PandaWiki
PandaWiki 是一款由 AI 大模型驱动的开源知识库搭建系统,旨在帮助用户快速构建智能化的产品文档、技术手册、FAQ 及博客平台。它有效解决了传统知识库内容维护成本高、检索效率低以及缺乏互动性的痛点,让静态文档变身具备“思考”能力的智能助手。
无论是企业技术团队、产品经理,还是希望搭建个人知识博客的开发者与普通用户,都能通过 PandaWiki 轻松上手。其核心亮点在于深度集成了 AI 创作、AI 问答与 AI 搜索功能:用户不仅能利用大模型辅助撰写和润色内容,还能让访客通过自然语言对话快速获取精准答案。系统支持 Markdown 与 HTML 富文本编辑,提供灵活的第三方集成方案(如嵌入网页挂件或对接钉钉、飞书等机器人),并支持通过 URL、Sitemap、RSS 及离线文件等多种方式批量导入内容。
基于 Docker 的一键部署让安装过程极为简便,配合可视化的控制台,用户无需深厚技术背景即可管理多个独立的知识库站点。作为遵循 AGPL-3.0 协议的开源项目,PandaWiki 在保障自由使用的同时,也为需要私有化部署和深度定制的团队提供了可靠选择。
使用场景
某中型 SaaS 企业的技术团队正面临产品迭代加速与文档维护滞后的矛盾,急需一套能自动同步更新并智能响应用户咨询的知识库系统。
没有 PandaWiki 时
- 文档更新滞后:每次版本发布后,技术人员需手动编写和排版 Markdown 文档,耗时耗力且容易遗漏细节,导致用户看到的文档常与实际功能不符。
- 客服压力巨大:面对海量重复的基础技术咨询(如 API 调用参数、报错含义),客服团队不得不人工逐条回复,响应速度慢且占用大量核心人力。
- 检索体验糟糕:传统关键词搜索无法理解语义,用户必须精准匹配术语才能找到答案,否则只能在一堆不相关的文档列表中盲目翻找。
- 多端集成困难:想要将文档嵌入官网或接入钉钉、飞书等办公协作软件,需要额外开发前端页面和后端接口,部署周期长达数周。
使用 PandaWiki 后
- AI 辅助高效创作:利用 PandaWiki 的 AI 创作能力,只需输入简要的功能描述或上传旧版文档,即可自动生成结构清晰、格式规范的技术文档,编辑效率提升 80%。
- 智能问答分流负载:部署基于大模型的 AI 问答机器人,7x24 小时自动精准回答用户关于产品文档和 FAQ 的疑问,拦截了 90% 的重复咨询,让客服专注于复杂问题。
- 语义搜索直达答案:借助 AI 搜索能力,用户即使使用模糊的自然语言提问,PandaWiki 也能理解意图并直接定位到具体段落,无需再翻阅整篇文档。
- 一键集成多平台:通过 PandaWiki 自带的挂件和机器人配置,几分钟内即可将知识库无缝嵌入公司官网,并同步上线钉钉与企业微信,实现全渠道知识覆盖。
PandaWiki 不仅将文档维护从“人力密集型”转变为"AI 驱动型”,更让静态的知识库进化为能主动服务用户的智能助手。
运行环境要求
- Linux
未说明
未说明

快速开始
👋 项目介绍
PandaWiki 是一款 AI 大模型驱动的开源知识库搭建系统,帮助你快速构建智能化的 产品文档、技术文档、FAQ、博客系统,借助大模型的力量为你提供 AI 创作、AI 问答、AI 搜索 等能力。
⚡️ 界面展示
| PandaWiki 控制台 | Wiki 网站前台 |
|---|---|
![]() |
![]() |
![]() |
![]() |
🔥 功能与特色
- AI 驱动智能化:AI 辅助创作、AI 辅助问答、AI 辅助搜索。
- 强大的富文本编辑能力:兼容 Markdown 和 HTML,支持导出为 word、pdf、markdown 等多种格式。
- 轻松与第三方应用进行集成:支持做成网页挂件挂在其他网站上,支持做成钉钉、飞书、企业微信等聊天机器人。
- 通过第三方来源导入内容:根据网页 URL 导入、通过网站 Sitemap 导入、通过 RSS 订阅、通过离线文件导入等。
🚀 上手指南
安装 PandaWiki
你需要一台支持 Docker 20.x 以上版本的 Linux 系统来安装 PandaWiki。
使用 root 权限登录你的服务器,然后执行以下命令。
bash -c "$(curl -fsSLk https://release.baizhi.cloud/panda-wiki/manager.sh)"
根据命令提示的选项进行安装,命令执行过程将会持续几分钟,请耐心等待。
关于安装与部署的更多细节请参考 安装 PandaWiki。
登录 PandaWiki
在上一步中,安装命令执行结束后,你的终端会输出以下内容。
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: **********************
使用浏览器打开上述内容中的 “访问地址”,你将看到 PandaWiki 的控制台登录入口,使用上述内容中的 “用户名” 和 “密码” 登录即可。
配置 AI 模型
PandaWiki 是由 AI 大模型驱动的 Wiki 系统,在未配置大模型的情况下 AI 创作、AI 问答、AI 搜索 等功能无法正常使用。
首次登录时会提示需要先配置 AI 模型,可自行选择一键配置或手动配置。
一键自动配置 AI 模型
手动自定义配置 AI 模型
推荐使用 百智云模型广场 快速接入 AI 模型,注册即可获赠 5 元的模型使用额度。 关于大模型的更多配置细节请参考 接入 AI 模型。
创建知识库
“知识库” 是一组文档的集合,PandaWiki 将会根据知识库中的文档,为不同的知识库分别创建 “Wiki 网站”。

💪 开始使用
如果你顺利完成了以上步骤,那么恭喜你,属于你的 PandaWiki 搭建成功,你可以:
- 访问 控制台 来管理你的知识库并上传文档等待学习成功
- 访问 Wiki 网站 使用知识库并测试AI问答效果
💬 遇到问题
如在使用产品过程中遇到问题,可通过以下方式获取帮助:
社区交流
欢迎加入我们的微信群进行交流。
🙋♂️ 贡献
欢迎提交 Pull Request 或创建 Issue 来帮助改进项目。
📝 许可证
本项目采用 GNU Affero General Public License v3.0 (AGPL-3.0) 许可证。这意味着:
- 你可以自由使用、修改和分发本软件
- 你必须以相同的许可证开源你的修改
- 如果你通过网络提供服务,也必须开源你的代码
- 商业使用需要遵守相同的开源要求
Star History
版本历史
v3.84.02026/04/02v3.83.02026/03/26v3.82.02026/03/24v3.81.12026/03/23v3.81.02026/03/19v3.80.02026/03/18v3.79.02026/03/16v3.78.12026/03/12v3.78.02026/03/12v3.77.02026/03/10v3.76.52026/03/10v3.76.42026/03/09v3.76.32026/03/09v3.75.02026/03/05v3.74.02026/03/04v3.73.02026/02/26v3.72.02026/02/10v3.71.02026/02/09v3.70.22026/02/06v3.70.12026/02/06常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具,专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片(含 OCR)、音频(含语音转录)、HTML 乃至 YouTube 链接等多种格式的解析,能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天,大语言模型(LLM)虽擅长处理文本,却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点,它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式,成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外,它还提供了 MCP(模型上下文协议)服务器,可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用,尤其是那些需要构建文档检索增强生成(RAG)系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性,但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备




