腾讯 Ima 知识库架构解读
腾讯 AI 智能工作台 Ima 是腾讯推出的智能办公产品，依托混元大模型与 RAG 架构打造知识管理体系，支持 Windows/Mac 双平台，提供 AI 问答、多模态文本创作、图像生成等核心功能。其核心能力覆盖多格式文档智能整合管理、大模型驱动的精准问答交互、动态知识图谱构建与更新，以及跨部门知识协同共享等场景。
最近有机会深入了解 ima 的实现过程，由于腾讯 Ima 未开源，可通过研究其旗下另一款开源同构产品 WeKnora 间接推测其架构。二者同属腾讯知识管理类产品，定位虽有差异，但共享核心技术理念。
WeKnora 的主力开发语言为 Go，项目启动前需在本地完成 Ollama 与 Docker 的安装配置：其中 Ollama 用于部署所需大模型，Docker 则负责部署数据库等相关镜像组件。
从架构图可见，WeKnora 核心分为两大模块：左侧绿色模块聚焦用户文档的上传与解析，同步完成知识库与向量库的构建。右侧紫色模块聚焦问答交互——即基于用户问题检索知识库，整合信息后生成精准回答。
一、文件上传：多格式解析与知识库构建
首先我们来看看文件上传后的处理逻辑。从代码层面可知，WeKnora 支持多种格式文件上传，涵盖 PDF、TXT、MD、DOCX、DOC、JPG、PNG、CSV、XLSX 及 XLS 等 11 类格式。
按文件属性可将其归为三大类：第一类是文本类文件（含可直接解析为文本的格式），包括 TXT、MD（Markdown）、DOC/DOCX（Word）、CSV/XLSX/XLS（表格）及纯文本 PDF；第二类是无法直接解析为文本的流式文件，如 JPG/JPEG/PNG 图片及扫描件 PDF；第三类是图文混合文件（如含图文的 PDF）。由于混合文件的处理逻辑本质是'文本 + 图片'的融合处理，因此后续将聚焦文本类与图片类数据展开讨论。
WeKnora 为每种文件类型单独设计了处理类，所有处理逻辑均封装在 /docreader/parser 目录中。
其中 PDF 解析逻辑最为复杂（需兼顾文本与图片内容），因此框架采用责任链模式实现解析。优先使用 MinerU 工具解析，若解析失败则使用微软开源的 Markitdown 文件解析工具。
从 mineru_parser.py 文件的实现逻辑来看，WeKnora 会先将 PDF 拆分为文本与图片两部分，完成图片保存后再对两部分分别解析。（下图）
先来看看文本部分的处理逻辑，不同文本类型（如 TXT、DOC、Excel）的处理细节虽有差异，但核心流程保持一致。对于文本类文件，框架会先通过正则匹配识别'不可切分的整体内容'（如 MD 表格、图片占位符等）。即使此类内容体积过大，仍然会直接作为单个 chunk 保留（不进行切分）。（这种情况理论上会影响系统实际运行性能）
