텐센트 오픈소스 WeKnora, RAG부터 위키 자동 진화까지

서론

"문서는 단지 검색되어서만은 안 되고, 이해되고, 조직되고, 지속적으로 유지관리되어야 한다."

이것은 "하루에 오픈소스 프로젝트 하나" 시리즈의 220번째 편입니다. 오늘의 프로젝트는 WeKnora입니다.

대부분의 기업용 지식베이스 제품은 오늘날까지도 "문서 업로드 → 벡터화 → 유사도 검색 → Prompt에 끼워 넣기"라는 표준 RAG 흐름에 머물러 있습니다. 이 흐름은 간단한 질문에는 답할 수 있지만, 여러 단계의 추론이 필요하거나, 문서 간 종합이 필요하거나, 혹은 "이 문서가 도대체 무슨 내용인지, 열람할 수 있는 백과사전 한 부로 정리해 달라"와 같은 요구를 만나면 맥을 못 춥니다.

WeKnora는 텐센트가 오픈소스로 공개한 답입니다. 이것은 또 하나의 RAG 프레임워크가 아니라, 세 가지 능력을 겹쳐 놓은 것입니다: 빠른 질의응답은 RAG로, 복잡한 작업은 ReAct 에이전트가 도구를 자율적으로 편성하고, 장기 지식 축적은 Wiki 모드가 상호 연결된 지식 그래프를 자동 생성합니다. 이것은 위챗 대화 오픈 플랫폼(WeChat Dialog Open Platform)의 핵심 기술 프레임워크이며, 이미 실제 기업 시나리오에서 한 차례 검증을 거쳤습니다.

25.4k Stars, MIT 라이선스, Go 언어 백엔드.

무엇을 배우게 되는가

- WeKnora의 3대 핵심 능력: RAG 질의응답, ReAct 에이전트, Wiki 모드

- 모듈화 파이프라인 아키텍처: 문서 파싱 → 벡터화 → 검색 → 추론

- 세션 간 장기 기억 메커니즘의 설계 사고

- 공식 MCP Server의 29개 도구가 할 수 있는 일

- 기업급 배포 고려사항: 다중 워크스페이스 RBAC, 보안 암호화, 관측성(Observability)

사전 지식

- RAG(검색 증강 생성)의 기본 원리 이해

- Agent 도구 호출과 MCP 프로토콜 개념에 대한 이해

- 선택: 벡터 데이터베이스(pgvector/Milvus 등)에 대한 이해

프로젝트 배경

프로젝트 소개

WeKnora의 공식 포지셔닝은 "기업급 문서 이해, 시맨틱 검색, 자율 추론을 위해 구축된, 오픈소스이며 LLM 기반의 지식 프레임워크"입니다.

이것이 해결하려는 핵심 문제는 흩어진 문서를 조회 가능하고, 추론 능력을 갖추고, 지속적으로 진화하는 지식 자산으로 전환하는 것입니다. 이 세 가지 수식어는 각각 세 가지 능력에 대응합니다——조회 가능(RAG), 추론 능력 보유(ReAct 에이전트), 지속적 진화(Wiki 모드의 버전 관리와 자체 유지관리).

팀과 프로젝트 배경

- 소속 조직: Tencent(텐센트)

- 공식 웹사이트: weknora.weixin.qq.com

- 연관 제품: 위챗 대화 오픈 플랫폼(WeChat Dialog Open Platform)의 핵심 기술 프레임워크

- 라이선스: MIT License

프로젝트 데이터

- ⭐ GitHub Stars: 25,400+

- 🍴 Forks: 3,500+

- 👀 Watchers: 118

- 📦 현재 버전: 0.8.0

- 💻 주요 언어: Go(백엔드)

- 📄 라이선스: MIT

주요 기능

어떤 문제를 해결하는가

전통적인 기업 지식베이스(순수 RAG): 문서 업로드 → 청킹 → 벡터화 → 유사도 검색 → Prompt 조립 → 답변 ↑ "이 문서에 무엇이 언급되어 있는가" 같은 간단한 질문에는 답할 수 있음 ↑ "세 문서를 종합해 추세를 분석하라"는 요구를 만나면 버거워함 ↑ 지식베이스 자체는 "스스로를 정리"하지 못하고, 언제나 원본 문서의 더미로 남음 WeKnora(3-in-1): 간단한 조회 → RAG 빠른 질의응답(저지연, 충분함) 복잡한 작업 → ReAct 에이전트 ├── 검색 여부를 자율적으로 결정 ├── MCP 도구/웹 검색/샌드박스 코드 실행 호출 └── 다단계 추론 후 종합 답변 제시 장기 축적 → Wiki 모드 ├── 에이전트가 원본 문서를 상호 연결된 Markdown 지식베이스로 정제 ├── 인터랙티브 지식 그래프 생성 └── 수동 편집, 버전 이력, 원클릭 롤백 지원

