PandaWiki：解锁知识管理的未来，AI 创作、搜索与问答的全能平台

解锁知识管理的未来，AI 创作、搜索与问答的全能平台

首先我们先来了解RAG本地知识库

想象一下，你有一个超级聪明的私人图书馆管理员。这个图书馆里装满了你的笔记、文档、书籍，甚至是你收藏的网页内容。当你问管理员一个问题，比如“怎么做披萨？”，他会迅速翻遍整个图书馆，挑出最相关的食谱、技巧和注意事项，然后用自己的智慧把这些信息整理成一个清晰、准确的回答。RAG本地知识库为我们做的就是这件事。

RAG的来源

RAG是“Retrieval-Augmented Generation”的缩写，中文可以叫“检索增强生成”。
它结合了“检索”和“生成”两个步骤：

1. 检索：从知识库里找出和问题最相关的内容。
2. 生成：利用人工智能（大语言模型）把这些内容加工成通顺、易懂的回答。
   所以，RAG就是在AI生成答案前，先让它从你指定的知识库里检索信息，用这些信息增强它的能力，最终给出更靠谱的回答。

本地知识库，就是那个“专属私人书房”。它建在你自己的服务器或电脑上，里面的“书”全是你的私人或内部资料，比如：

• 公司内部的Word、PDF文档
• 产品手册、技术文档
• 会议纪要、项目计划
• 客服Q&A对答列表
• ……
  RAG的作用

让AI回答问题时更靠谱、更贴近你的需求
简单说，RAG本地知识库做了三件大事：

• 治“胡说”的病：从根本上减少了AI因为不知道而“编造”答案的情况，让它句句有出处，事事有依据。
• 开“小灶”补课：不用花费巨资重新训练AI大模型，只需要给它一个知识库，它就立刻拥有了最新的、私密的知识，像是请了位私教给它开了小灶。
• 保“数据”安全：你的机密文档永远保存在你自己的服务器上，不会被泄露给公有云上的AI服务。问题可以出去，但资料绝不出去，安全可控。
  RAG的处理流程

1. 存储+处理：可以保存各种格式的“资料”，如PDF、Word、txt甚至你的随手文档等，在存储过程中这些投入的内容素材会被分割成小块并转化为AI能理解的“数字语言”即向量，提供AI快速索引查找。
2. 语义搜索：当你问问题时，它会用“语义搜索”技术，找到和问题最匹配的内容。比如你问“披萨怎么做”，它不仅能找到披萨食谱，还能挑出跟“薄底披萨”或“意式风味”相关的技巧。这种搜索比关键词匹配更聪明，能理解你的问题“背后的意思”。
3. 自然的回答：找到相关内容后，RAG会把它们交给AI大模型，生成一段通顺、自然的回答。比如，“做披萨需要预热烤箱到220°C，面团要发酵2小时……”。
4. 随时更新：不再像训练模型一样添加新内容都要对其重新训练或微调，你可以随时往知识库里加新文档，或者删掉过时的内容，让本地知识库的知识永远跟得上你的需求。
5. 本地存储：数据存在本地，还可以加密存储，只有你能访问，别人偷不走你的“藏书”。
   RAG的应用场景

只要你有“不想公开但又想用AI来查询”的资料，就能用上它！

• 企业智能客服：银行、电信公司可以把最新的业务办理指南、套餐说明放入知识库，AI客服就能准确回答客户“我这个套餐怎么升级？”这类具体问题。
• 技术团队问答：新员工可以直接向AI提问：“咱们项目的后端架构是怎么设计的？”AI会从浩如烟海的设计文档、代码库里找到最相关的部分来回答。
• 个人知识管理：如果你是研究者或学生，可以把所有论文、学习笔记喂给AI，然后问它：“帮我总结一下这篇论文和另一篇的异同点？”
• 法律、咨询行业：律师可以把过往的案例、法律条文放入知识库，快速查询类似案件的胜诉点和关键法条，提高效率。
  再来看看今天的主角-PandaWiki

开源地址

https://github.com/chaitin/PandaWiki官网文档

https://pandawiki.docs.baizhi.cloud/node/0197160c-782c-74ad-a4b7-857dae148f84

了解完RAG我们再来看看PandaWiki，从与RAG的区别去认识PandaWiki

1. 设计目标与定位:

• PandaWiki：定位为一个完整的开源知识库搭建系统，旨在提供用户友好的界面和一站式解决方案，涵盖文档管理、AI问答、搜索和第三方接入的集成。它的目标是帮助用户快速构建智能化的Wiki网站，适合企业或个人用户直接使用。
• RAG本地知识库：更侧重于技术框架和组件，是一种通用的AI技术架构，专注于检索和生成的核心功能。它通常不提供完整的用户界面或开箱即用的Wiki系统，而是作为开发者工具集成到其他应用中。

