【翻译】RAGFlow的Python API 中文文档

Ne0inhk

— 31 min read
【翻译】RAGFlow的Python API 中文文档

因RAGFlow官方只提供了Python API 的英文版，对于英文不好的开发者阅读起来会有一定难度。本文是RAGFlow的Python API的中文翻译版。

  • 翻译版本：V0.21.0
  • 翻译时间：2025年10月
  • RAGFlow的官方Python API 文档：https://ragflow.io/docs/dev/python_api_reference 最新版本请查阅官方文档

Python API | RAGFlow

RAGFlow Python API 完整参考文档。在开始之前,请确保您已准备好 RAGFlow API 密钥用于身份验证。

注意

运行以下命令下载 Python SDK:

pip install ragflow-sdk

错误码

代码消息描述
400Bad Request无效的请求参数
401Unauthorized未经授权的访问
403Forbidden访问被拒绝
404Not Found资源未找到
500Internal Server Error服务器内部错误
1001Invalid Chunk ID无效的 Chunk ID
1002Chunk Update FailedChunk 更新失败

OpenAI 兼容 API

创建聊天补全

通过 OpenAI 的 API 为给定的历史聊天对话创建模型响应。

参数
model: str, 必需

用于生成响应的模型。服务器将自动解析此参数,因此您现在可以将其设置为任何值。

messages: list[object], 必需

用于生成响应的历史聊天消息列表。必须至少包含一条用户角色的消息。

stream: boolean

是否以流的方式接收响应。如果您希望一次性接收完整响应而不是流式接收,请明确将此参数设置为 false。

返回值
  • 成功: 类似 OpenAI 的响应消息
  • 失败: 异常
示例
from openai import OpenAI model ="model" client = OpenAI(api_key="ragflow-api-key", base_url=f"http://ragflow_address/api/v1/chats_openai/<chat_id>") stream =True reference =True completion = client.chat.completions.create( model=model, messages=[{"role":"system","content":"You are a helpful assistant."},{"role":"user","content":"Who are you?"},{"role":"assistant","content":"I am an AI assistant named..."},{"role":"user","content":"Can you tell me how to install neovim"},], stream=stream, extra_body={"reference": reference})if stream:for chunk in completion:print(chunk)if reference and chunk.choices[0].finish_reason =="stop":print(f"Reference:\n{chunk.choices[0].delta.reference}")print(f"Final content:\n{chunk.choices[0].delta.final_content}")else:print(completion.choices[0].message.content)if reference:print(completion.choices[0].message.reference)

数据集管理

创建数据集

RAGFlow.create_dataset( name:str, avatar: Optional[str]=None, description: Optional[str]=None, embedding_model: Optional[str]="BAAI/bge-large-zh-v1.5@BAAI", permission:str="me", chunk_method:str="naive", parser_config: DataSet.ParserConfig =None)-> DataSet

创建一个数据集。

参数
name: str, 必需

要创建的数据集的唯一名称。必须符合以下要求:

  • 最多 128 个字符。
  • 不区分大小写。
avatar: str

头像的 Base64 编码。默认为 None。

description: str

要创建的数据集的简要描述。默认为 None。

permission

指定谁可以访问要创建的数据集。可用选项:

  • “me”: (默认) 只有您可以管理该数据集。
  • “team”: 所有团队成员都可以管理该数据集。
chunk_method, str

要创建的数据集的分块方法。可用选项:

  • “naive”: 通用 (默认)
  • “manual”: 手动
  • “qa”: 问答
  • “table”: 表格
  • “paper”: 论文
  • “book”: 书籍
  • “laws”: 法律
  • “presentation”: 演示文稿
  • “picture”: 图片
  • “one”: 单一
  • “email”: 邮件
parser_config

数据集的解析器配置。ParserConfig 对象的属性根据所选的 chunk_method 而有所不同:

  • chunk_method=“naive”: {“chunk_token_num”:512,“delimiter”:“\n”,“html4excel”:False,“layout_recognize”:True,“raptor”:{“use_raptor”:False}}
  • chunk_method=“qa”: {“raptor”: {“use_raptor”: False}}
  • chunk_method=“manuel”: {“raptor”: {“use_raptor”: False}}
  • chunk_method=“table”: None
  • chunk_method=“paper”: {“raptor”: {“use_raptor”: False}}
  • chunk_method=“book”: {“raptor”: {“use_raptor”: False}}
  • chunk_method=“laws”: {“raptor”: {“use_raptor”: False}}
  • chunk_method=“picture”: None
  • chunk_method=“presentation”: {“raptor”: {“use_raptor”: False}}
  • chunk_method=“one”: None
  • chunk_method=“knowledge-graph”: {“chunk_token_num”:128,“delimiter”:“\n”,“entity_types”:[“organization”,“person”,“location”,“event”,“time”]}
  • chunk_method=“email”: None
返回值
  • 成功: 一个数据集对象。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.create_dataset(name="kb_1")

删除数据集

RAGFlow.delete_datasets(ids:list[str]|None=None)

按 ID 删除数据集。

参数
ids: list[str] 或 None, 必需

要删除的数据集的 ID。默认为 None。

  • 如果为 None,所有数据集都将被删除。
  • 如果为 ID 数组,只有指定的数据集将被删除。
  • 如果为空数组,不会删除任何数据集。
返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
rag_object.delete_datasets(ids=["d94a8dc02c9711f0930f7fbc369eab6d","e94a8dc02c9711f0930f7fbc369eab6e"])

列出数据集

RAGFlow.list_datasets( page:int=1, page_size:int=30, orderby:str="create_time", desc:bool=True,id:str=None, name:str=None)->list[DataSet]

