L’équipe WeChat AI a officiellement open source le framework de gestion des connaissances WeKnora, version 0.8.0.
Auteur de l’article et source : AIBase
L’équipe WeChat AI a officiellement open source le framework de gestion des connaissances WeKnora (维娜拉). La toute dernière version 0.8.0 est désormais ouverte au grand public. Sa position peut se résumer en une phrase : permettre à une base de connaissances non seulement de « fournir des réponses », mais aussi de « passer à l’action en exécutant ».
Ce que WeKnora cherche à résoudre, c’est le problème le plus concret lors du déploiement des grands modèles : les connaissances restent dans des documents, et le modèle peut parler avec assurance, mais il manque une paire de bras et de jambes pour transformer ces informations en résultats vérifiables.
Analyse anydoc + GraphRAG : transformer des documents épars en graphe de connaissances
Le premier point fort est l’analyse anydoc : des formats variés tels que PDF, Word, Markdown, pages web, etc., peuvent être importés directement, sans conversion préalable. En combinaison avec le mode Wiki, elle peut organiser automatiquement des documents épars en un système de connaissances structuré.
Le deuxième, c’est GraphRAG. Le RAG classique s’appuie sur la recherche vectorielle pour récupérer des fragments pertinents et les assembler au modèle ; GraphRAG va plus loin : il extrait les entités et les relations pour construire un graphe. Quand il s’agit de répondre à des questions du type « comment les choses sont-elles liées entre elles ? », GraphRAG est bien plus fiable que la simple recherche vectorielle.
Skill Sandbox Runtime : la connaissance peut être « exécutée » en toute sécurité
Le plus à surveiller, c’est Skill Sandbox Runtime. Le contenu de la base de connaissances peut être encapsulé en « compétences », puis exécuté dans des environnements de sandbox comme Docker, E2B, CubeSandbox, etc. Cela signifie que la connaissance n’est pas seulement « lue », mais peut aussi être « exécutée » en toute sécurité. Le modèle peut appeler une compétence depuis la base de connaissances, la lancer dans la sandbox et renvoyer un résultat vérifiable, au lieu de s’arrêter à « je vous suggère de faire ceci ».
Et encore : ajout d’une mémoire à long terme (Long-term Memory). L’intention de ce cadre est donc assez complète : analyse, organisation, recherche, exécution, puis formation de la mémoire — le tout en une chaîne. L’architecture repose sur une conception modulaire, que l’on peut mobiliser selon les besoins. La licence est MIT : open source, sans friction pour un usage commercial. Voilà aussi ce qui lui donne l’assurance d’adresser des scénarios « du particulier à l’entreprise ».