20+ 大模型 / 8+ 向量库 / 7+ IM 渠道怎么挑WeKnora 详解系列 · 第 03 篇
各位数码圈的老铁们,我是叨叨数码。
上一篇我们聊了怎么把文档接进来、三种对话模式怎么选。那篇文章发出后,公众号后台收到最多的一条留言是:
"叨叨,我问的问题它回答得不够准啊!""叨叨,我们公司用的豆包大模型,能接进去吗?""叨叨,我们 IM 用的是钉钉,不是企业微信,咋办?"
问到点子上了。
这三个问题,其实分别对应 WeKnora 三大底层能力:检索引擎、模型集成、IM/对象存储集成。这一篇,咱把这三件事一次说透。
按照数码圈"测完硬件要拆开看内部构造"的惯例——今天咱们不聊表面,把 WeKnora 拆开看。
一、为什么"答得不够准"?问题大概率出在检索
很多人在用 RAG 系统时,第一反应是"模型不够好"。其实反过来——80% 的"答得不准",问题出在检索,不在生成。
这么说吧:大模型再聪明,如果喂给它的资料就是错的、张冠李戴的、缺头少尾的,输出的答案也不可能对。这就是为什么 WeKnora 在"检索"这一层下了血本。
它给了你6 种检索策略,可以自由组合:
| 检索策略 | 原理 | 适合什么场景 |
|---|---|---|
| BM25 稀疏检索 | 传统关键词匹配(类似 Elasticsearch 默认算法) | 搜专有名词、产品型号、错误代码 |
| 稠密向量检索 | 把问题和文档都变成向量,算相似度 | 问"意思差不多"的问题,比如口语化查询 |
| GraphRAG 图谱检索 | 先把知识建成图谱,再做关系推理 | 问"为什么 A 会影响 B"这种关系链问题 |
| 父子分块 | 小块检索 → 大块喂给模型,保留上下文 | 长文档问答,避免断章取义 |
| HNSW 加速 | pgvector 上的近似最近邻索引 | 百万级向量库,要求毫秒级响应 |
| 多维索引 | 同时按多个维度(章节、标签、时间)建索引 | 复杂权限隔离 + 跨业务线检索 |
数码类比:
- BM25 = 按文件名搜文件(老办法,但稳定)
- 稠密检索 = 以图搜图(语义层匹配)
- GraphRAG = 看人物关系网追线索(推理式查找)
- 父子分块 = 看报纸先看标题、再看正文(保留上下文)
实战建议:别只用一种,至少开两种
叨叨的经验之谈——
对于大多数企业知识库场景,BM25 + 稠密检索 + 父子分块这个组合拳基本能打 90% 的问题。GraphRAG 性能开销大,建议只在"关系推理"重灾区(比如法务、合规、医学)才上。
v0.5.2 之后还加了一个 "自适应 3 层分块" 的能力——系统会自动判断文档该切多细,你还能实时预览分块结果。这功能类似剪映的"智能切片",新手友好度直接拉满。
二、检索架构长啥样?一张图看懂
光说"几种策略"太空,咱看个全貌:
看到了吗?一条问题进来,可能同时走三条路,最后再融合排序。
这就是为啥 WeKnora 的回答"看起来聪明"——背后是多路召回 + 智能融合的工程化结果,不是单纯靠 LLM 一张嘴硬编。
▲ Agent 模式下的多路检索 + 工具调用流程(来源:官方 )
HNSW 加速到底牛在哪?
v0.6.2 之后,WeKnora 在 pgvector 上默认开了 HNSW(Hierarchical Navigable Small World)索引,专门针对 1024 维向量优化。
数码类比一下:
- 没用 HNSW- 百万级向量查询,像你在应用商店搜 App,要等 5-10 秒
- 用了 HNSW- 百万级向量查询,毫秒级返回,快到没感觉
代价是占内存(数码圈叫"功耗换性能"),但对绝大多数企业场景是值得的。
三、20+ 大模型:总有一款你顺手的
现在回答第二个问题:"我们公司用豆包,能接吗?"
答案是:能,而且 WeKnora 接了 20+ 家。
直接上表,按"国产 / 海外 / 本地"分类:
| 分类 | 支持的模型 | 一句话点评 |
|---|---|---|
| 海外主力 | OpenAI、Az… |