RAG 个人知识库实战：weknora + MCP 构建私有技术问答助手

作为一个技术人，积累了大量的技术笔记、方案文档、踩坑记录，但需要的时候总是找不到。2026年我用 weknora + MCP 搭建了一套个人私有技术知识库 RAG 问答系统，把所有技术知识沉淀进去，AI 随时帮我检索和回答。今天把完整实战分享出来。

一、为什么需要个人 RAG 知识库

传统的知识管理方式有痛点：

关键词搜索不够：记得"好像在哪篇笔记里写过"，但搜不到——因为用的词和笔记里的词不一样
知识散落在各处：本地 Markdown、Notion、微信收藏、浏览器书签、脑子里，需要的时候翻半天
无法跨文档综合：一个问题的答案可能分散在多篇笔记里，人工整合费时
知识不更新：收藏了就忘了，不会主动回顾和关联
通用 AI 不知道你的知识：ChatGPT/Claude 不知道你写过什么、踩过什么坑、项目里用了什么方案

RAG（Retrieval-Augmented Generation，检索增强生成）解决这些问题：

把你的所有知识向量化，存到向量数据库
提问时用语义检索找到相关知识（不是关键词匹配）
把检索到的知识作为上下文传给大模型，生成基于你知识的回答
回答附带来源引用，可以溯源验证

二、整体架构

三、weknora 搭建

weknora 是一个开源的知识库平台，内置 RAG 功能，支持 Markdown 导入、向量化、语义检索、问答，还提供 MCP Server 接口。

部署

用 Docker 一键部署：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
# docker-compose.yml
version: '3.8'
services:
  weknora:
    image: weknora/weknora:latest
    ports:
      - "8080:8080"
    environment:
      - LLM_API_KEY=sk-xxx          # 大模型 API Key
      - LLM_BASE_URL=https://api.xxx.com/v1  # 大模型 API 地址
      - LLM_MODEL=claude-3-5-sonnet  # 用的模型
      - EMBEDDING_MODEL=bge-m3       # 嵌入模型
      - VECTOR_DB=milvus              # 向量数据库（内置/milvus/pgvector）
      - STORAGE_PATH=/data/weknora    # 数据存储路径
    volumes:
      - ./data:/data/weknora
    restart: unless-stopped

  # 如果用 Milvus（可选，大规模数据用）
  milvus:
    image: milvusdb/milvus:v2.4-latest
    command: ["milvus", "run", "standalone"]
    environment:
      - ETCD_ENDPOINTS=etcd:2379
      - MINIO_ADDRESS=minio:9000
    volumes:
      - ./milvus:/var/lib/milvus
    ports:
      - "19530:19530"

个人用数据量不大（几千篇文档），用 weknora 内置的向量数据库就够了，不用单独部署 Milvus。

模型选择

嵌入模型（Embedding）：

bge-m3：中英文都好，支持长文本，推荐
text-embedding-3-large：OpenAI 的，效果好但要花钱
bge-large-zh-v1.5：中文专用，效果好
m3e-base：中文轻量，速度快

个人知识库推荐 bge-m3，中英文混合效果好，开源免费，可以本地部署。

大模型（LLM）：

Claude 3.5 Sonnet：长上下文，回答质量高，推荐
GPT-4o：通用能力强
Qwen2.5-72B：国产，中文好，成本低
本地模型：Ollama 部署 Qwen2.5，数据完全本地

四、知识库内容建设

1. 知识分类

我的个人技术知识库分了这些分类：

2. 文档处理

导入文档前要做预处理，否则检索效果差：

文档格式：

优先用 Markdown，结构清晰，weknora 解析效果好
PDF 要先转成 Markdown（用 marker 或 nougat 工具），直接导入 PDF 解析效果差
网页内容用浏览器插件保存为 Markdown，不要直接存 HTML
代码文件直接导入，weknora 能识别代码结构