사용 시나리오

기업 내부 지식베이스 질의응답

- 사원 수첩, 제품 문서, 기술 규격을 중앙에서 관리하고, 사원이 위챗워크(WeCom)/페이수(Feishu)를 통해 직접 질문

고객센터/프리세일즈 자동 응대

- IM 채널(Slack/Telegram/위챗워크)에 연동하여 제품 문서를 자동 응대 지식베이스로 전환

복잡한 연구 작업 자동화

- ReAct 에이전트가 웹 검색 + 내부 문서 검색 + 코드 샌드박스를 호출하여 "조사 + 분석 + 보고서 출력"의 다단계 작업 수행

지식 자산 지속 유지관리

- Wiki 모드가 문서 지식베이스를 백과사전처럼 스스로 갱신하고 상호 연결되게 하며, 고립된 PDF 더미로 남지 않게 함

노코드 지능형 질의응답 배포

- 위챗 대화 오픈 플랫폼을 통해 비기술자도 사용 가능한 지식베이스 질의응답 시스템을 구성할 수 있음

빠른 시작

사전 의존성: Docker, Docker Compose, Git git clone https://github.com/Tencent/WeKnora.git cd WeKnora cp .env.example . env docker compose pull docker compose up -d # 시작 후 접속 http://localhost

선택 기능 모듈(Profile):

지식 그래프 활성화(Neo4j) docker compose --profile neo4j up -d # 객체 스토리지 활성화(MinIO) docker compose --profile minio up -d # 관측 추적 활성화(Langfuse) docker compose --profile langfuse up -d # 전체 기능 활성화 docker compose --profile full up -d

로컬 Ollama 모델을 사용하는 경우 먼저 ollama serve를 실행해야 합니다. 업그레이드 시 .env의 WEKNORA_VERSION을 설정한 뒤 docker compose pull && docker compose up -d를 실행합니다.

핵심 특성

1. 3대 핵심 능력

능력 적용 시나리오 핵심 메커니즘 RAG 빠른 질의응답 일상적이고 간단한 조회 벡터 검색 + 직접 생성 ReAct 에이전트 복잡한 다단계 작업 검색/도구/샌드박스/검색의 자율 편성 Wiki 모드 장기 지식 축적 자동 정제 + 상호 링크 + 버전 관리

2. 세션 간 장기 기억

대부분의 질의응답 시스템이 "매 대화마다 처음부터 시작"하는 것과 달리, WeKnora는 세션 간 기억 차원을 유지합니다:

- 프로필: 사용자 신원과 배경 정보

- 선호: 사용자의 과거 선택 성향

- 사실: 대화 중 확인된 구체적 사실

- 작업: 진행 중인 다轮(다중 턴) 작업

- 관심사: 사용자가 주목하는 화제 영역

3. 공식 MCP Server: 29개 도구

WeKnora는 공식 MCP Server를 제공하여 자체 능력을 표준 MCP 도구로 노출시킵니다. 이를 통해 Claude Code, Cursor 등 AI 도구가 WeKnora의 지식베이스 능력을 직접 호출할 수 있습니다——검색, 쓰기, Wiki 편집 등의 작업을 모두 MCP를 통해 완료할 수 있습니다.

4. 다중 소스 데이터 연동

데이터 소스 유형 구체적 지원 기업 협업 도구 페이수(Feishu), 텐센트 IMA, 딩톡 문서(DingTalk Docs), 위에치(Yuque) 개발 플랫폼 GitLab 범용 플랫폼 Notion, RSS 문서 형식 PDF, Word, 이미지, Excel, XMind 등 10+ 형식

5. 20+ LLM 제공자 지원

국제 주류(OpenAI, Azure OpenAI, Anthropic Claude, Gemini)와 국내 주류(DeepSeek, 통이치엔원(Qwen), 즈푸(Zhipu), 훈위안(Hunyuan)) 모델을 아우르며, LiteLLM과 Ollama를 통합 연동 계층으로 지원합니다.

