物集现在的后端是 Express 加 Supabase，直接替换不划算。

真正可行的落点是三个。评估入口用 Lite 单二进制版，SQLite 加内存队列，不依赖外部服务，本机就能跑起来看检索质量。向量库这一层不陌生，WeKnora 的候选列表第一项就是 PostgreSQL 的 pgvector，而白物集现在的 Supabase 也是 Postgres，数据认知不用重学。它官方又提供了 MCP Server 与 CLI，现有写稿流程可以按工具调用，不需要把内容管线整体搬过去。

不适合什么场景

几百篇以内的纯静态站点不该上它。Quartz 那种构建期出索引的路子更省，零后端零数据库，全量重建不到一秒。

不想维护 Postgres、Redis 和容器编排的项目也别上标准版，Lite 单二进制的天花板就是它的合适边界。

还有一条来自官方 README 的警告，写得比多数项目诚实：生产部署应当放在内部网络，不要把服务直接暴露到公网，要配好防火墙和访问控制。喂进去的是内部文档，这一条不是建议，是前提。

快速上手

标准路线是 Docker Compose 起全部核心服务：

git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env
docker compose pull
docker compose up -d

起来之后打开 http://localhost 走引导。要 Neo4j 知识图谱加 MinIO 对象存储，再加 --profile 参数；集群部署用 helm/ 里的 chart；只想先看效果，用 Lite 单二进制。

习惯命令行的话，官方 CLI 更直接：

weknora profile add prod --host https://你的域名 --use
weknora auth login
weknora kb list
weknora doc upload notes.md
weknora chat "总结这份设计文档"

最后一个问题

知识库工具今年的分水岭，是能不能被智能体调用。只有界面、没有 API 和 MCP 的知识库，会慢慢变成一座孤岛。

白物集这边还留着一个没答案的问题。Wiki 模式能自动生成页面、自动连线、自动回滚，但卡片的准确性从来不是自动出来的，25 张卡里最难的那几张，是逐字比对原文才定下来的。自动生成的图谱能把关系画对，前提是每一条事实先有人负责。这套东西交给机器之后，责任该落在哪一步？