MaxKB：一行命令起一个知识库机器人

国产开源企业智能体平台，RAG、工作流、MCP 工具调用都自带。

企业想上 AI，卡点往往不是模型而是“把内部文档变成可问答的知识，再包成一个能嵌进业务系统的应用”。MaxKB 就是把这个链条做成一个开箱可跑的镜像：一行 docker run 起服务，上传文档就能建知识库，拖工作流就能編排。它用 Python/Django 与 Vue 构建，GPLv3 协议，定位很明确——开源的企业级智能体平台。

核心能力

1. RAG 管线：上传即索引

它支持上传文档，也支持自动爬取在线文档，然后自动切分、向量化。官方把这一层的目的写得很直白：减少大模型幻觉。实际场景：把产品手册、售后政策、历史工单丢进去，客服问“这个型号保修多久”时能招回具体条款而不是胡编。数据库用 PostgreSQL + pgvector，好处是运维熟悉、备份方便，不用额外引入向量库。

2. 工作流引擎与函数库

它内置工作流引擎、函数库与 MCP 工具调用，能編排复杂业务流程。也就是不只“问答”，还能做多步：先判断问题类型，再决定查哪个库，需要时调外部接口拿订单状态，最后合成回复。做售后、开户、预约这类有固定流程的场景，工作流比纯提示词可靠。

3. 零代码接入第三方系统

官方强调可以无代码快速接入第三方业务系统，给现有系统直接加上问答能力。对内部 IT 团队友好：不用改老系统代码，先嵌一个问答入口把使用率跑起来，再逐步深入。

4. 模型无关 + 多模态

既接私有模型（DeepSeek、Llama、Qwen 等），也接公有云模型（OpenAI、Claude、Gemini 等），原生支持文本、图像、音频、视频的输入输出。这意味着你可以用本地模型跑涉密数据，用云模型跑公开内容，两套并存。

5. 一行命令部署

官方给的命令非常短：docker run -d --name=maxkb --restart=always -p 8080:8080 -v ~/.maxkb:/var/lib/postgresql/data -v ~/.python-packages:/opt/maxkb/app/sandbox/python-packages 1panel/maxkb。默认账号 admin、密码 MaxKB@123..，开箱即用。

使用上手

1. 确认机器已装 Docker，且 8080 端口空闲；国内拉镜像失败时先看官方离线安装文档。
2. 执行官方 docker run 命令，等容器起来后访问 http://服务器IP:8080。
3. 用 admin / MaxKB@123.. 登录，第一件事改密码。
4. 进模型设置接一个可用模型（本地 Ollama 或云 API 均可），发一句问候确认连通。
5. 建知识库，先传 5–10 份最典型文档，看切分结果；不对就调分段规则再重建，别一次性倒几百份。
6. 建应用、拉工作流，接知识库节点，再用几类真实问题测召回与回答质量。
7. 满意后把对话窗口嵌进业务系统，先小范围试用再全员推。

优点与不足

优点

• 一行 docker run 就能跑，部署成本在同类里算最低。
• RAG、工作流、MCP 工具调用三块都在一个产品里。
• 模型无关，本地模型与云模型可以混用。
• 技术栈常规（Django + Vue + PostgreSQL + pgvector），团队好接手。

不足

• GPLv3 协议，二次分发与商用集成前必须读清楚义务。
• SSO 与访问控制等能力在 Pro 版，社区版只有基础权限。
• 默认口令是固定值，公网部署必须第一时间改。
• 工作流节点丰富度不如专门的编排产品，复杂流程会吃力。

适合谁

• 想做内部知识库问答的企业 IT 团队。
• 需要把售后、客服问答嵌入现有系统的业务部门。
• 对数据出境敏感、必须私有化部署的机构。
• 想先用低成本验证 RAG 效果的开发者。

下载与访问

• 仓库：https://github.com/1Panel-dev/MaxKB
• 官网：https://maxkb.cn/
• 文档：https://maxkb.cn/docs/

许可证与部署

本文属于「项目」分类的 AI 资源专栏，更多评测见分类页。