6. 기업급 보안과 권한

- 다중 워크스페이스 RBAC: 4단계 역할 매트릭스, 세분화된 권한 제어

- 암호화: AES-256-GCM 데이터 암호화

- 전송 보안: gRPC TLS

- SSRF 방어: 서버 측 요청 위조 공격 방지

- 범위 지정 API 키: 키의 접근 범위를 한정

심층 분석

모듈화 파이프라인 아키텍처

WeKnora의 아키텍처 설계는 "모든环节(단계)을 교체 가능하게" 하는 것을 강조합니다:

문서 파싱(Document Parsing) ↓ PDF/Word/Excel/이미지/XMind 등 형식 파서 지원 벡터화(Vectorization) ↓ 다양한 Embedding 모델 지원 검색(Retrieval) ↓ PostgreSQL (pgvector)/Elasticsearch/OpenSearch/Milvus/Weaviate/Qdrant 지원 추론(LLM Inference) ↓ 20+ LLM 제공자 지원, LiteLLM을 통한 통합 연동

이러한 설계의 장점은 기업이 기존 인프라에 맞춰 교체할 수 있다는 것입니다——이미 Milvus를 쓰고 있는 팀은 벡터 스토어를 마이그레이션할 필요가 없고, 이미 사설 배포된 모델 서비스가 있어도 바로 연동할 수 있습니다. 이것이 또한 "데이터 주권" 약속의 기술적 기반입니다: 전체 파이프라인이 완전히 사설 환경 내에서 폐쇄적으로 운영될 수 있어, 어떤 데이터도 기업 내부망을 벗어날 필요가 없습니다.

RAG, ReAct, Wiki 세 가지 모드의 설계 논리

왜 "만능" 단일 모드를 만들지 않고 세 가지로 나눈 것일까?

순수 RAG 모드의 한계: 검색 → Prompt 조립 → 생성 ↑ 지연이 낮고 비용이 낮지만 추론 능력이 약함 ↑ "이 문서에 X가 언급되어 있는가" 같은 질문에 적합 순수 Agent 모드의 문제: 매번 완전한 추론 체인을 거침 ↑ 간단한 질문에도 다중 턴 도구 호출을 하여 지연이 높고 비용이 높음 ↑ 사용자 체감상 "느려졌다"고 느낌 WeKnora의 계층형 설계: 간단한 조회 → 바로 RAG로(빠름) 복잡한 조회 → ReAct로 승격(정확함) 지식 축적 → 비동기로 Wiki 모드(실시간 질의응답에 영향 없음)

이러한 "필요에 따라 복잡도를 승격"하는 설계 사고는 본질적으로 지연/비용과 능력 사이에서 동적 균형을 잡는 것입니다——모든 문제가 에이전트급 추론 능력을 필요로 하는 것은 아닙니다.

Wiki 모드: 문서 더미에서 자체 유지관리 지식베이스로

Wiki 모드는 WeKnora의 상대적으로 독특한 능력입니다. 대부분의 RAG 시스템은 문서를 검색의 "원재료"로 취급하고, 검색이 끝나면 그만이며, 문서 자체는 변하지 않습니다.

WeKnora의 Wiki 모드는 반대로 합니다: 에이전트가 능동적으로 원본 문서를 읽고, 구조화된 Markdown 페이지로 정제하며, 페이지끼리 서로 링크되어 위키백과와 유사한 지식 네트워크를 형성합니다. 이 네트워크는:

- 인터랙티브 지식 그래프 시각화를 갖추고

- 수동 편집을 지원하며(에이전트가 생성한 것은 최종 상태가 아니라 초안임)

- 완전한 버전 이력을 갖추고(Git의 diff 비교와 유사)

- 임의의 과거 버전으로의 원클릭 롤백을 지원합니다

이것은 RAG 시스템의 흔한痛点(문제점)을 해결합니다: 원본 문서의 품질이 나쁠 때(구조가 혼란스럽고, 정보가 중복되고, 오래된 내용이 뒤섞여 있을 때) 검색되는 내용의 품질도 나빠집니다. Wiki 모드는 AI가 먼저 한 차례 "문서 정리"를 하게 하고, 이후의 질의응답이 정리된 지식 위에 세워지도록 하는 것과 같습니다.

