🧠
一、WeKnora（腾讯开源）
知识 + Agent 一体化企业级知识中台
W
WeKnora
企业级一体化知识 + Agent 框架
1. 开发语言与核心技术栈
- 核心后端语言：Go（Golang）
基于Gin框架开发，ReAct Agent循环、RAG检索调度、多租户权限、gRPC服务、异步任务队列（asynq） 全部由Go实现，是整个系统的核心主体。 - 文档解析微服务：Python
独立的docreader微服务，专门负责PDF/Word/图片OCR、表格提取、多格式文档解析，通过gRPC与Go主服务通信，与核心业务逻辑解耦。 - 前端：Vue3 + TypeScript + TDesign组件库，Vite构建，包含管理后台、对话界面、知识图谱可视化。
- 底层依赖：Rust编译的anydoc文档解析引擎（第三方二进制组件，非业务代码），为Python解析服务提供底层能力。
- 存储生态：
- 元数据：PostgreSQL
- 缓存与任务队列：Redis
- 向量数据库：支持7种可插拔（pgvector、Elasticsearch、Milvus、Qdrant、Weaviate、Apache Doris、腾讯云VectorDB）
- 对象存储：支持MinIO、S3等8种存储方案
- 安全与运维：AES-256-GCM凭据加密、gRPC TLS全链路安全、集成Langfuse全链路可观测。
2. 核心定位与主要能力
定位：企业级一体化知识+Agent框架，是「RAG问答 + ReAct Agent + AI自动Wiki」三合一的知识中台，而非单一RAG工具。
核心能力：
- RAG快速问答：BM25稀疏召回 + 稠密向量召回 + GraphRAG图谱召回三路并行，经Rerank重排后输出；支持10+文档格式解析，答案附带原文来源引用，支持可视化分块权重调试。
- ReAct Agent智能体：自主完成任务拆解、子任务规划，可调用知识库检索、多引擎联网搜索、MCP协议工具、自定义Skill；支持人机审批节点，适合跨文档综合分析、多步骤复杂任务。
- AI自动Wiki（核心特色）：Agent自动从原始文档中蒸馏知识，生成结构化、互相链接的Markdown Wiki页面，附带可视化知识图谱，支持版本修订、编辑回滚，可支撑万级文档规模。
- 企业级管控：四级RBAC角色矩阵（Owner/Admin/Contributor/Viewer）、按知识库资源隔离、租户级审计日志、invite-only准入机制。
3. 解决的核心问题
- 企业零散文档无法沉淀为结构化知识资产，人工维护内部Wiki成本高、更新慢
- 普通RAG仅能单轮问答，无法处理需要多步推理、工具调用的复杂业务任务
- 私有化内网场景下，数据不出域、安全合规、多租户权限管控的强需求
- 知识管理与智能体系统割裂，企业重复建设知识库和Agent平台的问题
4. 架构设计与扩展性
- 架构风格：模块化微服务架构，Go主服务 + Python独立解析微服务，通过gRPC实现跨服务通信，所有组件可插拔替换。
- 扩展性表现：
- 模型层：兼容20+主流大模型厂商，支持Ollama本地部署模型，Embedding模型可自由替换
- 存储层：向量库、对象存储全部可插拔，支持跨库fan-out检索
- 工具层：原生支持MCP协议，可扩展自定义工具与专属Skill
- 部署：Docker Compose一键启动，支持K8s Helm集群部署、Wails桌面客户端，可完全内网离线运行
- 开源协议：MIT
5. 典型适用场景
- 企业内部知识库、员工手册、产品制度的智能问答系统
- 私有化部署企业级Agent，基于私有文档完成复杂分析、多步骤任务
- 自动将海量报告、论文、制度文档整理为结构化内部Wiki+知识图谱
- 等保要求高、数据必须本地自持的内网智能客服、技术支持系统
- 个人本地私有文档知识库（搭配Ollama本地大模型离线使用）
