这周的 GitHub 趋势榜照例被 AI 项目屠版，但冲得最猛的那匹黑马不太一样：它不聊显存、不聊带宽。腾讯的 WeKnora，上线一年多的老项目，靠着 9 月 3 日发布的 v0.8.0 重新杀回日榜——9 月 18 日单日 +1123 star、总量 26106，到 9 月 22 日已经逼近 2.9 万。B 站的部署教程从 9 月 3 日一路排到 9 月 26 日，小红书 9 月 29 日就有"全本地个人知识库实战"复盘。知乎知乎小红书
过去这个圈子里聊的都是"你的卡能跑什么模型"。WeKnora 火起来，问的是另一个问题：模型是跑起来了，然后呢？你硬盘里吃灰的 PDF、会议纪要、工具手册，能不能有个查得到出处、出不了你电脑的 AI？
这篇不服务矿卡党和 256G 内存 Mac 党，服务的是另一群人：手里只有一台 4 核 8G 普通电脑、不想为 AI 再花一分硬件钱、但被"数据出域"一票否决过用云知识库的人。知乎
一、为什么是这周又火，而不是去年
先把事实摆清楚：WeKnora 不是刚开源的新玩具，2025 年 9 月就上线了。这轮爆点的扳机是 v0.8.0（2026-09-03）一次端出三样东西——跨会话长记忆、执行沙箱、Skills 技能市场，外加官方 DeepSeek Harness 插件，把知识库能力直接喂给外部 Agent。知乎
工程完成度是它和"上架即弃养"项目的分水岭：截至 9 月 22 日，2.9 万 star、3547 fork、3066 次提交，仓库里有 1199 个测试文件（Go 项目里算很扎实的投入），维护节奏接近日更。知乎
更关键的是它把同一批文档做出三种用法：快速问答（每个答案带可点击引用角标，能跳回原文核对——这是"AI 玄学问答"和正经知识库的分界线）、ReAct Agent（源码里连防工具空转的 loopGuards 都写了），以及最有辨识度的 Wiki 模式：Agent 把散文档蒸馏成互相链接的 Markdown 词条加知识图谱，带修订历史、行级 diff、一键回滚——相当于雇了个不知疲倦的编辑，帮你把"文档坟场"重构成正经百科。知乎知乎
二、误区一：部署在本机 ≠ 数据不出门
这是这轮讨论里最该被拎出来的一盆冷水。一位拿它做 EDA 手册知识库的博主说得直白：应用自托管之后，是否调用外部模型仍是单独的选择——你填了 DeepSeek、混元、OpenAI 的 API Key，提问时被检索引用的文档片段照样经过了第三方服务。知乎
真正"全本地"只有一条路：挂 Ollama。WeKnora 的模型层是插拔式的，20+ 家供应商随便换，从云端 API 到本地小模型。但代价要认：本地模型多强，答案上限就多强——应用层 4 核 8G 就跑得动，瓶颈全在你给它的模型上。简历、合同草稿、未公开稿件这类东西，"App 装在自己电脑里"和"内容不出自己电脑"是两码事，前者是部署位置，后者才是隐私。
三、误区二：知识库 ≠ 搭应用的平台
社区里最普遍的混淆，是把 WeKnora 和 Dify 当成一类东西。一张选型表说清：Dify / MaxKB 卖的是"应用平台"，默认知识库是够用级（标准切分 + 标准向量检索）；RAGFlow / WeKnora 卖的是"检索引擎"，你拥有引擎本身，分块策略、检索融合、模型都能自己换；Onyx 卖的是企业搜索。
差别什么时候显形？文档又脏又乱的时候——扫描件、复杂表格、跨页图表，够用级检索的召回率说掉就掉。官方数据截至 9 月：这套 Go 后端 + docreader 解析（底层是 Rust 写的 anydoc，连恶意 PDF 的解析开销都做了上界保护）+ ParadeDB（PostgreSQL 17，BM25 和向量检索二合一）的组合，默认只要 5 个容器，不用单独装向量数据库——对个人玩家相当友好。知乎知乎
四、真实用户嘴里的五个坑
把知乎落地手记、B 站教程区和小红书的复盘摊开，这轮踩坑高度集中在五处：
老 CPU 直接崩：不带 AVX2 指令集的机器启动 ParadeDB 会挂，官方 9 月 17 日刚推了修复镜像，`docker compose pull` 升级即解。知乎
镜像拉取超时：国内网络先配 Docker 加速器，或分步 pull 逐个重试；离线环境官方有私有化部署包。
配置劝退：`.env.example` 有 44KB，第一次部署大概率翻半天。其实必改的就两处——`JWT_SECRET`（`openssl rand -hex 32`）和 `SYSTEM_AES_KEY`（`-hex 16`）必须自己生成别用默认值；准备给团队用、要对外暴露前，先把 `DISABLE_REGISTRATION=true` 设上，否则任何人打开页面都能注册进来。
长期记忆别急着开：v0.8.0 的跨会话记忆分五类（画像/偏好/事实/待办/兴趣），默认关闭是对的——自动推断的记忆项默认"观察中"、要人确认。身份证号、客户合同、财务数据，别丢给自动记忆：记忆越方便，越要常去"我的记忆"里看、改、删。知乎
杀鸡用牛刀：只想给两百条笔记加问答的，有它更适合的小工具。WeKnora 偏重，适合的是"一整个团队、一堆系统、要长期维护"，或者你确实有一屋子需要版本可追溯的手册和档案。知乎
五、什么人值得现在上车，什么人再等等
适合：被几百页手册和群文件淹没的工程师、有整盘私域资料的自媒体人、给公司试私有化 RAG 但预算为零的开发——前提是有一台 4 核 8G 以上机器（Docker 20.10+、留 20G 磁盘），跟得住几条 compose 命令。知乎
不适合：懒得开机器就想手机提问的，云端 workbuddy+ima 那套更顺；既要求答案质量又坚持零 API 外发的，普通老电脑配本地小模型大概率收获"胡言乱语"体验，那是模型层的账，不是 WeKnora 的锅。微博
上车动作：别贪多，先灌 10 份版本明确的文档，拿一个你自己知道答案的问题去问，抽查表格、脚本、参数有没有被解析漏——检索质量的问题要靠换资料、调分块解决，不是换提示词。跑通之后再按需叠加：知识图谱加 `–profile neo4j`，链路追踪加 Langfuse，最后用 MCP 把知识库接进 Claude Code / Cursor（官方 PyPI 包 29 个工具），写代码时直接查自家文档。知乎知乎
继续观察：官方日更节奏能不能维持、消费级 NAS 一键包（懒猫微服已经上了 WeKnora）会不会把门槛降到"下载即用"、v0.8.0 放出的插件生态后续接不接得住 DeepSeek Harness 这类外部 Agent。哔哩哔哩
微博 1 月有人直白地问，为什么一直有人教用本地模型搭建个人知识库，云模型不早就什么都知道了？ B 站 9 月也有人感叹，本地部署大模型是真没用、但真好玩。吵到现在，答案其实收窄了：云端模型的能力上限来自人类公开的语料，而知识库的价值上限来自你那部分不在云上的资料。显卡决定不了这事值不值得干——你的文档决定。微博哔哩哔哩