文档清洗：

去掉广告、导航、页脚等无关内容
统一编码（UTF-8）
去掉重复内容
大文档拆成小文档（按章节拆）

元数据标注：每篇文档加元数据，方便过滤和排序：

1
2
3
4
5
6
7
8
---
title: "Go 性能调优完整指南"
date: 2025-12-01
tags: ["Go", "性能调优", "pprof"]
category: "后端技术/Go"
author: "Allen"
source: "个人博客"
---

3. 分块策略

RAG 的关键是分块（Chunking），分块大小和策略直接影响检索效果。

常见分块策略：

策略	说明	适用场景
固定长度分块	按固定字符数分块（如 500 字符）	通用，简单
语义分块	按段落/章节分块，保持语义完整	文章、文档
递归分块	先按大结构分，再递归细分	长文档、书籍
代码分块	按函数/类分块	代码文件

推荐配置：

分块大小：500-1000 token（中文约 300-600 字）
重叠：50-100 token（相邻块有重叠，避免上下文断裂）
按 Markdown 标题分块（#、##、###），保持章节完整

weknora 内置了智能分块，会根据文档类型自动选择分块策略，不用手动调。

五、检索优化

RAG 的效果 80% 取决于检索质量，检索不到相关内容，大模型再强也没用。

1. 混合检索

不要只用语义检索，用关键词检索 + 语义检索混合：

关键词检索（BM25）：精确匹配术语、专有名词、代码标识符
语义检索（向量）：理解语义，匹配同义表达
混合检索：两者结果加权融合，召回率最高

weknora 默认用混合检索，效果比单纯向量检索好很多。

2. 检索重排序（Rerank）

检索到 Top K 后，用 Rerank 模型重新排序，把最相关的排前面：

Rerank 能显著提升准确率，特别是检索结果多的时候。推荐用 bge-reranker-v2-m3，中英文都好。

3. 查询优化

用户的提问可能不适合直接检索，要做查询优化：

查询改写：

口语化提问 → 标准化查询（“这个东西怎么弄” → “Go 微服务分布式事务解决方案”）
多问题拆分 → 拆成多个子查询分别检索
上下文补全 → 结合对话历史补全查询

查询扩展：

用大模型生成相关关键词，扩展查询
例如"性能调优" → “pprof、trace、火焰图、CPU分析、内存分析”

weknora 内置了查询优化，会自动改写和扩展查询。

4. 元数据过滤

检索时可以按元数据过滤，缩小范围：

元数据过滤能大幅提升检索精度，避免不相关的文档干扰。

六、MCP 接入

weknora 提供了 MCP Server 接口，可以把知识库接入 Claude、Cursor 等 AI 工具，编程时直接查询个人知识库。

配置 MCP

Claude Desktop 配置：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
// ~/.claude.json
{
  "mcpServers": {
    "personal-kb": {
      "url": "https://kb.yourdomain.com/mcp",
      "headers": {
        "X-API-Key": "your-api-key"
      }
    }
  }
}

Cursor 配置：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
// .cursor/mcp.json
{
  "mcpServers": {
    "personal-kb": {
      "url": "https://kb.yourdomain.com/mcp",
      "headers": {
        "X-API-Key": "your-api-key"
      }
    }
  }
}

使用方式

接入后，在 Claude/Cursor 里可以直接查询知识库：

AI 会调用 weknora 的 MCP 工具检索知识库，然后基于检索结果回答。

MCP 工具列表

weknora MCP Server 提供这些工具：

工具	说明
`search`	语义检索知识库，返回相关文档片段
`query`	基于知识库问答，返回答案和来源
`get_document`	获取完整文档内容
`list_documents`	列出知识库中的文档（支持分类过滤）
`create_document`	创建新文档（写入知识库）
`update_document`	更新已有文档
`delete_document`	删除文档

编程时最常用的是 search 和 query，查方案、查踩坑、查最佳实践。

七、效果评估

RAG 系统效果怎么评估？不能只靠感觉。

1. 评估指标

指标	说明	目标
召回率（Recall）	相关文档被检索到的比例	≥ 90%
精确率（Precision）	检索结果中相关文档的比例	≥ 80%
答案准确率	生成的答案正确且基于知识库	≥ 85%
引用准确率	答案引用的来源确实支持答案	≥ 90%
响应时间	从提问到回答的时间	≤ 5秒
无答案率	知识库没有相关内容时正确说"不知道"	≥ 95%

