知识分享
技术文章、实战教程、经验心得
一天一个开源项目（第220篇）：WeKnora —— 腾讯开源的企业级知识框架，从 RAG 问答到 Wiki 自进化
WeKnora 是腾讯开源的 LLM 知识框架，融合 RAG 快速问答、ReAct 智能体多步推理和 Wiki 模式自动生成互联知识库三大能力，支持 20+ LLM 提供商、10+ 文档格式、企业级多工作区 RBAC，是微信对话开放平台的核心技术底座。25.4k Stars，MIT 协议。
一天一个开源项目（第215篇）：Langflow - 可视化拖拽构建 AI 应用的低代码平台
Langflow 是一个基于流程图的低代码 AI 应用构建平台，用拖拽方式将 LLM、向量数据库、工具、Agent 连接成完整的 RAG 流水线或多 Agent 系统，让不懂后端的人也能构建生产级 AI 应用。
一天一个开源项目（第216篇）：OpenViking - 给 AI Agent 装上可自进化的上下文数据库
OpenViking 是火山引擎开源的 AI Agent 上下文数据库，用虚拟文件系统统一管理 Agent 记忆、知识 RAG 和技能，让 Agent 在跨会话中积累经验、自主进化，已有 36,000+ Stars，并有 VLDB 2026 论文背书。
开源项目第188期：深入理解 AI Agent — 李博杰开源的 AI Agent 完整技术书，10章95实验，35k Stars
李博杰著《深入理解 AI Agent：设计原理与工程实践》全书开源。核心公式：Agent = LLM + 上下文 + 工具。10章层层递进：上下文工程、用户记忆与知识库、MCP工具协议、Coding Agent、评估体系、模型后训练（SFT/RL）、持续进化、多模态交互、多Agent协作。95个配套实验，13种语言版本，PDF/EPUB免费下载。Python，Apache-2.0，35k Stars。
开源项目第189期：DeepTutor — Agent 原生的终身个性化学习工作台，三层记忆+多引擎RAG+Partners，33k Stars
香港大学数据智能实验室出品的 AI 学习工作台。核心：单一 agent 循环驱动所有模式（Chat/Quiz/Research/Visualize/Solve/Mastery Path）。三层记忆（L1事件追踪/L2曲面摘要/L3跨曲面综合），可视化记忆图谱，每条合成结论可追溯到原始事件。多引擎知识库：LlamaIndex/PageIndex/GraphRAG/LightRAG/Obsidian。Partners：持久 AI 伴侣，带 IM 通道（Slack/Discord/Telegram/微信/飞书等）。My Agents：驱动本地 Claude Code/Codex 作为子 agent。Python+Next.js，Apache-2.0，33k Stars。
开源项目第186期：Open Ontologies — Rust 实现的 AI 原生本体工程 MCP 服务器，70+ 工具、单二进制、无需 JVM，5 分钟构建 Protégé 要 4 小时才能完成的本体
The Tesseract Academy 出品的 Rust MCP 服务器，把本体工程变成 AI Agent 可直接调用的能力。70+ 工具覆盖验证、推理、对齐、生命周期治理、RAG 增强全流程。三层架构：Dynamics（原子操作+OWL-RL）、Causal（因果识别）、Planner（PDDL编译）。Studio 桌面应用（Tauri 2 + React 19），AI 聊天面板直接构建生产级 OWL 本体。Pizza 本体基准：5 分钟 96% 覆盖 vs Protégé 手工 4 小时。OAEI 解剖学对齐精确率 0.960（全场第三）。内置 33 个标准本体市场，支持英国国家数字孪生计划 IES 框架。341 Stars，MIT。
企业知识库系列（01）：为什么 RAG 只是起点
企业知识库的真实挑战不是技术选型，而是数据质量差、知识碎片化、多模态混杂、知识老化——这些问题 RAG 解决不了。这篇文章梳理企业知识库技术的完整谱系：从经典向量 RAG 到图 RAG、超图 RAG，再到 Agent-native 知识系统，以及每一代技术在什么场景下解决了什么问题。
每日一个开源项目（第164篇）：毕昇（BISHENG）- 面向企业的开源 LLM DevOps 平台
DataElem 开源的企业级 LLM 应用 DevOps 平台，以毕昇（活字印刷发明者）命名。集成 AGL 框架驱动的 Linsight Agent、可视化工作流编排（含 Human-in-the-Loop）、高精度文档解析（5年私有数据训练）、企业知识库 RAG 和统一模型管理。11.6k Stars，Apache-2.0。
AI 评测系列（04）：RAG 评测——RAGAS 四指标实战与一个反直觉发现
用 RAGAS 对比原始文档和知识蒸馏后文档的检索质量。测试结果：两个版本得分几乎相同（均值 0.933 vs 0.930），Context Precision 和 Context Recall 都是满分。这个反直觉结果揭示了 RAGAS 的一个重要局限：小规模、结构简单的知识库上，四个指标无法区分文档质量差异，需要更大规模和更复杂的查询才能看到分化。文章同时讲解四个指标的计算原理和常见误解。
每日一个开源项目（第156篇）：OpenDataLoader PDF - 基准测试第一名的开源 PDF 解析器，专为 RAG 设计
Hancom 与 veraPDF 开发者联合开发的开源 PDF 解析器，200 份真实 PDF 基准测试综合得分 0.907，表格提取准确率 0.928。XY-Cut++ 阅读顺序算法、内置 AI 安全过滤、自动无障碍化标记。LangChain 原生集成，本地运行无需 GPU。26.8k Stars，Apache-2.0。
每日一个开源项目（第155篇）：Cognee - 给 AI Agent 跨会话的持久记忆
Cognee 是开源的 AI Agent 记忆平台，把向量检索、知识图谱和认知科学方法融合成一套跨会话持久记忆层。四个核心操作：remember/recall/forget/improve。BEAM 基准测试 100K tokens 得分 0.79，超越此前最优解。27.4k Stars，Apache-2.0。
每日一个开源项目（第152篇）：SAG - 用 SQL JOIN 代替 PageRank 做多跳 RAG 检索
Zleap-AI 开源的 Structured Agentic Graph RAG 框架，把每个文档 chunk 提取成一个语义事件和多个实体，查询时用 SQL JOIN 做多跳扩展，无需构建全局图谱，无 PageRank 衰减问题。MuSiQue Recall@5 从 HippoRAG 2 的 65.1% 提升到 80.0%。MIT 协议，附 MCP 集成。