PandaWiki 详解：大模型时代的内容管理系统
搭一个企业知识站，传统方案是 Wiki 系统 + 搜索引擎 + 人工维护，内容一多检索就失灵，更别提让访客"直接提问"。长亭科技开源的 chaitin/PandaWiki（PandaWiki）给出了另一种答案：一个由大模型驱动的开源知识库与 Wiki 系统，写好的内容自动向量化、自动可问答，访客既能像传统 Wiki 一样浏览，也能直接向 AI 提问。本文从核心能力、架构、部署到应用场景，完整拆解。
1、项目概述
PandaWiki 定位为"大模型驱动的开源知识库与 Wiki 系统"，由国内安全厂商长亭科技（Chaitin Tech）开源并持续维护。它把"内容管理 + RAG 检索增强 + 对话式问答"打包成一个开箱即用的产品，官方提供 SaaS 版与自部署版两种形态。
基本形态与协议：
- 部署：Docker Compose 一键自托管，官方文档站 pandawiki.cn 提供指引
- 协议为 AGPL-3.0，商用集成需注意开源传染性条款
- 模型接入：兼容 OpenAI 接口协议，DeepSeek、Qwen、GLM 等均可配置
- 内容源：支持 Markdown 手写、URL 导入、HTML 转换与在线富文本编辑
2、四大核心能力
PandaWiki 的能力可以归成四根支柱，覆盖"内容进—知识算—访客用"全链路。
四根支柱：
- 内容管理：类 Notion 的块编辑器，Markdown / 富文本双模式，多空间管理
- RAG 知识引擎：内容自动切片、向量化入库，检索与问答共享同一知识底座
- 对话式访问：访客在前台直接向 AI 提问，回答附带引用来源，可追溯
- 多端输出：Web 站点、嵌入脚本、API，知识一次生产多处消费
能力要点：
1. 内容即知识：保存文档后自动向量化，无需单独"训练"或导入知识库
2. 回答可溯源：AI 答案下方列出引用的原文链接，降低幻觉风险
3. 前后台一体：编辑后台与访客前台同一套系统，权限隔离
3、技术架构与核心组件
PandaWiki 采用前后端分离 + 容器化交付，RAG 链路依赖向量库与对象存储协同。
技术构成：
- 前端：React + TypeScript，前台站点支持 SEO 优化与自定义域名
- 后端：Go 服务，负责内容管理、检索编排与 API
- 存储：PostgreSQL 存业务数据，向量库承载 Embedding，S3 兼容存储放附件
- 模型层：Embedding + Chat 双模型均可指向任意 OpenAI 兼容端点
核心流程：
1. 编辑保存文档 → 切片 → 调用 Embedding 模型向量化 → 写入向量库
2. 访客提问 → 检索相似片段 → 组装上下文 → Chat 模型生成带引用的回答
3. 内容更新后自动重建向量，多版本文档只索引最新版
4、Docker 快速部署
自托管走 Docker Compose，官方仓库提供编排文件，几分钟起服务。
git clone https://github.com/chaitin/PandaWiki.git
cd PandaWiki
cp env.example .env # 填入模型 API 地址与密钥
docker compose up -d部署要点：
1. .env 中配置 LLM_API_HOST、LLM_API_KEY，兼容 OpenAI 协议端点
2. 默认拉起后端、前端、PostgreSQL、向量库与对象存储等容器组
3. 建议单独配置 Embedding 模型，国产模型 DeepSeek / Qwen 均可
4. 首次启动后进入后台完成站点初始化与默认模型选择
5、内容工作流：从编辑到问答
日常使用围绕"建空间 → 写内容 → 配问答 → 看效果"循环展开。
// 典型工作流
1. 创建知识空间（如"产品手册"）
2. 用块编辑器编写文档，或粘贴 URL 一键导入
3. 保存后系统自动切片并向量化（后台可见索引状态）
4. 前台访客输入问题，AI 基于该空间内容回答并附引用
5. 在问答记录里查看提问与命中片段，反向补内容工作流要点：
1. URL 导入会抓取正文并转 Markdown，站点搬迁成本低
2. 文档删除或下线后，对应向量同步清除，不会答已删内容
3. 问答记录是内容优化的金矿：答不上来的问题就是下篇文档的选题
6、典型应用场景
PandaWiki 的形态天然适合"对外服务 + 对内沉淀"两类场景。
常见场景：
- 产品帮助中心：用户自助提问，答案带原文链接，替代工单第一道防线
- 企业内网知识库：规章制度、项目文档沉淀，新员工直接问答
- 团队公开站点：开源项目文档站，比静态文档多一个 AI 入口
- 培训与教育：课件入库，学员按需提问，题库化复用
选型提醒：
1. AGPL-3.0 协议要求修改后的网络服务也开源，二开商用需评估
2. 对话质量高度依赖所选模型与切片效果，上线前充分测试
3. 内网部署时模型端点需可达，纯离线环境需自建推理服务
7、定位对比：知识库方案三选一
把 PandaWiki 与 WeKnora、Dify 放在一张桌上，各自的位置清晰起来。
三者对比：
- PandaWiki：Wiki + AI 问答一体，重"内容管理+访客问答"，开箱建站
- WeKnora：腾讯开源知识库引擎，重"检索质量"，RAG 管线可深度调参
- Dify：LLM 应用平台，重"应用编排"，知识库只是其一块能力
选型建议：
1. 要一个"能被提问的官网/帮助中心" → PandaWiki
2. 研究型团队、要把 RAG 每个环节拿在手里 → WeKnora
3. 需要工作流、Agent、多应用形态 → Dify
4. 组合玩法：PandaWiki 做对外站点，后台知识管线复用 WeKnora 优化检索
8、总结
PandaWiki 是长亭科技开源的大模型驱动 Wiki 系统：内容编辑自动向量化，前台既是传统可浏览的知识站，也是带引用溯源的 AI 问答入口；Go + React 技术栈，PostgreSQL + 向量库 + 对象存储的容器化组合，Docker Compose 几条命令即可自托管；模型层兼容 OpenAI 协议，DeepSeek、Qwen 等即插即用。AGPL-3.0 协议商用二开需注意传染条款。
使用边界：对话质量高度依赖所选模型与切片效果，上线前需充分测试；内网部署要求模型端点可达，纯离线环境需自建推理服务；AGPL-3.0 的传染条款对二开商用构成约束。对外站点可配自定义域名与 SEO，让知识同时被 AI 讲述与搜索引擎收录。