동종 프로젝트와의 비교

차원 LangChain + 자체 구축 RAG Dify RAGFlow WeKnora 즉시 사용 ❌ 대량의 자체 개발 필요 ✅ ✅ ✅ ReAct 에이전트 자체 구축 필요 제한적 제한적 ✅ 네이티브 지원 Wiki 자체 유지관리 지식베이스 ❌ ❌ ❌ ✅ 세션 간 장기 기억 자체 구현 필요 제한적 ❌ ✅ 공식 MCP Server ❌ 부분적 ❌ ✅ 29개 도구 기업급 RBAC 자체 구현 필요 있음 제한적 ✅ 4단계 역할 중국어 모델 생태계 지원 자체 연동 필요 보통 보통 ✅ 네이티브 커버

WeKnora의 차별점은 Wiki 모드와 ReAct 에이전트의 네이티브 통합, 그리고 국내 LLM 생태계(DeepSeek, 통이치엔원, 훈위안)와 기업 협업 도구(페이수, 딩톡, 위챗워크)에 대한 네이티브 지원입니다——이는 국내 기업의 도입에 명확한 이점입니다.

프로젝트 주소와 리소스

공식 리소스

- 🌟 GitHub: github.com/Tencent/WeK…

- 🐛 Issues: GitHub Issues

관련 리소스

- Model Context Protocol — WeKnora 공식 MCP Server가 기반으로 삼은 표준 프로토콜

- Langfuse — WeKnora가 통합한 관측 추적 도구

- pgvector — WeKnora가 지원하는 벡터 검색 방안 중 하나

요약과 전망

핵심 요점 정리

- 3-in-1 능력 매트릭스: RAG는 간단한 조회를 담당하고, ReAct 에이전트는 복잡한 작업을 처리하며, Wiki 모드는 장기 지식을 축적한다——필요에 따라 복잡도를 승격

- Wiki 모드는 차별화된 하이라이트: 원본 문서를 자체 유지관리되고 롤백 가능한 상호 연결 지식베이스로 정제하며, 문서를 영원히 "원본 상태"로 유지하게 두지 않음

- 모듈화 파이프라인: 파싱, 벡터화, 검색, 추론의 각 단계가 교체 가능하여 기업의 기존 인프라에 적응

- 공식 MCP Server: 29개 도구로 Claude Code 등 AI 도구가 WeKnora 능력을 직접 호출

- 국내(중국) 생태계 네이티브 지원: DeepSeek/通义千问(Qwen)/混元(Hunyuan) + 飞书(Feishu)/钉钉(DingTalk)/企业微信(WeCom), 현지화 수준이 높음

누구에게 적합한가

- 기업 IT/지식 관리 팀: 흩어진 문서를 단순히 "검색 가능한" 수준이 아니라 유지 관리 가능한 지식 자산으로 전환해야 하는 경우

- 국내 AI 애플리케이션 개발자: 중국산 대규모 모델과 기업 협업 도구에 네이티브로 연동되는 지식 프레임워크가 필요한 경우

- 복잡한 Agent 애플리케이션을 구축하는 팀: 단순한 RAG에 만족하지 않고 ReAct 수준의 다단계 추론이 필요한 경우

- 데이터 주권을 중시하는 조직: 전체 파이프라인을 프라이빗 배포할 수 있어 데이터가 내부망을 벗어날 필요가 없음

한 줄 평가

WeKnora가 해결하려는 문제는 이것이다. 지식베이스는 단지 검색될 수 있는 문서 더미여서는 안 되며, 스스로 정리하고 추론하며 지속적으로 진화하는 살아 있는 지식 시스템이어야 한다.

PrimeSkills를 방문해 보시기 바랍니다 —— 실제 기업급 워크플로로 검증된 콘텐츠만을 엄선해 큐레이션한 AI Agent 및 스킬 마켓입니다. 과장된 요소는 없고, 실제로 효과가 있는 것만 있습니다.

더 많은 실용 지식과 흥미로운 제품은 제 개인 홈페이지를 방문해 주시기 바랍니다

冬奇Lab

소프트웨어 아키텍처

511

글

322k

조회

745

팔로워