arkon
MRP Pipeline 六阶段知识编译 + MCP Server，让 Claude 原生理解企业知识
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
MRP Pipeline 六阶段知识编译 + MCP Server，让 Claude 原生理解企业知识
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
nduckmink/arkon · ⭐ 990 · 🍴 233 · Python · GitHub
想象这样一个场景：某天，公司的新员工问 HR 同事「试用期考核标准是什么？」，HR 翻遍了公司网盘、邮件、飞书文档，给出了一个模糊的答案。而这位新员工转头又去问 Claude，Claude 却只能凭「通用认知」回答——因为它根本不知道这家公司还有试用期这回事。这就是企业 AI 落地的核心困境：AI 和企业知识之间隔着一道墙。Arkon 要做的，就是把这堵墙拆掉。
Arkon 是一款自托管的企业级 AI 知识中心，通过 MCP（Model Context Protocol） 协议，让 Claude 和其他大模型能够实时、权限受控地访问企业内部知识库。它不是一个简单的 RAG 工具，而是一套完整的企业知识编译、治理与分发系统。
Arkon 由越南 BITSNESS TECHNOLOGY AND SOLUTIONS 公司开发和维护，核心作者是 Minh Nguyen。项目发布于 2024 年末，目前处于快速迭代阶段（v0.9.x），最新版本为 2026 年 6 月 2 日。短短半年多时间，它在 GitHub 上积累了接近 1000 颗星，fork 数超过 230，说明企业 AI 知识管理这个赛道确实有真实需求。
Arkon 的定位很清晰：不是给个人用的，README 开篇就写道「Arkon is built for teams, not individuals」，并推荐个人用户使用 Obsidian + Claude Skills 的组合。项目明确面向中大型企业——团队版建议 4 核 CPU / 8GB 内存，企业版建议 8+ 核 CPU / 16GB+ 内存。
大多数 RAG 方案的做法是：把文档切块 → 向量化 → 存入向量数据库 → 用户提问时检索 Top-K 片段。这种方式有两个根本性问题：
信息碎片化：一份完整的 SOP 被切成 N 块后，各自独立，没有上下文关联。
没有质量控制：原始文档中的错误、过时信息也会原封不动地被检索出来。
Arkon 提出了 MRP Pipeline（Map → Reduce → Plan-review → Refine → Verify → Commit），这是一套六阶段知识编译流程，目标是「编译」而非「检索」：
Map 阶段：解析源文档（PDF、DOCX、纯文本、URL），提取文本内容、标题层级和图片caption。图片通过视觉模型生成描述，嵌入文本流。
Reduce 阶段：对 Map 输出进行语义聚合，识别核心实体和主题。
Plan-review 阶段：LLM 生成一份「编辑计划」，列出将要创建或更新的 Wiki 页面清单——人工可审核、可修改、可驳回。这是 MRP 最独特的设计：AI 编译知识前，先让人审批编译计划。
Refine 阶段：根据证据片段，为每个 Wiki 页面生成正文。大型页面使用 mini-agent 循环（最多 10 步），小型页面单次 LLM 调用，并行处理（最多 4 个并发）。
Verify 阶段：验证生成内容的准确性和可溯源性。
Commit 阶段：原子性写入数据库，更新向量嵌入（pgvector）。
MRP 管道还有两个关键特性：页面合并（新文档更新旧 Wiki 时，LLM 做内容融合而非简单覆盖，历史知识永不丢失）和断点续传（崩溃后重启，draft 持久化，昂贵的 LLM 调用不会浪费）。
Arkon 提供了一个类 Notion 的三窗 Wiki 界面：左侧页面树、中间正文、右侧反向链接与出链视图。每个页面都支持版本历史和回滚，保证知识演进可追溯。
更关键的是知识图谱可视化——可以按部门 Scope 或全局 Scope 查看页面之间的关联关系。这对梳理复杂业务流程、发现信息孤岛非常有价值。
文档版本管理也很有意思：支持 Draft → Review → Approve → Publish 的编辑工作流，不是所有员工都能直接发布内容，需要 Editor 或 Admin 角色审批。这套机制解决了「谁来审核 AI 生成内容」的问题。
图1：Arkon Wiki 浏览器界面
这是 Arkon 最具差异化的能力。项目实现了完整的 MCP Server（基于 FastMCP），通过 OAuth 2.1 + PKCE 实现无感登录——员工在 Claude Desktop 或 Claude.ai 的 Connectors 设置中添加 Arkon URL，浏览器弹出登录窗口，完成授权后 Claude 即可调用 Arkon 提供的工具。
MCP Server 暴露的工具集非常完整：
