快速上手

跟着本文走一遍，你会得到一个能回答自己文档内容的知识库：注册账号 → 建库并选模型 → 上传文档 → 提问并看到带出处的回答。全程在网页界面完成，顺利的话十几分钟，其中大部分时间花在等文档解析上。

想用接口做集成的，跳到本文第 7 节，那里有一段可直接复制运行的 curl 链路。

1. 开始之前

• 服务已经跑起来：按安装部署启动后，前端在 http://localhost，后端在 http://localhost:8080；
• 手上有一套可用的模型：本地 Ollama（容器内默认地址 http://host.docker.internal:11434），或者任意 OpenAI 兼容服务的 base_url + api_key。至少需要一个对话模型和一个向量（embedding）模型；
• 确认后端活着：curl http://localhost:8080/health 返回 {"status":"ok"}。

2. 注册并登录

首次访问会落到登录页，注册是同一页上的一个页签——只有当注册模式是 self_serve 时才显示（前端读 /auth/config 决定）。系统没有内置默认账号，注册完成后会自动得到一个属于自己的工作空间，你在这个空间里是 Owner。

<Screenshot src="/screenshots/quickstart-register.png" caption="首次访问的注册页面" hint="展示注册表单（用户名 / 邮箱 / 密码）与登录入口即可。" />

几点值得先知道：

• 用户名 2–50 个字符；密码在注册页要求 8–32 位且含字母和数字（直接调 POST /auth/register 接口时后端只校验 ≥6 位，建议仍按 8 位以上来）；
• 团队部署时，注册完第一个账号就可以关闭公开注册，之后通过邀请链接加人。关的方式有两种：设 DISABLE_REGISTRATION=true（启动时把注册模式强制为 invite_only），或者登录后在「设置 → 系统」里把 auth.registration_mode 改成 invite_only（立即生效，不用重启）；
• 如果部署把默认空间策略设成了 tenantless（auth.default_tenant_mode），注册后不会自动建空间，而是被引导到 /onboarding/workspace，需要先自建或接受邀请加入一个空间才能继续；
• 桌面版 / Lite 版免注册，启动即自动创建本地账号。

::: tip 空间 Owner ≠ 系统管理员 这两个是不同维度的身份，很容易混：

• 空间 Owner：某一个工作空间内的最高权限，管这个空间的成员、模型、知识库。注册即拥有自己的空间，所以人人都是自己空间的 Owner。
• 系统管理员（System Admin）：平台级身份，管的是整个部署——全局系统设置、任务队列、平台 API Key、跨空间审计日志、重置用户密码。它不属于任何空间，也不会因为你在某个空间是 Owner 就自动获得。

新部署里没有任何系统管理员，需要显式指定第一个。做法：先正常注册账号，然后给 app 服务设 WEKNORA_BOOTSTRAP_SYSTEM_ADMIN_EMAIL=<该账号邮箱> 并重启——启动时若检测到「当前部署一个系统管理员都没有」，就把这个邮箱对应的用户提升为系统管理员。已经存在系统管理员时这个变量不再生效（避免界面上刚撤销的权限被下次重启悄悄恢复），用户没注册时也只是打一条 WARN、下次重启再试。之后新增管理员就在界面上操作即可。详见租户、用户与认证授权。 :::

3. 创建知识库并配置模型

登录后新建一个知识库。WeKnora 的模型配置是按知识库走的：新建之后前端会引导你为这个库选模型，没有全局的一次性初始化。

1. 在「知识库」页点新建，填名称，选类型：document（普通文档库）或 faq（问答对库）；
2. 在弹出的初始化向导里选模型：
   • 对话模型（LLM）：生成回答用；
   • 向量模型（Embedding）：把文档转成向量用，建库后不要再换，换了需要重建索引；
   • 其余（重排 Rerank、图片理解 VLM、语音转写 ASR、知识图谱抽取、问题预生成）都可以先不开，之后随时能加；
3. 用向导里的「测试」按钮确认模型连得通，再保存。

