五年干货免费送？我为什么把知识库交给PandaWiki

引言

从熊猫开始撰写 NAS 相关内容至今，已有五年时间。这五年间，累计撰写字数已突破四百万，其中长文教程更是多达「近 600 篇」。虽然熊猫的内容一直在各大自媒体平台分发，但这些平台更多是作为一个“扩圈”的渠道，旨在让更多人了解并学会使用 NAS。然而，分散的平台特性使得它们并不适合作为一个集中的知识库。

个人信息

这就导致粉丝们想要翻阅往期教程或搜索特定内容时，往往感到困难重重。因此，熊猫决定将所有 NAS 相关教程无偿公开，建立一个专属的知识库。为了方便粉丝查询和检索信息，选择一款合适的 Wiki 系统便成了重中之重。

PandaWiki：不仅是知识库，更是 AI 助手

PandaWiki 这个项目熊猫之前就介绍过，因为名字里也带个“Panda”，所以对它有着天然的亲切感，关注度也自然多了一些。「也希望大家能去点个 Star 支持一下开发者，或者在使用过程中有任何建议和需求，都可以积极提 Issue」：
👉 「GitHub 地址：https://github.com/chaitin/PandaWiki」

作为一个在 GitHub 斩获 「8.5K Star」 的 Wiki 项目，PandaWiki 的用户群相当广泛，目前装机量已超 3W+。在商用领域，其专业版案例也十分丰富，比如熊猫前段时间介绍过的 「冬瓜 HAOS」，就采用了 PandaWiki 构建在线文档。

项目案例

在功能特性上，PandaWiki 完美契合了我的需求：

• 「AI 赋能」：支持 AI 辅助创作、智能问答以及语义搜索。

• 「Markdown 友好」：作为 Markdown 的重度使用者，PandaWiki 对语法的兼容性是我目前体验下来最舒适的。

• 「便捷导入」：它支持通过网页、Sitemap 以及 RSS 订阅进行直接导入，这让我可以结合现有的博客内容，免去了一篇篇手动搬运的痛苦。

项目部署

作为知识库，支持「私有化自部署」是基本要求。PandaWiki 的部署方式非常灵活，支持 Docker 和 Compose，不局限于特定设备。熊猫这里以绿联 NAS 为例进行演示。

如果想要傻瓜式的部署，那么官方提供了一键部署的指令，打开NAS的SSH端口之后输入指令根据引导就可以直接部署：bash -c "$(curl -fsSLk https://release.baizhi.cloud/panda-wiki/manager.sh)"

如果不想用官方命令，想更精细地控制，也可以选择手动部署。那么在项目部署前我们需要准备好部署需要的文件。首先需要新建pandawiki文件夹，随后到https://release.baizhi.cloud/panda-wiki/docker-compose.yml下载Compose文件，将其放入文件夹中。

准备工作

在目录下再新建.env环境变量文件，其中配置如下。需要注意里面的内容请在部署前进行更改，端口如果有冲突情况也记得换一下。（这里可以直接用全部替换将{{PASSWORD}}替换成你需要设置的密码。

# 时区 TIMEZONE=Asia/Shanghai # 容器网段 SUBNET_PREFIX=169.254.15 # 中间件密码（请用随机密码替换{{PASSWORD}}） POSTGRES_PASSWORD={{PASSWORD}} NATS_PASSWORD={{PASSWORD}} JWT_SECRET={{PASSWORD}} S3_SECRET_KEY={{PASSWORD}} QDRANT_API_KEY={{PASSWORD}} REDIS_PASSWORD={{PASSWORD}} # 管理后台登录密码（请务必牢记） ADMIN_PASSWORD={{PASSWORD}} # 管理后台访问端口 ADMIN_PORT=2443

最后确定内容无误之后直接导入Compose文件，再次确认无误就可以部署了。

项目部署

PandaWiki 涉及的镜像较多，设计了包含数据库、向量库、对象存储、Nginx 等，部署过程需要耐心等待。

部署日志

初次启动时，部分容器可能会反复重启，这是正常的初始化过程。待所有容器状态稳定且日志无报错，即代表部署成功。虽然容器数量看着吓人，但整个过程其实非常“傻瓜式”，无需繁琐地手动映射文件夹。

