WeKnoraとは — Tencent（WeChatチーム）製OSSナレッジ基盤をRAG・エージェント・Wikiの3モー
ドで解説
WeKnoraは、TencentのWeChatチームが開発しOSS公開したLLMナレッジ基盤だ。文書をRAG検索・ReActエージェント・自己更新Wikiの3モードで使え、MITライセンスでセルフホストできる。導入手順と競合比較を解説する。
WeKnoraは、Tencent（騰訊）のWeChatチームが開発し、MITライセンスでオープンソース公開しているLLMナレッジ基盤だ。アップロードした文書を、質問応答用のRAG検索・自律的に調べ物をするReActエージェント・自動で育っていくWikiという3つのモードで活用できる点が特徴で、社内文書検索から複雑な調査タスクまでを1つの基盤でカバーできる。結論としては、Go言語で書かれた本格的なセルフホスト型プラットフォームであり、自社サーバーやプライベートクラウドにデータを置いたまま高度なナレッジ活用をしたい企業に向いている。
WeKnoraはもともとWeChat公式アカウントなどにチャットボットを組み込む「WeChat Dialog Open Platform」を支える技術基盤として社内で使われてきたもので、本稿執筆時点（2026年9月22日）でGitHubスター数は約2.87万、直近の安定版はv0.8.0である。GitHubリポジトリは2025年7月に作成され、2025年9月に最初のリリースが出た。2026年9月にはGitHub Trendingに登場して改めて注目を集めている。開発は活発で、初期リリース以降、月1〜2回のペースでバージョンアップを重ねている。
WeKnoraの基本情報
| 項目 | 内容 |
|---|---|
| 開発元 | Tencent（WeChatチーム） |
| ライセンス | MIT License（一部サードパーティ部品は別ライセンス） |
| 主要言語 | Go |
| 最新版 | v0.8.0（2026年9月3日リリース、本稿執筆時点） |
| スター数 | 約28,700（本稿執筆時点・2026年9月22日） |
| 公式サイト | weknora.weixin.qq.com |
| 動作環境 | Docker / Docker Compose（セルフホスト） |
| 対応LLM | OpenAI・Anthropic Claude・DeepSeek・Qwen・Gemini・Hunyuan・Ollama（ローカルモデル）など20以上 |
| ベクトルDB | PostgreSQL＋pgvector（既定）／Elasticsearch・OpenSearch・Milvus・Weaviate・Qdrant・Tencent VectorDB等にも対応 |
WeKnoraでできること
| 機能 | 内容 |
|---|---|
| RAG Q&A | ナレッジベースに対するベクトル検索＋引用付き回答。日常的な質問応答向け |
| ReActエージェント | 検索・MCPツール・スキルサンドボックス・Web検索を自律的に組み合わせて多段階の調査タスクをこなす |
| Wikiモード | 生文書をエージェントが構造化されたMarkdown Wikiに自動変換し、相互リンクと知識グラフを生成。手動編集・版履歴・ロールバックにも対応 |
| スキルカタログ＋サンドボックス | ClawHub/SkillHub/Git/zipからスキルを導入し、Docker・E2B・Cubeの各サンドボックスで実行 |
| MCPツール連携 | OAuth2対応の外部MCPサービスや、途中認可にも対応するMCPツール呼び出し |
| クロスセッション長期記憶 | プロフィール・好み・事実・タスクなどをセッションをまたいで記憶し、自動抽出・確認・検索が可能 |
| データソース連携 | Feishu Wiki/Drive・GitLab・Tencent IMA・Notion・Yuque・DingTalk Docs・RSSなどから自動同期 |
| マルチワークスペースRBAC | Owner/Admin/Contributor/Viewerの4階層ロールとナレッジベース単位の権限管理、監査ログ |
| チャンク編集＋版履歴 | 検索チャンクをUI上で編集・差分表示・ロールバック可能 |
| フォルダツリー | アップロード時のディレクトリ構造をそのまま保持し、ファイルマネージャのように閲覧 |
インストール / 料金
WeKnora本体はMITライセンスのOSSで、ソフトウェア自体の利用料はかからない。DockerとDocker Composeが動く環境（自社サーバー・VPS・プライベートクラウドなど）があれば数分で起動できる。別途、接続するLLM APIの利用料（OpenAI・Claude・DeepSeekなど）や、自前でインフラを運用するコストはかかる。ローカルLLM（Ollama）を使えば外部API課金をゼロにすることも可能だ。