<Screenshot src="/screenshots/quickstart-init-wizard.png" caption="初始化向导：为知识库选择对话模型与向量模型" hint="展示模型来源（Ollama / 远程 API）、模型名、Base URL 输入框，以及连通性测试通过的提示。" />

::: tip 用本地 Ollama 时最容易踩的坑 后端跑在容器里，填 http://localhost:11434 连不上宿主机的 Ollama，要填 http://host.docker.internal:11434。 :::

4. 上传文档

进入知识库，把文件拖进上传区，或者粘贴一个网页 URL。上传确认对话框里可以顺手指定标签和这一批文件的解析选项。

支持的格式包括 PDF、Word、Excel、PPT、Markdown、HTML、EPUB、图片和音频等，完整清单见文档解析服务。

<Screenshot src="/screenshots/quickstart-upload.png" caption="上传确认对话框：选择文件、打标签、调整解析选项" hint="展示待上传文件列表、标签选择与解析引擎选项。" />

上传后文档会异步解析，状态依次是 pending → processing → finalizing → completed。PDF 扫描件、大文件会慢一些，列表页会实时刷新进度。

<Screenshot src="/screenshots/quickstart-document-list.png" caption="文档列表：三篇文档解析完成" hint="展示文档名称、类型、解析状态为「已完成」、分块数等列。" />

5. 提问

进入对话页，选择刚才的知识库，直接提问。默认用的是内置的「快速问答」Agent：检索相关片段 → 交给大模型作答 → 回答里带出处，点引用可以跳回原文。

<Screenshot src="/screenshots/quickstart-chat.png" caption="知识问答：回答与可点击的引用来源" hint="展示一轮问答，回答正文中的引用角标以及展开后的引用来源面板。" />

到这一步，最小闭环就跑通了。

6. 再往前一步

• 换成会推理的 Agent：在对话框顶部切换到内置的「智能推理」Agent，它会自己决定检索几轮、要不要联网、要不要调工具，适合需要多步推理的问题。也可以在「智能体」页建自定义 Agent，挂上 MCP 工具与联网搜索，见 Agent 引擎；
• 让答案更准：开启 Rerank 重排、调整分块大小，见分块机制与检索引擎；
• 让知识自动进来：接飞书 / Notion / 语雀 / RSS 自动同步，见数据源导入；
• 让别人也能问：接入企业微信 / 飞书等 IM，或把 Agent 以挂件形式嵌到自己的网站，见 IM 集成与网页嵌入。

7. 用 API 走通同样的链路

上面每一步都有对应接口，统一前缀 /api/v1。下面这段可以直接跑：

BASE=http://localhost:8080/api/v1

# 1) 注册（首次部署时；username>=2 字符，password>=6 字符）
curl -s -X POST $BASE/auth/register -H "Content-Type: application/json" \
  -d '{"username":"admin","email":"[email protected]","password":"pass123456"}'

# 2) 登录，取 JWT
TOKEN=$(curl -s -X POST $BASE/auth/login -H "Content-Type: application/json" \
  -d '{"email":"[email protected]","password":"pass123456"}' | jq -r '.token')
AUTH="Authorization: Bearer $TOKEN"

# 3) 创建知识库
KB_ID=$(curl -s -X POST $BASE/knowledge-bases -H "$AUTH" -H "Content-Type: application/json" \
  -d '{"name":"我的知识库","description":"demo","type":"document"}' | jq -r '.data.id')

# 4) 初始化知识库（以本地 Ollama 为例；远程模型改 source/baseUrl/apiKey）
curl -s -X POST $BASE/initialization/initialize/$KB_ID -H "$AUTH" -H "Content-Type: application/json" -d '{
  "llm":       {"source":"local","modelName":"qwen3:8b"},
  "embedding": {"source":"local","modelName":"bge-m3","dimension":1024},
  "rerank":    {"enabled":false},
  "multimodal":{"enabled":false},
  "documentSplitting":{"chunkSize":512,"chunkOverlap":50,"separators":["\n\n","\n","。"]},
  "nodeExtract":{"enabled":false},
  "questionGeneration":{"enabled":false}}'

