先说个我自己的痛点。我们团队的文档认真讲不算少产品说明、接口文档、FAQ还有各种踩坑记录散在好几个地方。但真正会去翻的人不多。新人遇到问题第一反应不是去搜文档而是在群里 老人老人回文档里 CtrlF 半天发现关键词对不上——文档里写的是知识库配置新人问的却是怎么给文档分文件夹。写的时候很努力用的时候没人看。这个矛盾挺普遍的。后来刷 GitHub 时看到PandaWiki长亭科技开源的吸引我的点就一个它不是让你存文档而是让你问文档。你把手上的资料喂进去用户用大白话提问它从你的文档里找依据、给答案。我不是这个项目的开发者就是个普通使用者。下面是我自己用 Docker 跑了一遍之后的记录外加翻了翻仓库和官方文档。凡是我不确定的我都会明说不硬撑。一句话理解传统 Wiki 像图书馆的卡片目录——你得先知道该找哪本书PandaWiki 更像图书馆里多了一位读过所有书的馆员——你直接把问题丢给他就行。一、它到底是干嘛的30 秒版PandaWiki 是一个AI 大模型驱动的开源知识库搭建系统。拆开看就是两件事先把文档管起来这部分和传统 Wiki 差不多再让 AI 把文档用起来。它比普通 Wiki 多出来的主要是三块 AI 能力AI 问答用户提问它从你的文档里找内容作答还会标出参考了哪几篇AI 搜索不只是匹配关键词而是尽量理解你想找什么AI 创作写文档时让 AI 帮你补内容、改措辞。有个小细节挺有意思PandaWiki 的官方文档站本身就是用 PandaWiki 搭的算是自产自用的样板。看首页就大概能感觉到它的重点在哪——中间那个搜索框和右下角的问答助手几个词先垫一下不然后面容易卡壳文末还有一份完整速查表大模型就是 ChatGPT、DeepSeek 那一类会说话的 AI这里负责把答案组织成人话知识库说白了就是一堆相关文档的集合PandaWiki 会给每个知识库单独生成一个 Wiki 网站Wiki多人协作维护的文档站点维基百科就是最出名的那个。二、部署一条命令的事我原本以为要配一堆环境结果安装就是官网给的一条脚本。用 root 跑# 用 root 权限执行官方安装脚本 bash -c $(curl -fsSLk https://release.baizhi.cloud/panda-wiki/manager.sh)跑完终端会直接把后台的访问地址和账号密码打出来SUCCESS 控制台信息: SUCCESS 访问地址(内网): http://*.*.*.*:2443 SUCCESS 访问地址(外网): http://*.*.*.*:2443 SUCCESS 用户名: admin SUCCESS 密码: **********************拿浏览器打开那个 2443 端口的地址就是登录页名词小抄 Docker把软件连同它需要的运行环境一起打包成集装箱你机器上不用装一堆依赖拉下来就能跑。这是 PandaWiki 部署这么省事的主要原因。官方给的整体流程是四步画得挺直观第一步创建知识库时会让你填个名字再配一个访问方式域名或 IP、端口。我图省事就直接用 IP 加端口从敲命令到能在浏览器里看到界面我这边用了不到十分钟其中大部分时间还是在拉镜像。三、先配个 AI 模型不然它不会说话这是我觉得需要提前知道的一点PandaWiki 本身不带大模型它是个壳真正的智能来自你接进去的模型。首次登录会直接引导你配置。懒人路线是自动配置——去百智云模型广场拿个 API Key 填进去对话模型选个现成的我截图时选的是deepseek-chat如果你想自己搭配可以切到手动配置。