서구권이 간과하고 있는 별 10만 개 이상의 중국 AI 도구 5가지

저는 지난 몇 달 동안 중국의 오픈 소스 (Open-source) AI 생태계를 탐구해 왔습니다. 제가 발견한 결과는 놀라웠습니다. GitHub 별(star)이 2만 개, 2만 7천 개, 심지어 3만 5천 개에 달하면서도 활발하게 유지 관리되고, 프로덕션 (Production) 환경에 즉시 적용 가능하며, MIT 또는 Apache 라이선스를 가진 도구들이 존재하지만 영어 커뮤니티는 거의 전무합니다. Reddit 게시물도 없고, YouTube 튜토리얼도 없으며, Stack Overflow 답변도 없습니다. 문서(Docs)는 존재하지만, 단지 중국어로 되어 있을 뿐입니다. 제가 발견한 것들과 이것이 왜 중요한지에 대해 말씀드리겠습니다.

5가지 도구

1. WeKnora — 자율형 RAG (Tencent, MIT)
   GitHub: Tencent/WeKnora · 2026년 4월 출시
   WeKnora는 WeChat의 Dialog Open Platform의 핵심 기술입니다. 이 도구는 가공되지 않은 문서를 쿼리 가능한 지식 베이스 (Knowledge base)로 변환하지만, 다른 도구에는 없는 기능을 추가합니다. 바로 검색 전 복잡한 질문을 하위 쿼리 (Sub-queries)로 분해하는 자율 추론 에이전트 (Autonomous reasoning agent)입니다. "이 세 가지 경쟁사 문서의 가격을 비교해줘"라고 요청하면, 대부분의 RAG 도구는 무작위로 섞인 청크 (Chunks)를 검색합니다. 하지만 WeKnora의 에이전트는 실제로 검색 계획을 세웁니다. 또한 독특한 점은 자기 업데이트형 지식 베이스 (Self-updating knowledge base) 기능입니다. URL이나 폴더를 지정하고 새로고침 간격을 설정하면 자동으로 최신 상태를 유지합니다. 라이선스: MIT → 상업적 제품에 자유롭게 임베드 (Embed) 가능.

2. FastGPT — 시각적 RAG 워크플로우 빌더 (별 27K ⭐)
   GitHub: labring/FastGPT
   FastGPT의 눈에 띄는 특징은 QA 쌍 추출 (QA-pair extraction)입니다. 문서를 맹목적으로 청킹 (Chunking)하는 대신, LLM을 사용하여 콘텐츠에서 질문-답변 쌍을 생성합니다. 검색 시 질문이 질문과 매칭되므로, 단순한 청킹 방식보다 정확도가 극적으로 높습니다. 또한 코드 없이 분기형 RAG 파이프라인 (Pipelines)을 구축할 수 있는 시각적 노드 에디터 (Visual node editor)를 갖추고 있습니다. 라이선스: 커스텀 (Self-hosted는 가능하나, SaaS 재판매는 금지).

3. MaxKB — 가장 간단한 RAG 설정 (별 20K ⭐, Apache 2.0)
   GitHub: 1Panel-dev/MaxKB
   MaxKB는 한 가지를 매우 잘 수행합니다. 지식 베이스를 빠르게 실행하고 어디든 임베드하는 것입니다. 어떤 웹사이트에도 바로 넣을 수 있는 JavaScript 위젯 (하나의 <script> 태그)을 생성합니다. iframe도 필요 없고 복잡한 설정도 필요 없습니다. Apache 2.0 → 상업적 임베드 가능, 제한 없음. ("bash docker compose up -d 완료. localhost:8081")

DB-GPT — 데이터베이스와 대화하기 (17K ⭐, MIT) GitHub: eosphoros-ai/DB-GPT "지난 분기 매출 기준 상위 10개 고객은 누구였나요? 막대 그래프로 보여주세요." DB-GPT는 이 질문을 SQL로 변환하여 사용자의 PostgreSQL/MySQL/SQLite에서 실행하고 차트를 렌더링합니다. Metabase와 AI가 만난 형태라고 생각하면 되지만, 완전히 로컬에서 작동하며 완전한 오픈 소스(Open Source)입니다. 복잡한 다단계 데이터베이스 분석을 위해 AWEL 시각적 파이프라인 빌더(visual pipeline builder)를 지원합니다.

5. RAGFlow — 최고의 PDF 파싱 (35K ⭐, Apache 2.0) GitHub: infiniflow/RAGFlow 대부분의 RAG 도구들은 글자 수 기준으로 PDF를 분할합니다. RAGFlow는 레이아웃을 읽습니다. 표는 표로 유지되고, 헤더는 구조를 생성하며, 다단 텍스트(multi-column text)도 정확하게 처리합니다. 만약 문서가 재무 보고서, 법률 계약서, 기술 매뉴얼처럼 복잡한 서식을 가지고 있다면, RAGFlow의 청킹(Chunking) 품질은 눈에 띄게 더 뛰어납니다.

어떤 것을 사용해야 할까요?
데이터베이스(DATABASE)와 대화하고 싶다면? → DB-GPT
가장 간단한 설정과 임베드 가능한 위젯이 필요하다면? → MaxKB (Apache 2.0, 3분 설치)
시각적(VISUAL) 워크플로우 빌더가 필요하다면? → FastGPT
최고의 PDF 파싱(표, 이미지, 복잡한 레이아웃)이 필요하다면? → RAGFlow
자율적 추론(Autonomous reasoning) + 자체 업데이트 지식 베이스(KB)가 필요하다면? → WeKnora (최신, MIT)

공통 인프라
다섯 가지 도구 모두 Ollama와 함께 작동합니다. 어떤 도구도 API 키가 필요하지 않습니다. 저는 각 도구가 공유된 Ollama + n8n + Qdrant 스택에 연결되도록 Docker Compose 설정을 작성했습니다. 중복된 컨테이너나 5개의 별도 LLM을 실행할 필요가 없습니다. → 다섯 가지 도구 모두에 대한 Docker Compose, Ollama 통합 및 n8n 워크플로우가 포함된 전체 영어 가이드: github.com/retrovirusretro/chinese-ai-tools-english-guide

개별 심층 분석:
WeKnora 영어 가이드
MaxKB 영어 가이드
FastGPT 프로덕션 스택

왜 영어 콘텐츠가 없을까요?
이 커뮤니티들은 WeChat 그룹, Zhihu, Bilibili에서 활동합니다. 유지 관리자들은 README를 작성할 수 있을 정도로 영어를 잘하지만, 튜토리얼 생태계는 결코 국경을 넘지 못했습니다. 이 패턴은 Ollama가 llama.cpp(40K stars)를 접근 가능하게 만들었거나, Open-WebUI가 Ollama(50K stars)를 접근 가능하게 만들었던 방식과 유사합니다. 기반 기술은 이미 존재했습니다. 누군가가 그저 다리를 놓았을 뿐입니다.

이 도구들이 바로 기술입니다. 다리가 빠져 있을 뿐입니다. 여러분은 이 중 하나라도 사용해 보셨나요? 영어권 커뮤니티에서는 이 도구들을 어떻게 생각하는지 궁금합니다.