部署成功

项目配置

「⚠️ 重要提示」：PandaWiki 默认使用 「HTTPS 协议」。因此，访问后台的地址必须是 https://NAS_IP:端口号。如果直接用 HTTP 访问，你只会看到报错页面。

访问报错

使用默认用户名 admin 和你在 .env 中设置的密码登录。首次登录会进入引导流程，我们需要配置 Wiki 站点的模型和 API。你可以直接使用百智云的官方 API Key，也可以手动配置第三方的对话、向量、排序及文档分析模型。

模型配置

PandaWiki提供了非常多的供应商，也是目前熊猫用过的项目中，模型供应商支持最全面的之一。从国内大模型到国外主流模型，从官方 API 到第三方中转站点，统统支持。

模型供应商

这里熊猫使用的是自有的模型 API。关于如何获取模型 API，之前的文章有详细介绍，大家可以翻阅一下。配置好后，PandaWiki 就具备了直接搜索问题并获取答案的能力。

模型一览

跟着引导点击下一步，设置WIKI站的名称以及启用的端口，这里需要注意，如果此处报错，可以通过PandaWiki API容器日志观察报错情况，通常是因为向量模型不兼容。建议尝试更换为 OpenAI API 格式的向量模型，或者直接使用百智云提供的向量服务，毕竟向量模型并不费Token。

配置完成

使用体验

一切配置就绪后，就可以开始导入文档了。在文档目录中，你可以看到发布信息和学习状态。导入文件后，「务必记得点击“文档学习”」，让 AI 理解并消化这些内容，这是实现智能问答的基础。

AI学习

后台统计界面非常详尽，不仅显示热门文档排名，还能对访客进行 IP 分析，包括地区、来源域名、设备客户端等信息，让你对站点的访问情况了如指掌。

统计界面

在设置中开启“贡献与反馈”后，用户可以在前端对文档提出修改建议。这些内容不会直接覆盖原文档，而是进入后台审核流程，管理员审批通过后才会生效，有效防止了文档被恶意篡改。

贡献界面

PandaWiki 允许对前台界面进行高度自定义，包括欢迎页、导航栏以及底部的 Footer。同时提供了三种不同宽度的布局样式，满足不同场景需求。

设置界面

熊猫将默认首页设置为了欢迎页，简洁大方，方便大家快速查询内容。

前端界面

输入问题后，AI 会基于已学习的文档库进行回答，并且会在回答中附上「引用来源」。如果你对某个点感兴趣，可以直接点击引用链接跳转查看原文，体验非常丝滑。

之前常有粉丝反馈各平台的代码复制困难，或者某些 NAS 部署教程不够详细。现在通过 AI，你可以直接生成可复制的代码块，甚至通过「连续追问」的形式，让 AI 基于现有的知识库，推导生成其他类似 NAS 项目的部署教程。

连续提问

除了智能问答，如果你觉得 AI 的方案不够精准，也可以切换到传统的「文档搜索模式」，直接检索文档原文。

搜索模式

目前 PandaWiki 的编辑器支持富文本和 Markdown。Markdown 的兼容性极佳，数学公式、表格、流程图等都能完美渲染。

编辑器

目前编辑器的撰写体验非常不错了，不过希望后续能更新为“所见即所得”的实时预览模式，体验会更上一层楼。另外，既然已经引入了向量库，未来是否可以考虑增加 「AI 文档自动打标/分类」 功能？这其实对文档的整理分类很有帮助。

写在最后

文章的最后，熊猫也将自己搭建的 Wiki 站点分享给大家，欢迎访问使用，希望能通过这个知识库，帮助大家解决 NAS 玩法交流中的各种疑难杂症。
👉 「熊猫的 NAS 知识库：https://wiki.panda995.fun:520/」

PandaWiki 作为一款开源的知识库项目，通过 AI 驱动实现了文档协作与智能检索的完美结合。如果你觉得这个项目对你有帮助，「请务必去 GitHub 给作者点个 Star 🌟，有任何新功能建议或 Bug 反馈，也欢迎去提 Issue 📝」。官方也有交流群，这里熊猫直接贴上二维码，方便大家深入探讨。

以上便是本次分享的全部内容了，如果你觉得还算有趣或者对你有所帮助，不妨点赞收藏，最后也希望能得到你的关注，咱们下期见！

尾图

作者声明本文无利益相关，欢迎值友理性交流，和谐讨论～