1. 功能范围：

• PandaWiki：提供丰富的功能，包括富文本编辑、多种格式导出、第三方集成（如聊天机器人）、多语言支持等。它是一个面向最终用户的完整产品，强调易用性和场景化应用。
• RAG本地知识库：功能更聚焦于检索和生成，通常不包括用户界面或高级编辑功能。它的功能由开发者根据需求定制，可能需要额外开发前端或集成逻辑。

1. 技术实现：

• PandaWiki：使用成品知识库平台，无需再做过多编程，提供了各个平台机器和API的接入方式，只需要面向应用侧开发
• RAG本地知识库：需要更多的技术配置和开发工作，在整个业务实现上都需要自己定制开发

1. 用户群体：

• PandaWiki：目标用户包括非技术用户（如企业文档管理员、个人博主）和开发者。它的控制台和AI功能设计为开箱即用，适合快速部署和使用。
• RAG本地知识库：主要面向开发者或技术团队，需要一定的编程能力来搭建和优化知识库。
  PandaWiki可以看作是RAG本地知识库的一种具体实现，但它不仅仅局限于RAG技术。它的AI问答和搜索功能显然采用了RAG的检索-生成范式，通过从本地知识库检索内容并结合大模型生成回答。然而，PandaWiki还集成了许多RAG之外的功能（如富文本编辑、第三方集成、Wiki网站生成），使其更像是一个基于RAG思想的完整产品，而非单纯的RAG技术框架。

同时，PandaWiki作为开源项目（AGPL-3.0）在项目架构和预定义功能基础上提供源代码支持二次开发。

PandaWiki的AI接入支持和Token成本

https://pandawiki.docs.baizhi.cloud/node/01971616-811c-70e1-82d9-706a202b8498
低成本的 Token 消耗

PandaWiki 在 AI 模型使用上极具成本效益：

• Embedding 和 Reranker 模型：价格低廉，在典型应用场景下成本几乎可以忽略。
• Chat 模型：主要成本集中在输入 Token 上，每次对话通常消耗 1000 到 10000 个 Token。以假设的定价（每百万 Token 1 元）计算，每次对话成本不到 1 分钱，让 AI 应用变得亲民且高效。
  （白嫖怪狂喜，直接免费 ）PandaWiki 在初始化时已经内置了百智云模型广场的 Embedding 和 Reranker 模型，如果没有特殊需求，无需更改。

广泛的大模型 API 支持

PandaWiki 支持灵活接入多种大模型 API，满足不同场景需求：

• 百智云模型广场（推荐）
• DeepSeek
• OpenAI
• Ollama
• 硅基流动
• 月之暗面
• 其他兼容 OpenAI 接口的 API
• 定制需求
  专精的 Embedding 与 Reranker 模型

精选高效的模型支持：

• Embedding 模型：采用 bge-m3将文档转化为向量，确保向量表示的高效与精准，为 PandaWiki 提供了智能搜索和内容关联的能力。
• Reranker 模型：使用 bge-reranker-v2-m3对初始结果进行二次排序，实现 “快速召回 + 精准排序”，提升检索系统质量，提升用户体验。
  PandaWiki庞大的开源生态 – 百智云联创团

https://pandawiki.docs.baizhi.cloud/node/01981119-2803-7156-a792-217048ee4834

PandaWiki在AI问答机器人的技术支撑

• 网页挂件机器人
• 钉钉机器人
• 飞书机器人
• 微信公众号
• 企业微信机器人
• 企业微信客服
• Discord机器人
• 问答机器人API
  以钉钉为例：https://pandawiki.docs.baizhi.cloud/node/01971b5f-258e-7c3d-b26a-42e96aea068b

提供详细的配置教程，足够面对大多数用户需求场景，若存在定制化需求，也可以直接使用问答机器人API接入。
PandaWiki丰富的用户案例

https://pandawiki.docs.baizhi.cloud/node/01971ac6-c34e-7646-8b28-5fa61c1a84f4
官方文档提供了几类用户案例：IT行业、政府和个人Wiki，我们随便选个乐帆云边缘安全加速平台 ESA来Get一下PandaWiki应用：

这是关于乐帆云边缘安全加速平台的产品使用手册，从介绍、计费、使用、说明等几个角度来构建这么一个文档知识库。

当用户遇到问题时，谁还愿意去手动翻阅浩如烟海的文档？他们真正期待的，是一个能对答如流的“专属智库”。我们的本地知识库正是答案：它不仅能智能理解需求，瞬间定位所有相关信息，更能将结果清晰呈现，让复杂问题一目了然，高效又安心。

so，比如我我们想了解乐帆云的配置，直接建立一个chat去询问：

配置教程

左侧是AI给我们整理的文档总结，右侧是相关文档的引用列表。
交流群