2. 评估方法

构建测试集：

准备 50-100 个问题，覆盖不同分类和难度
每个问题标注标准答案和相关文档
定期跑测试集，评估效果

人工评估：

每周抽查 10 个问答，人工评分（1-5分）
记录 bad case，分析原因，优化

A/B 测试：

调整分块策略/检索参数/模型，对比效果
每次只改一个变量，知道哪个改动有效

3. 我们的效果

指标	初期	优化后
召回率	70%	92%
精确率	60%	85%
答案准确率	70%	88%
响应时间	8秒	3秒

主要优化：混合检索 + Rerank + 查询优化 + 分块策略调整，效果提升明显。

八、使用场景

1. 编程时查方案

不用翻遍所有笔记，AI 直接帮你找到相关内容。

2. 写技术方案时参考

3. 踩坑快速定位

4. 知识回顾和关联

5. 面试准备

九、踩坑经验

文档质量决定一切：垃圾进垃圾出，文档写得乱、内容重复、格式不统一，检索效果就差。花时间整理文档，比调参数效果好
分块太大或太小：分块太大（2000+ token），检索到的内容不精准；分块太小（100 token），上下文不完整。500-1000 token 是甜点区
只用语义检索：纯向量检索对专有名词、代码标识符、精确匹配效果差。一定要用混合检索（关键词+向量）
不做 Rerank：检索 Top 20 直接传给大模型，不相关的内容会干扰答案。加 Rerank 重排序，取 Top 3-5，效果提升明显
嵌入模型选错：用英文嵌入模型处理中文文档，效果差。中文文档要用中文嵌入模型（bge-m3、bge-large-zh）
不更新知识库：知识库建好了就不管了，内容过时。定期导入新文档，清理过时内容，保持知识库新鲜
盲目相信 AI 回答：RAG 也会幻觉，特别是知识库没有相关内容时。一定要看引用来源，验证答案
数据安全：个人知识库可能包含敏感信息（公司内部方案、客户数据），不要用公网 SaaS，自托管 weknora，数据自己掌控

十、总结

个人 RAG 知识库搭建核心：

weknora 是好选择：开源、内置 RAG、支持 MCP、部署简单，个人/小团队够用
文档质量是基础：垃圾进垃圾出，花时间整理文档（Markdown、清洗、元数据），比调参数效果好
分块策略是关键：500-1000 token + 重叠 + 按标题分块，保持语义完整
混合检索 + Rerank 是标配：关键词+向量混合检索召回，Rerank 精排，效果比纯向量检索好很多
MCP 接入是放大器：把知识库接入 Claude/Cursor，编程时直接查询，知识真正用起来
效果评估不能少：构建测试集，定期评估召回率、精确率、答案准确率，用数据指导优化
持续维护是本质：知识库不是建完就完事，定期导入新内容、清理过时内容、优化检索策略
数据安全要重视：敏感知识自托管，不要用公网 SaaS，数据自己掌控

个人知识管理的终极形态不是"收藏更多"，而是"需要时能快速找到并应用"。RAG 知识库让你的知识真正"活"起来——AI 帮你检索、综合、回答，知识不再是躺在笔记里的死文字，而是随时能调用的能力。投入时间搭建和维护，长期来看回报率极高。

一、为什么需要个人 RAG 知识库#

二、整体架构#

三、weknora 搭建#

部署#

模型选择#

四、知识库内容建设#

1. 知识分类#

2. 文档处理#

3. 分块策略#

五、检索优化#

1. 混合检索#

2. 检索重排序（Rerank）#

3. 查询优化#

4. 元数据过滤#

六、MCP 接入#

配置 MCP#

使用方式#

MCP 工具列表#

七、效果评估#

1. 评估指标#

2. 评估方法#

3. 我们的效果#

八、使用场景#

1. 编程时查方案#

2. 写技术方案时参考#

3. 踩坑快速定位#

4. 知识回顾和关联#

5. 面试准备#

九、踩坑经验#

十、总结#