🧩
二、Dify
生产级 LLM 应用开发平台 · LLMOps · 低代码应用编排
D
Dify
面向AI应用开发与交付全生命周期
1. 开发语言与核心技术栈
- 核心后端语言：Python
核心API基于FastAPI/Uvicorn异步框架，异步任务通过Celery + Redis实现分布式任务队列；核心推理引擎为自研Dify Runtime（v0.4版本后移除LangChain依赖）。 - 前端：Next.js（React框架） + TypeScript + TailwindCSS
提供可视化工作流编辑器、应用管理界面、Prompt编排器等全可视化操作界面。 - 存储生态：
- 元数据与业务数据：PostgreSQL（存储用户、应用配置、对话记录、工作流定义）
- 缓存与消息队列：Redis
- 向量数据库：插件式接入，支持pgvector、Milvus、Qdrant、Weaviate、Elasticsearch等
- 其他能力：内置LLMOps监控体系，支持成本统计、延迟监控、效果评估。
2. 核心定位与主要能力
定位：生产级LLM应用开发平台（LLMOps + 低代码应用编排），核心是通过可视化工作流快速构建AI应用，面向应用开发与交付全生命周期。
核心能力：
- 可视化工作流编排（Workflow Studio）：拖拽式DAG画布设计，支持分支、循环、条件判断、变量传递，可编排RAG检索、工具调用、数据库查询、API请求等复杂业务流程。
- AI应用工厂：低代码3分钟创建聊天机器人、智能助手、API应用；支持Prompt模板管理、版本切换、多轮对话配置。
- AI Gateway模型网关：统一管理上百种模型API，支持流量控制、路由调度、权限管控、成本审计，解决企业多模型混乱问题。
- Agent能力：支持对话式构建Agent，可配置技能、工具、知识库；Agent既可以独立作为应用，也可以作为节点嵌入工作流中。
- LLMOps运维体系：全链路日志、用户反馈标注、A/B测试、成本分析、效果评估，支撑AI应用从原型到生产的持续优化。
3. 解决的核心问题
- AI应用开发门槛高，代码量大，从原型验证到生产落地周期长
- 企业多模型调用分散，成本、权限、流量无法统一管控与审计
- AI能力难以嵌入现有业务流程，业务人员无法自主配置AI逻辑
- 缺乏LLM应用全生命周期运维能力，应用效果无法量化评估和迭代
4. 架构设计与扩展性
- 架构风格：前后端分离的分层架构，分为API网关层、核心业务层、异步执行层，各模块解耦独立，可单独扩容。
- 扩展性表现：
- 模型层：兼容所有符合OpenAI API标准的模型，支持100+模型厂商，可自定义模型适配器
- 插件生态：官方Marketplace插件市场，支持工具、数据源、MCP集成，支持自定义插件开发
- 集成能力：提供REST API、多语言SDK、网页嵌入组件，可快速集成到现有业务系统
- 部署：支持Docker Compose私有化部署、官方云托管、VPC专有部署
- 开源协议：Apache 2.0
5. 典型适用场景
- 快速搭建对外客服机器人、营销助手、企业智能助手等ToC/ToB AI应用
- 业务流程自动化，如合同初审、工单自动处理、数据报表生成
- 企业统一模型网关，管控多模型调用成本、权限与安全
- AI产品快速原型验证与迭代，从Demo快速推向生产环境
- 开发者团队构建定制化AI应用，降低重复开发成本
📄
三、RAGFlow（深睿智联）
深度文档理解的企业级 RAG 引擎
R
RAGFlow
高精度检索与知识编译 · AI Agent 上下文数据底座
1. 开发语言与核心技术栈
- 核心后端语言：Python 3.12+
