我们正式发布了 WeKnora v0.2.0，迎来开源重磅升级。本次升级采用 RAG + Agent 双驱动模式，并全面进化至基于 “推理-行动-观察”（Reasoning-Action-Observation）循环的新智能体架构，让AI能够像人类一样“边思考、边行动、边调整”，通过动态交互环境解决复杂任务。
🌟 升级核心亮点
🤖 新增 ReACT Agent 模式：
支持调用内置工具、MCP工具和网络搜索，通过多次迭代和反思，自主规划、拆解任务并提供全面总结报告，显著提升复杂任务处理的容错性和可解释性。 📚 支持多类型知识库：
新增 FAQ（常见问题解答）知识库类型，与现有文档知识库形成互补。 FAQ知识库专用于管理“问题-答案”对形式的结构化知识，特别适合沉淀标准操作流程、产品使用指南、政策咨询等高频查询内容。结合文件夹导入、URL批量抓取、标签分类和在线录入功能，WeKnora让知识管理更全面、更适应业务场景需求。 
⚙️ 可配置对话策略：
支持灵活配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为。 
🔌 MCP工具集成：
支持通过Model Context Protocol扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式，让AI能真正调用工具做事。 
🌐 可扩展网络搜索：
支持可扩展的网络搜索引擎，内置DuckDuckGo，助力Agent获取实时信息。 
🎨 全新UI与体验优化：
对话界面支持Agent模式/普通模式一键切换，并清晰展示工具调用过程。知识库管理界面全面升级，操作更直观。 
⚡ 底层架构稳健升级：
引入MQ异步任务管理，支持数据库自动迁移，并提供快速开发模式，保障系统高可用性与可维护性。
🎬案例说明
如果日常的工作涉及“大量阅读 + 深度思考 + 结构化输出”，[Agent模式]一定能效率倍增，可以让它帮你完成行业调研，产品分析等任务。
来看一个真实案例：
当我们向关联了WeKnora项目介绍知识库的Agent提问：“WeKnora 和 RAGFlow 有什么区别？” 它会展现出远超传统问答的智能水平。
🧠智能规划：
Agent并非直接回答，而是首先将这一复杂问题自主拆解为5个清晰的子任务： ●分析 WeKnora v0.2.0 的核心特性和架构。
●搜索 RAGFlow 的相关信息。
●对比两个框架的架构设计差异。
●对比功能特性差异。
●对比部署和使用方式差异。 🔄自主执行：
随后，Agent开始自动调用知识库检索、联网搜索等工具，按规划逐步收集信息，进行深度对比分析。
📊生成报告：
最终，它交付的不是零散信息，而是一份结构化的高质量对比研究报告。
我们可以清晰地看到WeKnora不再是传统的信息检索与增强生成（RAG），而是一个具备自主规划、信息检索、多工具调用和综合分析能力的智能伙伴。
🚀 快速开始
WeKnora 提供了完整的 Docker 化部署方案，只需几步即可快速启动：
# 1. 克隆代码仓库
gitclone https://github.com/Tencent/WeKnora.git
cdWeKnora
# 2. 配置环境
cp.env.example .env
# 3. 启动服务
./scripts/start_all.sh
# 4. 访问Web UI
浏览器键入（http://localhost）访问 Web 界面
注册第一个账号即可上传知识、创建 Agent 并开始对话。 💡 模型配置建议
为了充分发挥 ReACT Agent 模式的复杂任务处理能力，建议为 Agent 配置具有较好推理能力的模型（如 DeepSeekv3.1），以确保其具备足够的推理和规划能力。
| 
