微信开源WeKnora，让知识库能动手执行

大型模型在实际应用中遇到了一种特别尴尬的情况, 那就是知识库里面的内容它全都记在了脑子里, 可是等到真正让它去处理工作任务的时候, 它还只会给出来一句“我建议你这样做”之类的话, 而微信方面的人工智能团队这一次就把维娜拉开源了, 专门用来解决这一类问题。

维娜拉到底是什么

到了2026年9月份, 微信AI团队将会把那一个叫维娜拉的知识管理框架的0.8.0版本, 给全面地开源代码, 并且是采用那种叫MIT的许可证。不管你是个人的写程序的人, 还是公司的企业, 你都能把那个代码直接拉到自己的机器上就用, 这中间是没有设任何要花钱才能用的墙或者障碍的。

它的定位就一句话: 让知识库不再仅仅是能够达到可以查询到答案的状态, 而是变得能够亲自去动手执行具体操作。在模型完成了对文档的阅读以后, 它可以直接调用相关技能, 并且在沙箱环境内部完成运行过程, 随后返回那些可以接受验证的具体结果, 从此就不再只是停留在口头上进行建议的层面了。

维娜拉的解析这一部分, 是支持那些个PDF文件、Word文档、网页链接呢等这些种种不同的格式的。这些东西呢都是可以直接进行导入操作的。所以, 就不需要再去专门编写那些用来进行格式转换的脚本代码了。

当配合上了那种被称为Wiki的模式之后, 即便你手里有一堆散乱不堪、乱七八糟的文稿或者文档, 系统也能自动把它们归拢起来。最终形成的是一个具有条理、结构明晰的知识体系。这样一来, 原本需要耗费在前期处理上的那些工作量, 差不多就减少了一半以上了。

在过去的时候, 大家在进行知识库的建立工作时, 仅仅是为了完成数据格式的转换这一个动作, 就需要耗费整整一天时间来反复折腾。而现在的情况变成了直接把内容拖拽进系统里面去就可以了。

对于那些手头没有太多人手、属于小规模或者中型的团队来说, 这个被直接省略掉的前置处理环节, 实际上蕴含的价值是非常巨大的。与此同时, 入门使用的学习成本也就变得更加清晰地降低了。

普通的RAG方法仅仅是依靠向量检索技术, 从数据中搜索并将相关的文本片段拿出来拼凑好发送给模型处理, 但是, 这种方法一旦遇到需要明确事物之间是如何产生关联的问题时, 就会显得非常无助。

相比于普通的RAG, 维娜拉这项技术走得更远了一步, 它能够把实体和关系都抽取出来, 然后建成一个知识图谱结构, 接着通过沿着关系链条进行直接的查询来获取信息。

打个比方来说, 当你提出“某公司A的供应链是依赖于哪些上流的供应商的”这样的问题的时候, 知识图谱是可以沿着相关的关系一路查找下去从而给出完整的答案。而纯量的检索方式只能是丢过来几段相似的文本来, 答案质量的差距是用眼睛就能看得出来的。

其中最值得大家关注的一个点, 那是Skill这个功能。从知识库里面提取出来的那些内容, 是可以被封装成一个所谓的技能来使用的。而且它是在像Docker、还有E2B这样的沙箱环境里头运行着的。

当模型去调用它们以后, 是直接就开始执行了操作的。它返回给你的结果, 是实实在在跑完之后的那个结果, 而不是只丢给你一段什么建议之类的话。

这说明那个模型它不再是只给你一句“我建议你先去跑个脚本看一看”这样的话了, 它是真的帮你把那个过程全都跑完了, 然后把那个输出的结果直接粘贴到这里来。这事情从光说不练变成交付成果啦, 执行的链路是一步到位的, 最后得到的结果也是可以被验证的了。

这个架构是采用模块化设计的, 在解析、组织、检索、执行、记忆这五个环节里, 大家可以根据需要各自选取适合自己的部分。对于个人开发者来说, 如果只是使用检索以及图谱就已经足够了。而企业则是将 Skill 和长期记忆连接起来, 这样一来, 整个流程就直接形成了闭环。

长期记忆的功能, 能够让模型把每次交互的经验, 都慢慢地沉淀下来。这样在下次遇到类似的问题的时候, 就不需要再去从头推倒了, 也不用反复地去费工夫。而且你不用同时去操心和维护那三个工具了, 用一套框架就好。这套框架会把知识的管理和执行这个完整的过程, 都给紧紧地串联起来。

维娜拉0.8.0采用的是MIT许可证, 这是开源协议里最宽松的一种类型。在商用、修改或者分发这些方面, 并没有额外的限制条款出现。因此企业的法务人员在处理合规审查这件事情上, 并不需要特别去单独做额外的检查。所以说在项目落地或者实施的速度上面, 整体能够变得非常的快很多。

微信的AI团队，他们选择了全面公开这个做法。而且的话, 他们没有搞会员制, 也没有搞企业版收费这一类的方式。这种姿态, 在2026年的知识管理和赛道里面来看, 算是很大方的。针对从个人到企业全场景开放这样的模式, 生态起量应该是不慢的。

我想请问一下, 你们团队现在搭建知识库, 还在使用单纯的向量检索方案吗? 对于维娜拉这套将图谱和Skill执行方式组合在一起的技术, 您认为它最先能够落地的应用场景会在哪里呢? 请在评论区发表您的看法。如果您觉得这个回答对您有帮助, 请不要忘记点赞, 并且将其转发给您身边从事人工智能工作的同事。