基于Quart（异步Flask）框架开发，Peewee ORM做数据库抽象；底层分词、DeepDoc视觉识别部分由Go和C++实现，保障性能。 - 前端：React + TypeScript + Ant Design，Vite构建，包含知识库管理、对话界面、Agent画布。
- 存储生态：
- 向量检索：双引擎架构——Elasticsearch（默认成熟方案） + 自研Infinity高性能向量引擎（针对RAG场景优化，百万级QPS）
- 元数据：MySQL
- 缓存与任务队列：Redis（Redis Streams做数据流）
- 对象存储：MinIO
- 核心引擎：自研DeepDoc文档解析引擎，支持OCR、版面识别、表格结构提取；Agent层基于Langgraph实现工作流。
2. 核心定位与主要能力
定位：深度文档理解的企业级RAG引擎，主打高精度检索与知识编译，定位是AI Agent的「高质量上下文数据底座」。
核心能力：
- DeepDoc深度文档解析：识别标题、正文、表格、图片、公式等10种版面元素，支持15+语言OCR，精准提取复杂表格、跨页表格，保留原始文档排版结构。
- 高精度混合检索：向量检索 + BM25全文检索 + 自定义评分 + Rerank重排；提供11种分块策略（通用、论文、书籍、表格、问答等），匹配不同文档类型。
- 知识编译引擎：将非结构化文档转化为Wiki、知识图谱、树形目录、时间线、思维导图等结构化知识资产，自动提取实体与关系。
- Agentic检索：Agent自主优化检索策略，多轮迭代召回；支持可视化Agent画布、MCP协议工具调用。
- 精准溯源：答案可定位到原文具体段落、页码，支持页面截图级溯源，满足合规场景验证需求。
3. 解决的核心问题
- 复杂专业文档（合同、论文、扫描件）解析质量差，表格、排版丢失导致检索准确率低
- 普通RAG分块粗糙，语义上下文断裂，召回精度和相关性不足
- 文档知识仅能用于问答，无法结构化沉淀为可复用的企业知识资产
- 检索结果溯源困难，答案准确性无法验证，不适合金融、法律等高合规场景
4. 架构设计与扩展性
- 架构风格：三层生产者-消费者架构，数据接入层 → 核心引擎层 → 应用层，通过Redis Streams实现数据流解耦。
- 扩展性表现：
- 检索层：双向量引擎可选，Infinity引擎专为RAG优化，性能远超通用向量库
- 解析层：DeepDoc可扩展更多文档格式、OCR语言和行业版面识别
- 模型层：通过LiteLLM接入100+大模型，Embedding模型可自由配置
- 部署：Docker Compose一键部署，支持分布式节点扩容
- 开源协议：Apache 2.0
5. 典型适用场景
- 法律合同、金融财报、学术论文等复杂专业文档的知识库
- 对检索准确率、答案溯源能力要求高的企业知识问答场景
- 扫描件、图片、纸质文档数字化后的智能检索与管理
- 作为各类Agent系统的上下文底座，为智能体提供高质量结构化数据
- 企业文档结构化治理，将零散非结构化文档编译为可复用知识资产
⚖️
四、核心维度横向总对比
从技术栈、定位、特色、Agent、文档解析、架构优势与适用场景进行集中查看
| 对比维度 | WeKnora | Dify | RAGFlow |
|---|---|---|---|
| 核心开发语言 | Go（主体） + Python（文档解析） | Python（全业务逻辑） | Python（主体） + Go/C++（底层性能） |
| 核心定位 | 知识+Agent一体化中台，主打知识沉淀 | LLM应用低代码平台，主打工作流编排 | 深度文档理解RAG引擎，主打检索精度 |
| 核心特色 | AI自动生成Wiki+知识图谱、企业级多租户安全 | 可视化DAG工作流、LLMOps全链路运维 | DeepDoc深度解析、精准溯源、知识编译 |
| Agent能力 | 原生ReAct Agent，偏向知识推理与知识治理 | 工作流节点式Agent，偏向业务流程执行 | Agentic检索，偏向优化召回效果 |