```bash
# 前提: Docker と Docker Compose、Git がインストール済みであること
git clone https://github.com/Tencent/WeKnora.git
cd WeKnora
cp .env.example .env # 必要に応じて .env を編集（LLM APIキー等）
docker compose pull # 最新イメージを取得
docker compose up -d # コアサービスを起動
```起動後は http://localhost にアクセスするとWeb UIが使える。ローカルのOllamaモデルを使う場合は、事前に ollama serve > /dev/null 2>&1 & でOllamaを起動しておく必要がある。ナレッジグラフ用のNeo4jやオブジェクトストレージのMinIO、トレーシングのLangfuseなど追加機能は --profile フラグで個別に有効化する仕組みだ。
```bash
# ナレッジグラフ（Neo4j）とオブジェクトストレージ（MinIO）を有効化する例
docker compose --profile neo4j --profile minio pull
docker compose --profile neo4j --profile minio up -d
# すべての機能を有効化する場合
docker compose --profile full pull
docker compose --profile full up -d
```使い方の最短手順
Web UIにログインしたら、まずワークスペースとナレッジベースを作成し、社内文書をアップロードする。PDF・Word・Markdown・HTML・Excel・PowerPoint・画像・XMindなど10種類以上の形式に対応しており、フォルダ単位でまとめてアップロードすればディレクトリ構造も保持される。
```text
1. ワークスペースを作成
2. ナレッジベースを作成し、LLM・埋め込みモデル・ベクトルDBを設定
3. 文書をアップロード（フォルダごとドラッグ＆ドロップ可）
4. 解析完了後、チャット画面で質問（RAGモード）
5. 複雑な調査は「エージェントモード」に切り替え、MCPツールやWeb検索を使わせる
6. Wikiモードを有効化すると、ナレッジベースの内容から自動でWikiページと知識グラフが生成される
```MCPサーバーとしても提供されており、Claude DesktopやほかのMCP対応クライアントからWeKnora内のナレッジベースを検索・登録できる（MCP設定ガイドを参照）。API連携用にはスコープ付きAPIキーが用意されており、権限を絞ったプログラム連携も可能だ。
配布形態はDocker Composeだけでなく、Chrome拡張機能やnpmパッケージ（@wxg-prc-cpg/dsh-weknora）、ClawHub経由のスキルとしても提供されており、既存のブラウザやチャットツールから手軽に呼び出す手段も用意されている。
既存ツールとの違い（Dify・RAGFlow・AnythingLLM・Open WebUI・NotebookLMとの比較）
「WeKnora vs Dify」「WeKnora vs RAGFlow」といった比較で検索されることが多いため、代表的なツールとの違いを整理する。いずれも定性的な比較であり、各ツールの機能は頻繁に更新される点に注意してほしい。
| ツール | 位置づけ | WeKnoraとの主な違い |
|---|---|---|
| Dify | LLMアプリ開発向けのローコードプラットフォーム | Difyは汎用的なAIワークフロー構築が主軸で、ナレッジ機能はその一部。WeKnoraはナレッジ活用（RAG・Wiki・知識グラフ）に特化し、より深い文書管理機能を持つ |
| RAGFlow | 深い文書解析に強みを持つRAGエンジン | RAGFlowはレイアウト認識やチャンク精度など検索品質の作り込みが中心。WeKnoraはRAGに加えてエージェントとWikiモードまで一体化している点が異なる |
| AnythingLLM | 個人〜小規模チーム向けの軽量RAGチャットUI | AnythingLLMは導入の手軽さが強み。WeKnoraはワークスペースRBAC・監査ログ・スキルサンドボックスなど、組織利用を前提とした機能が充実している |
| Open WebUI | Ollama等のローカルLLM向けチャットUI | Open WebUIはチャットUIとしての完成度が高いが、ナレッジ管理は限定的。WeKnoraは文書のWiki化・知識グラフ生成まで踏み込む |
| NotebookLM | Googleのクラウド専用ノートブック型AI | NotebookLMはセルフホスト不可でデータをGoogle側に預ける形になる。WeKnoraは自社インフラに閉じたセルフホストが可能で、データ主権を保てる |