这里能看到它其实需要五种不同角色的模型各干各的活我把这五个角色翻译成人话你就明白它们为什么缺一不可模型角色干的事大白话对话模型那个真正开口说话的最终答案由它组织成人话向量模型把文字换算成一串坐标机器靠比坐标远近来判断意思像不像重排序模型先粗粗捞一批候选再精挑出最相关的几条类似先海选再面试文档分析模型负责把长文档拆开、提炼要点方便后面被检索到图像分析模型让文档里的图片也能被看懂属于可选加分项名词小抄 向量Embedding把一段文字变成一串数字坐标。意思越接近的句子坐标在空间里挨得越近——就像地图上两家卖同类东西的店位置往往靠在一起。关于钱接百智云首次注册有 5 元额度想省的话也能接自己部署的模型走 OpenAI 兼容接口那套。这块是隐形成本心里要有数。四、界面和核心功能边看边讲配置完进去后台长这样。左边是目录树右边是文档列表我挺喜欢的一个细节是每条文档后面的状态标签——「学习成功」「可被问答」「可被访问」「导航内可见」。等于明明白白告诉你这篇到底是喂给 AI 了没有、能不能被问到。文档一多这个状态比什么都实在。前端用户看到的 Wiki 站点则是这个画风右侧有目录和内容摘要真正的主角是右下角那个 AI 问答窗口。用户点开直接问它给的答案还会带上引用出处截图里能看到 [1] 这种角标后台还有个统计页能看到访问量、问答次数、热门文档、用户都在哪个省份、用什么浏览器……对想了解哪篇文档最常被问到的人来说挺有用功能这块我整理成一张表省得一条条翻类别具体能力AI 能力AI 创作、AI 问答RAG、AI 搜索编辑与导出兼容 Markdown / HTML可导出 Word、PDF、Markdown内容导入URL、Sitemap、RSS、离线文件Markdown/HTML对外集成网页挂件、钉钉/飞书/企业微信机器人、API站点管理多知识库、每个库独立站点、用户与权限管理五、AI 问答是怎么跑起来的RAG 原理很多人第一次用会好奇它凭什么能看着我的文档回答答案就四个字母——RAG。整个过程大致是这么一条流水线按图从左到右五步走文档学习你上传文档后系统先把它切成一小块一小块专业叫分块 / Chunking向量化每一小块被向量模型换算成一串坐标进库这些坐标存进向量数据库等着被检索检索用户提问时问题也变成一串坐标去库里捞坐标最接近的几块原文生成把捞出来的原文 用户问题一起丢给对话模型让它组织成答案。名词小抄 RAG检索增强生成你可以理解成给 AI 安排了场开卷考试——先翻资料再照资料答题而不是凭记忆硬编。好处是答案有出处、能追溯。名词小抄 向量数据库专门存文字坐标、并且能飞快找出离得最近的那几条的仓库。这也顺带解释了它的天花板在哪RAG 只能从你给的资料里找答案。资料里没写的东西它给不出或者给得不准。所以问答质量跟文档质量是强绑定的——你文档写得越清楚它答得越靠谱。六、内容怎么进得来四种导入方式手上的老文档怎么搬进来是我比较关心的。PandaWiki 支持四种各有各的适用场景导入方式适合什么情况生活化的例子URL 导入只搬运某一个页面像把某篇文章剪下来贴进笔记本Sitemap 导入整个网站批量搬Sitemap 相当于网站的目录地图顺着它一篇篇抓RSS 订阅博客、新闻这类会持续更新的源订阅后自动同步新内容离线文件导入已经在本地存了一堆 Markdown / HTML直接整包上传对我这种文档早就写好了、只是散着的情况最后一种最省事。【配图建议】此处可放一张导入向导界面截图选择导入方式那一步或一张四种导入方式的示意图。官方文档里有对应截图我手边没截到留个位置。七、不止一个网页挂件和聊天机器人光有个 Wiki 网站还不够人得在他本来就在的地方问到东西用起来才顺。这方面它给了三个出口网页挂件一行 JS 嵌到你自己的网站上右下角就多个问答小窗口效果就是上一节那张 AI 问答截图聊天机器人接进钉钉、飞书、企业微信同事在群里就能问不用专门开浏览器API想自己接入别的系统直接调接口。