| 文档解析能力 | 基础多模态解析，满足通用场景 | 基础文档解析，复杂文档能力一般 | 行业领先的深度解析，表格/扫描件/排版识别强 |
| 架构优势 | Go并发性能强，适合高并发内网部署 | 模块解耦，插件生态丰富，应用交付快 | 检索引擎性能强，文档处理精度高 |
| 最适合场景 | 企业内网知识沉淀+私有化Agent | 快速构建AI应用+业务流程自动化 | 复杂专业文档+高精度RAG检索 |
🧭
五、选型建议总结
根据核心需求关注点选择对应的技术路线
🛡️ 知识治理 · 私有化
优先选 WeKnora
你的核心需求是企业内部知识管理、自动维护Wiki、私有化多租户Agent，看重数据安全与内网部署
⚡ 应用交付 · 工作流
优先选 Dify
你的核心需求是快速交付AI应用、编排复杂业务工作流、统一管理多模型，看重开发效率与LLMOps能力
🎯 RAG精度 · 复杂文档
优先选 RAGFlow
你的核心需求是处理大量复杂PDF/合同/扫描件，优先保证检索准确率和溯源能力，看重RAG本身的质量
🌐
补充：WeKnora / Dify / RAGFlow 社区活跃度、文档、商用友好度
数据截至2026-09，以GitHub指标、版本迭代、社区渠道、文档完整度综合评估
149k+
Dify GitHub Star量级
70k+
RAGFlow GitHub Star量级
20k+
WeKnora GitHub Star量级
1. Dify（社区⭐最高，全球范围）
149k+ Star · 24k+ Fork
- GitHub指标：149k+ Star，24k+ Fork，贡献者上千人，issues、PR提交非常密集，几乎每天都有代码合并
- 迭代节奏：高频稳定发版，平均每月1~2个正式Release，安全补丁、新功能（MCP、Agent、插件）迭代速度很快；有夜间版、RC预发布版本
- 社区渠道：
- 国内：官方社区论坛、飞书/钉钉交流群、中文教程、大量第三方掘金/知乎实战文章
- 海外：Discord，全球开发者，海外企业落地案例多
- 文档质量：中英文文档非常完善，快速上手、部署、API参考、插件开发、LLMOps运维文档齐全；模板市场大量现成应用模板
- 问题响应：官方团队活跃处理issue，bug修复速度快；社区用户量大，很多问题可以在讨论区找到现成答案
- 商用友好：Apache2.0协议，开源版本可商用；同时有官方企业云/私有化商业版，有商业技术支持
- 短板：因为用户基数巨大，Open Issues数量较多；复杂文档解析相关社区案例不如RAGFlow多
一句话：三者中社区体量最大、全球化最好，生态和教程最丰富
2. RAGFlow（RAG垂直领域，增长极快）
7万+ Star · 8k+ Fork
- GitHub指标：7万+ Star，8k+ Fork，数百贡献者，国产RAG赛道头部项目，2025年GitHub年度增长最快项目之一
- 迭代节奏：稳定高频发版，聚焦文档解析、检索引擎、Agentic检索，Infinity向量引擎持续优化，版本迭代重心集中在RAG底层能力
- 社区渠道：GitHub Discussion、Discord、国内技术社群；大量复杂PDF/合同/论文RAG实战案例
- 文档质量：中文文档优秀，侧重文档解析、分块策略、检索调优；API文档完整，但是工作流/Agent自定义开发文档相比Dify偏少
- 问题响应：核心bug官方响应快；社区用户以做专业知识库、合同文档场景的工程师为主，垂直领域经验沉淀很强
- 商用友好：Apache2.0协议，开源版允许商用；官方提供商业支持、企业版服务
- 短板：通用AI应用、业务工作流相关生态薄弱；非RAG场景的第三方插件、模板很少
一句话：RAG专业方向社区最强，复杂文档案例最多；但偏垂直，通用Agent/应用编排生态弱
3. WeKnora（腾讯出品，较新，稳步增长）