search_wiki、read_wiki_page、list_wiki_pages、read_wiki_indexget_source、get_source_outline、get_source_pages、list_sourcespropose_wiki_edit、edit_wiki_page、list_pending_drafts、review_draft、approve_draft、reject_draftlist_knowledge_types、get_knowledge_type_docs所有工具都强制执行 Scope 隔离：员工的 token 只能访问自己所属部门或全局级别的知识和工具，绝不会跨部门泄露。
图2：Arkon MCP Server 与 Claude Desktop 集成示意
Arkon 内置了完整的 RBAC 体系：
角色层级：Viewer · Contributor · Editor · Admin
权限粒度：精确到 doc:read:own_dept、wiki:edit:all、org:settings:manage 等细分操作
部门级隔离：HR、Legal、Engineering 等部门各自有独立的文档集合和 Wiki，成员只能看到自己部门的内容
全局 Scope：公司级 SOP、政策、通识知识对所有员工可见
审计日志：所有特权操作（设置变更、计划审批、角色调整）都有完整记录
对于金融、医疗、法律等对数据安全有严格合规要求的行业，这套权限体系是刚需。
Arkon 的技术选型务实且成熟：
| 层级 | 技术栈 |
|---|---|
| 后端 | FastAPI + Uvicorn + SQLAlchemy (async) + PostgreSQL + pgvector |
| 异步任务 | ARQ (Redis) — 两个独立 worker，分别处理 MRP 管道和 Skills |
| 对象存储 | MinIO（S3 兼容）— 存储原始文档和图片 |
| 前端 | Next.js (App Router) + Tailwind CSS + TypeScript |
| AI 集成 | FastMCP（Model Context Protocol） |
| 文档解析 | PyMuPDF + python-docx + mammoth（支持 PDF、DOCX、DOC、纯文本、URL） |
| AI 模型 | Anthropic Claude、Google Gemini、OpenAI GPT 系列（可插拔） |
| 嵌入模型 | Google gemini-embedding-*、OpenAI text-embedding-3-*（支持在线切换和原子迁移） |
| 权限认证 | bcrypt + JWT + OAuth 2.1 + PKCE |
架构亮点：LLM/嵌入/视觉模型通过 Provider 注册表动态选择，管理员在后台界面配置 API Key 和模型参数，终端用户完全无感。嵌入模型切换时支持在线迁移——新索引完成后原子切换，不存在零结果的搜索窗口期。
图3：Arkon 技术架构 — FastAPI 后端、Next.js 前端、pgvector 向量数据库、ARQ 异步任务队列
Arkon 还支持 AI Skills 分发——管理员上传版本化的 Skill 包（.zip 包含 SKILL.md），分发到全公司。员工在 Claude 中调用这些 Skills，相当于拥有了一整套企业专属的 Agent 能力。
Arkon 通过 docker compose --env-file .env.docker up -d --build 一键部署，自动启动 7 个容器：PostgreSQL + pgvector、Redis、MinIO、FastAPI API、2 个 ARQ worker、Next.js 前端。
启动后访问 http://localhost:3119，以管理员身份登录，在 Settings 中配置 AI API Key 即可。不需要 GPU，所有 AI 推理走外部 API（Anthropic/Google/OpenAI）。
部署的真正门槛不是 Docker，而是：
内存需求较高：MRP 管道的 worker 需要把大文档的全部 LLM 上下文加载到内存，Starter 最低 4GB，企业版建议 16GB+
需要外部 AI API Key：必须拥有 Anthropic/Google/OpenAI 的 API 访问权限，API 费用另算
多人使用建议反向代理 + SSL：生产环境需要 Nginx/Caddy 配 HTTPS
Dockerfile 采用了多阶段构建（python:3.12-slim），前端独立 Dockerfile，API 以非 root 用户（appuser）运行——安全加固做得不错。
Arkon 也有一些明显的不足：
Arkon 代表了一个趋势：企业 AI 知识管理基础设施化。过去企业的 AI 落地通常是「买了 ChatGPT 企业版，员工自己摸索怎么用」。Arkon 的思路是：先把企业知识结构化编译，再让 AI 去访问——而不是让 AI 每次都从零理解企业的背景信息。
MRP Pipeline 的 Plan-review 设计尤其值得关注：它承认 AI 会犯错，所以让人类在编译阶段介入审批，而不是等 AI 答错了再去追责。这种「AI 生成 + 人工审核」的工作流，可能是未来企业级 AI 应用的主流形态。
当前项目仍处于快速迭代期（v0.9.x），API 和数据模型可能随版本变化，生产环境部署前需要评估版本稳定性。建议关注 Roadmap 中的富媒体摄入和外部数据源连接器——这两项落地后，Arkon 的实用价值会大幅提升。