# 5) 上传文档（multipart，字段名 file）
curl -s -X POST $BASE/knowledge-bases/$KB_ID/knowledge/file -H "$AUTH" \
  -F "file=@./demo.pdf"
# 轮询解析状态：GET /knowledge-bases/$KB_ID/knowledge 直到 parse_status=completed

# 6) 创建会话
SESSION_ID=$(curl -s -X POST $BASE/sessions -H "$AUTH" -H "Content-Type: application/json" \
  -d '{"title":"第一次对话"}' | jq -r '.data.id')

# 7) 知识问答（SSE 流式输出）
curl -N -X POST $BASE/knowledge-chat/$SESSION_ID -H "$AUTH" -H "Content-Type: application/json" \
  -d '{"query":"这份文档讲了什么？","knowledge_base_ids":["'$KB_ID'"]}'

# 7b) Agent 对话（同为 SSE；agent_id 可取内置 builtin-smart-reasoning）
curl -N -X POST $BASE/agent-chat/$SESSION_ID -H "$AUTH" -H "Content-Type: application/json" \
  -d '{"query":"总结文档要点并列出依据","agent_enabled":true,"agent_id":"builtin-smart-reasoning","knowledge_base_ids":["'$KB_ID'"]}'

# 8) 仅检索不生成（结构化 JSON 结果）
curl -s -X POST $BASE/knowledge-search -H "$AUTH" -H "Content-Type: application/json" \
  -d '{"query":"关键字","knowledge_base_ids":["'$KB_ID'"]}'

问答请求体还支持 knowledge_ids（限定单文档）、web_search_enabled、summary_model_id、mcp_service_ids、skill_names、images / attachment_uploads（多模态附件）等字段，完整说明见 API 参考：会话与聊天。

三种认证方式

服务端集成建议用 API Key 而不是 JWT：

# 以 Owner 身份创建 API Key（TENANT_ID 来自登录响应）
curl -s -X POST $BASE/tenants/$TENANT_ID/api-keys -H "$AUTH" -H "Content-Type: application/json" \
  -d '{"name":"ci-bot","full_access":true}'
# 之后所有请求改用：
curl -s $BASE/knowledge-bases -H "X-API-Key: <创建时返回的 key>"

初始化向导对应的接口

界面上的每一步向导都有独立端点，自建管理后台时可以直接复用：

source 取 local（Ollama）或远程厂商标识（openai、deepseek、aliyun、zhipu、siliconflow 等）。chunkSize 合法范围 100–10000。

整条链路发生了什么

sequenceDiagram
    autonumber
    participant U as "用户 (浏览器)"
    participant FE as "frontend (Nginx)"
    participant APP as "app 后端 (:8080)"
    participant DR as "docreader (gRPC)"
    participant DB as "ParadeDB / 向量索引"
    participant LLM as "LLM (Ollama / 远程 API)"
    U->>FE: 注册 / 登录
    FE->>APP: POST /api/v1/auth/register → login
    APP-->>FE: JWT + 自动创建的租户
    U->>APP: POST /api/v1/knowledge-bases (创建知识库)
    U->>APP: POST /api/v1/initialization/initialize/:kbId (配置模型)
    APP->>LLM: 连通性测试 (remote/check, embedding/test)
    U->>APP: POST /api/v1/knowledge-bases/:id/knowledge/file (上传)
    APP->>DR: gRPC 解析文档 (OCR / 版式 / 图片)
    DR-->>APP: 结构化文本 + 图片
    APP->>DB: 分块 → Embedding → 向量/关键词索引 (Asynq 异步)
    U->>APP: POST /api/v1/sessions (创建会话)
    U->>APP: POST /api/v1/knowledge-chat/:session_id (提问)
    APP->>DB: 混合检索 (向量+BM25) → RRF → Rerank
    APP->>LLM: 拼装上下文生成回答
    APP-->>U: SSE 流式回答 + 引用来源

8. 卡住了看这里

下一步：想调细节看配置详解，想了解系统怎么运转看总体架构。