注意点・向いている人／向いていない人
- v0.1.3以降はログイン認証機能を搭載しているが、公式も「本番環境はインターネットに直接公開せず、社内ネットワークやプライベート環境での運用を推奨する」と案内している
- ナレッジグラフ機能はNeo4jプロファイルを別途有効化する必要があり、既定構成には含まれない
- 機能追加のペースが速く、アップデート時は .env の WEKNORA_VERSION を明示してから docker compose pull する運用が推奨されている
- 日本語の公式ドキュメント（README_JA.md）も用意されているが、詳細な製品ドキュメントは英語・中国語が中心
- セルフホスト運用にはDockerの知識とサーバー・クラウドのリソース確保が前提になる
- 向いている人: 社内文書をセルフホストで検索・活用したい企業、複数のLLMプロバイダーやベクトルDBを使い分けたいチーム、MCPツールやエージェント機能まで含めて1つの基盤に統合したい情報システム担当者
- 向いていない人: サーバー運用の手間を避けたくクラウドSaaSで完結させたい個人・小規模チーム、DockerやLLM APIの設定を自分で行うリソースがない組織
活用例：社内規程・マニュアル・過去見積を検索できるAIを作る
中小企業の情報システム担当がよく抱える悩みが、「社内規程やマニュアル、過去の見積書がファイルサーバーに散らばっていて、必要なときにすぐ見つからない」というものだ。WeKnoraのナレッジベースにこれらの文書をフォルダごとアップロードすれば、フォルダ構造を保ったまま検索対象になる。就業規則や稟議フォーマットのような固定的な文書はRAG Q&Aモードで「有給休暇の繰り越しルールは？」といった質問に即答でき、過去見積のように条件がバラバラな文書はReActエージェントモードで「A社向けと類似条件の過去見積を探して比較して」のような複合的な調べ物にも対応できる。マニュアル群をWikiモードにかければ、更新のたびに相互リンクされたナレッジベースとして自動的に育っていく。属人化しがちな「あの資料どこだっけ」を減らせる点は、専任のIT担当がいない中小企業にとって特にメリットが大きい。
よくある質問
WeKnoraは無料で使えますか？
ソフトウェア自体はMITライセンスのオープンソースで無料だ。ただし自前でサーバーやクラウドを用意する運用コストと、接続するLLM APIの利用料は別途かかる。Ollamaでローカルモデルを使えばAPI課金なしで運用することもできる。
日本語文書やローカルLLMには対応していますか？
日本語文書の解析・検索は可能で、README_JA.mdなど日本語ドキュメントも提供されている。ローカルLLMはOllamaに対応しており、ollama serveを起動しておけばクラウドAPIなしで使える。
WeKnoraとDify、どちらを選ぶべきですか？
汎用的なAIワークフローやチャットボットを幅広く作りたいならDify、社内文書のRAG検索・Wiki化・知識グラフ活用を中心に据えたいならWeKnoraが向いている。両者は競合というより目的が異なるツールと捉えるとよい。
導入にはどの程度の技術知識が必要ですか？
Docker Composeでの起動自体はコマンド数行で完了するが、本番運用ではLLM APIキーの管理、ベクトルDBの選定、セキュリティ設定（社内ネットワークでの運用など）まで含めた設計が必要になる。
Wikiモードの知識グラフはどう使いますか？
ドキュメントから自動生成された概念同士の関係を可視化でき、Wikiページの相互リンクとあわせて情報の全体像を把握しやすくする。ページは手動編集や版履歴からのロールバックにも対応している。
まとめ
WeKnoraは、Tencent WeChatチームが実運用で鍛えてきた技術をベースに、RAG・エージェント・Wikiという3つの使い方を1つのセルフホスト基盤に統合したOSSだ。MITライセンスで自社インフラに閉じて運用でき、ローカルLLMやプライベートなベクトルDBとも組み合わせられる点は、データを外部に出したくない企業にとって大きな魅力になる。一方で、Docker運用やセキュリティ設定を自前で行う前提のツールでもあるため、導入時にはどこまで自社で運用するかを見極めたい。RAGやナレッジベース活用の考え方はQwen3.5-9B×RAGで社内ナレッジ検索を構築する記事やOllama＋OpenClawで構築するRAG対応カスタマーサポートAIでも扱っているので参考にしてほしい。ベクトル検索のコストを抑えたい場合はAmazon S3 Vectors完全ガイドも参照するとよい。社内への導入や開発体制づくりはAIコンサルティング・AI業務代行でも支援している。相談はお問い合わせから。
お気軽にご相談ください
お問い合わせ