2万+ Star · 约3k Fork
- GitHub指标：2万+ Star，约3k Fork，贡献者近200人；2025年7月才开源，起步晚，属于相对年轻项目
- 迭代节奏：由腾讯内部团队维护，Release版本节奏中等，更新重点集中在Agent、GraphRAG、自动Wiki、企业多租户安全能力；相比Dify/RAGFlow，版本迭代速度慢一些
- 社区渠道：主要依靠GitHub Issues + 国内技术社区；没有独立的官方论坛/Discord大社区，第三方教程、实战案例偏少
- 文档质量：中文官方文档完整，部署、架构、API文档齐全；但社区教程、踩坑案例、定制化二次开发资料远少于另外两者
- 问题响应：腾讯官方维护团队响应Issues；但外部社区贡献者数量少，外部PR不多，以腾讯内部团队为主开发
- 商用友好：MIT协议，商用友好；背靠腾讯，适合企业私有化内网场景，可对接腾讯云生态
- 短板：开源时间短，生态沉淀最少；网上落地案例少，遇到疑难问题，可参考社区方案不多
一句话：背靠大厂，项目质量有保障，但社区还在成长期，第三方生态最弱
📊
社区活跃度横向汇总表
GitHub指标、开源时长、维护方、发版频率、社区渠道与文档生态集中对照
| 项目 | Star量级 | 开源时长 | 核心维护方 | 发版频率 | 社区渠道 | 文档&第三方教程 | 社区特点 |
|---|---|---|---|---|---|---|---|
| Dify | 149k+ | 2023 | LangGenius独立团队 | 很高，每月多版本 | 论坛、Discord、国内社群，全球开发者 | 非常丰富，大量模板、第三方教程 | 生态最全，低代码/工作流/Agent案例遍地 |
| RAGFlow | 70k+ | 2024 | 硅基流动Infiniflow | 高，聚焦RAG底层 | Discord、GitHub Discussion，国内技术群 | RAG调优文档强，通用应用案例少 | 垂直文档RAG社区最强，专业文档案例多 |
| WeKnora | 20k+ | 2025 | 腾讯团队 | 中等 | 仅GitHub Issues、国内技术社区 | 官方文档完整，第三方实战案例少 | 大厂背书，社区尚在成长，外部贡献少 |
💼
配套补充：商用友好度小结
开源协议与商业支持方式
① Dify Apache2.0
开源版本可以免费商用，无额外限制；有商业版付费支持
② RAGFlow Apache2.0
开源版本可免费商用，企业级支持单独付费
③ WeKnora MIT协议
三者开源协议最宽松，MIT允许修改、分发、商用，限制最少
🧠
选型补充（结合社区）
将团队资源、知识库类型与社区依赖程度纳入考虑
如果团队人手不多
如果你团队人手不多，希望网上教程、案例多，踩坑资料丰富 → Dify
如果核心业务是复杂文档RAG
核心业务就是大量PDF/合同/扫描件做知识库，优先RAG精度 → RAGFlow
如果场景是企业内网私有化
场景是企业内网私有化、需要自动Wiki知识治理，看重安全和大厂维护，团队有能力自己解决问题，不依赖庞大社区生态 → WeKnora
🗂️
内容导航与阅读提示
本页面完整保留原始对比说明，并通过卡片、表格、图标、标签与折叠区域增强阅读体验。
本文围绕 WeKnora、Dify、RAGFlow 三个框架，从开发语言与核心技术栈、核心定位与主要能力、解决的核心问题、架构设计与扩展性、典型适用场景，以及社区活跃度、文档质量、商用友好度等方面展开完整说明。页面中的图标和视觉层级用于辅助快速定位信息，不改变原始内容的核心含义。
Go / PythonVue3 / React / Next.jsRAGReAct AgentWorkflow StudioDeepDocGraphRAGMCPLLMOps知识图谱私有化部署Apache 2.0MIT