在大模型快速演进的今天，真正拉开产品差距的，不只是模型效果，而是系统的独立性、可控性与可持续演进能力。

qKnow 商业版 v2.6.1 正式发布。 这是一次里程碑式的重大版本更新。

本次版本，我们完成了一件“难但正确”的事情： 👉 全面移除对第三方知识库与 LLM 应用开发框架的依赖，构建完全自主可控的大语言模型与知识库集成体系。

这不是一次简单的功能替换，而是一场底层能力的重构。

🧭 为什么要做这次“去依赖”？

在过去一段时间里，第三方 LLM 应用开发框架在快速验证、快速落地阶段发挥了重要作用。但随着业务规模扩大、场景复杂度提升，我们越来越清晰地看到一些长期问题：

• 框架能力边界受限，深度定制困难
• 多模型、多向量库适配灵活性不足
• 技术栈被锁定，升级节奏受制于人
• 在政企、行业场景下，自主可控成为硬要求

qKnow 不是一个 Demo，而是要长期服务企业与行业的知识平台。

因此，从 v2.6.1 开始，我们选择了一条更难、但更稳的路。

🛠 一、知识库能力全面剔除第三方框架依赖

1️⃣ 本地化向量数据库：引入 Weaviate

在 qKnow v2.6.1 中，我们完成了向量检索能力的自主化重构：

• 本地搭建 Weaviate 向量数据库
• 文档上传后进行拆分、向量化并存储
• 查询阶段对用户问题进行向量化
• 基于语义相似度，从向量库中检索最相关内容作为参考上下文

这一改造让 qKnow 的知识库能力具备了：

• ✅ 更强的可控性
• ✅ 更好的性能可调优空间
• ✅ 更灵活的部署与扩展能力

2️⃣ 统一模型与向量接入层：引入 Spring AI Alibaba

在模型与向量数据库对接层，我们引入了 Spring AI Alibaba 作为基础框架：

• 统一对接各类大语言模型提供商
• 统一对接向量数据库能力
• 将模型调用、向量检索纳入一致的工程体系中

这意味着： 👉 模型可换、向量库可换、策略可调，但 qKnow 的核心能力不变。

3️⃣ 文档分块能力全面升级：为“可用的知识库”打基础

真正好用的知识库，从来不是“把文档丢进去就完了”。

针对大模型上下文长度限制问题，qKnow 在 v2.6.1 中对文档分块机制进行了系统化设计：

🔹 通用分块策略

• 先按指定分隔符进行语义分段
• 段落超长时，按最大长度再次切分
• 在前后块之间引入语义重叠，保证上下文连续性

🔹 QA 分块策略

• 基于通用分块结果
• 使用大模型自动生成「问题-答案」对
• 检索阶段优先匹配“问题”，返回其对应答案作为参考

这种方式显著提升了：

• 检索命中率
• 语义理解准确性
• 知识问答的可解释性

🧠 二、自主实现大语言模型深度集成

彻底告别 Dify 与第三方 LLM 应用框架

qKnow v2.6.1 中，我们全面移除了对 Dify 及其他第三方 LLM 应用开发框架的依赖，自主构建了大模型集成与编排能力。

这一步，意味着：

• 不再受限于第三方工作流设计
• 不再被固定的能力模型约束
• 真正掌握“如何用好模型”的主动权

全面重构核心 AI 能力模块

基于新的模型集成体系，qKnow 对以下核心能力模块进行了整体替换与重构：

• 知识问答
• 意图检索
• 语义检索
• 智能写作
• 三元组抽取
• 文本检查
• 知识图谱模型抽取

这些能力不再是“拼装结果”，而是围绕 qKnow 自身知识体系与业务场景深度优化 的原生能力。

🏁 这是一次版本升级，更是一次战略选择

qKnow v2.6.1，并不是追逐热点的“炫技版本”。

它的意义在于：

• 🧱 打牢长期演进的技术底座
• 🔐 满足政企与行业场景对自主可控的核心要求
• 🧠 为后续更复杂的知识推理、智能体、行业模型奠定基础

从这一版本开始，qKnow 不再依赖外部框架“替我们思考”， 而是真正成为一个可以持续生长的知识与智能平台。

如果你关心的是：

• 企业级知识库如何真正落地
• 大模型如何与业务深度结合
• AI 系统如何长期可控、可演进

那么，qKnow v2.6.1，是一个值得关注的起点。

👉 欢迎体验，也欢迎交流。