【配图建议】建议放一张钉钉 / 飞书 / 企业微信里机器人回答的对话截图。这是最有说服力的场景图官方文档里应该能找到。八、和传统 Wiki、其他 AI Wiki 摆一起比我把几个关键维度列成一张表方便横向看✅ 表示支持⚠️ 表示部分支持或看情况❌ 表示不支持对比项PandaWiki传统 Wiki其他 AI WikiAI 能力✅ 创作 / 问答 / 搜索齐全❌ 基本没有⚠️ 多数只有问答部署方式✅ Docker 一键部署⚠️ 环境配置偏麻烦⚠️ 常见 SaaS依赖云服务内容导入✅ URL / Sitemap / RSS / 文件⚠️ 基本靠手动录入⚠️ 导入能力有限对外集成✅ 网页挂件 聊天机器人❌ 集成能力弱⚠️ 集成方式单一开源程度✅ AGPL-3.0 全开源✅ 开源❌ 多为部分闭源背后团队✅ 长亭科技⚠️ 多为社区维护✅ 商业公司名词小抄 AGPL-3.0一种开源许可协议。你可以免费用、随便改但如果你把它改动后做成在线服务给别人用就得把自己的改动也开源出来。自己内部用、不对外提供服务的场景一般不受这条约束——真要商用建议自己再核一遍协议原文。九、我用了之后的真实感受觉得不错的地方真·开箱即用。一句脚本装完剩下的都在网页上点没让我碰配置文件。AI 能力比较整。很多同类项目只有问答它把创作、问答、搜索都做了且能对外集成。状态透明。文档有没有被 AI 学进去一看标签就知道这对排查为什么这个问题它答不上来帮了大忙。开源。代码摆在那后端 Go、前端 React想改想接都能自己动手。需要注意的地方都是实话得自备模型。它自己是壳AI 要花钱或花机器本地跑模型则吃显卡。答得好不好取决于你文档的质量。这是 RAG 的通病不是它的锅但用之前要有预期。界面和文档以中文为主我主要看中文栈英文生态没细究。企业级能力不一定全在开源版里。我翻仓库时看到backend/下有个pro/目录推测 SSO 登录这类功能可能属于专业版具体以官方说明为准。十、谁适合用按我自己的判断下面这几类人用它性价比最高产品 / 客服团队把产品说明、FAQ 丢进去用户自己就能问少接一堆重复咨询研发团队接口文档、开发规范集中管新人靠问答快速上手要建企业知识库的公司文档统一收口再挂到钉钉 / 飞书里个人折腾派想给自己攒一个能对话的笔记本顺便玩玩 RAG。项目信息数据截至我查看时仅供参考项目信息仓库github.com/chaitin/PandaWiki官方文档pandawiki.docs.baizhi.cloud最新版本v3.87.1开源协议AGPL-3.0技术栈后端 Go前端 Reactpnpm 工作区另有 RAG SDK活跃度Star 约 1.03 万、Fork 约 1024最近仍有提交附名词速查表名词一句话解释大模型ChatGPT / DeepSeek 这类会说话的 AI负责组织答案知识库一堆相关文档的集合对应一个独立 Wiki 站点RAG让 AI 先翻资料再答题答案有出处、可追溯向量 / Embedding把文字变成一串坐标意思近的坐标也近向量数据库存这些坐标、并能快速找出最接近几条的仓库分块 / Chunking把长文档切成小块方便逐块检索重排序先粗捞一批、再精挑最相关的几条Docker把软件和运行环境打包成集装箱拉到哪都能跑Sitemap网站的目录地图顺着它能把整站内容批量抓下来AGPL-3.0开源协议改动后对外提供在线服务需一并开源写在最后本文是我作为普通使用者的体验记录不是官方推广文中数据以我查看时为准项目迭代很快具体请以官方仓库和文档为准。如果这篇文章帮你省下了点摸索时间点个赞就行。后面我打算再写一篇把本地模型接进 PandaWiki的折腾记录有兴趣的可以关注一下。