列出数据集。

参数
page: int

指定显示数据集的页码。默认为 1。

page_size: int

每页的数据集数量。默认为 30。

orderby: str

数据集应按哪个字段排序。可用选项:

  • “create_time” (默认)
  • “update_time”
desc: bool

指示检索到的数据集是否应按降序排序。默认为 True。

id: str

要检索的数据集的 ID。默认为 None。

name: str

要检索的数据集的名称。默认为 None。

返回值
  • 成功: DataSet 对象列表。
  • 失败: 异常。
示例
列出所有数据集
for dataset in rag_object.list_datasets():print(dataset)
按 ID 检索数据集
dataset = rag_object.list_datasets(id="id_1")print(dataset[0])

更新数据集

DataSet.update(update_message:dict)

更新当前数据集的配置。

参数
update_message: dict[str, str|int], 必需

表示要更新的属性的字典,具有以下键:

  • “name”: str 数据集的修订名称。
    • 仅限基本多文种平面 (BMP)
    • 最多 128 个字符
    • 不区分大小写
  • “avatar”: (Body 参数), string 更新的头像的 base64 编码。
    • 最多 65535 个字符
  • “embedding_model”: (Body 参数), string 更新的嵌入模型名称。
    • 确保在更新 “embedding_model” 之前 “chunk_count” 为 0。
    • 最多 255 个字符
    • 必须遵循 model_name@model_factory 格式
  • “permission”: (Body 参数), string 更新的数据集权限。可用选项:
    • “me”: (默认) 只有您可以管理该数据集。
    • “team”: 所有团队成员都可以管理该数据集。
  • “pagerank”: (Body 参数), int 参考设置页面排名
    • 默认: 0
    • 最小值: 0
    • 最大值: 100
  • “chunk_method”: (Body 参数), enum 数据集的分块方法。可用选项:
    • “naive”: 通用 (默认)
    • “book”: 书籍
    • “email”: 邮件
    • “laws”: 法律
    • “manual”: 手动
    • “one”: 单一
    • “paper”: 论文
    • “picture”: 图片
    • “presentation”: 演示文稿
    • “qa”: 问答
    • “table”: 表格
    • “tag”: 标签
返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets(name="kb_name") dataset = dataset[0] dataset.update({"embedding_model":"BAAI/bge-zh-v1.5","chunk_method":"manual"})

数据集内的文件管理

上传文档

DataSet.upload_documents(document_list:list[dict])

将文档上传到当前数据集。

参数
document_list: list[dict], 必需

表示要上传的文档的字典列表,每个字典包含以下键:

  • “display_name”: (可选) 要在数据集中显示的文件名。
  • “blob”: (可选) 要上传的文件的二进制内容。
返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
dataset = rag_object.create_dataset(name="kb_name") dataset.upload_documents([{"display_name":"1.txt","blob":"<BINARY_CONTENT_OF_THE_DOC>"},{"display_name":"2.pdf","blob":"<BINARY_CONTENT_OF_THE_DOC>"}])

更新文档

Document.update(update_message:dict)

更新当前文档的配置。

参数
update_message: dict[str, str|dict[]], 必需

表示要更新的属性的字典,具有以下键:

  • “display_name”: str 要更新的文档的名称。
  • “meta_fields”: dict[str, Any] 文档的元字段。
  • “chunk_method”: str 应用于文档的解析方法。
    • “naive”: 通用
    • “manual”: 手动
    • “qa”: 问答
    • “table”: 表格
    • “paper”: 论文
    • “book”: 书籍
    • “laws”: 法律
    • “presentation”: 演示文稿
    • “picture”: 图片
    • “one”: 单一
    • “email”: 邮件
  • “parser_config”: dict[str, Any] 文档的解析配置。其属性根据所选的 “chunk_method” 而有所不同:
    • “chunk_method”=“naive”: {“chunk_token_num”:128,“delimiter”:“\n”,“html4excel”:False,“layout_recognize”:True,“raptor”:{“use_raptor”:False}}
    • chunk_method=“qa”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“manuel”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“table”: None
    • chunk_method=“paper”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“book”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“laws”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“presentation”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“picture”: None
    • chunk_method=“one”: None
    • chunk_method=“knowledge-graph”: {“chunk_token_num”:128,“delimiter”:“\n”,“entity_types”:[“organization”,“person”,“location”,“event”,“time”]}
    • chunk_method=“email”: None
返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets(id='id') dataset = dataset[0] doc = dataset.list_documents(id="wdfxb5t547d") doc = doc[0] doc.update([{"parser_config":{"chunk_token_num":256}},{"chunk_method":"manual"}])

下载文档

Document.download()->bytes

下载当前文档。

返回值

以字节形式返回下载的文档。

示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets(id="id") dataset = dataset[0] doc = dataset.list_documents(id="wdfxb5t547d") doc = doc[0]open("~/ragflow.txt","wb+").write(doc.download())print(doc)

列出文档

Dataset.list_documents(id:str=None, keywords:str=None, page:int=1, page_size:int=30, order_by:str="create_time", desc:bool=True, create_time_from:int=0, create_time_to:int=0)->list[Document]

列出当前数据集中的文档。

参数
id: str

要检索的文档的 ID。默认为 None。

keywords: str

用于匹配文档标题的关键词。默认为 None。

page: int

指定显示文档的页码。默认为 1。

page_size: int

每页的最大文档数量。默认为 30。

orderby: str

文档应按哪个字段排序。可用选项:

  • “create_time” (默认)
  • “update_time”
desc: bool

指示检索到的文档是否应按降序排序。默认为 True。

create_time_from: int

用于过滤在此时间之后创建的文档的 Unix 时间戳。0 表示无过滤。默认为 0。

create_time_to: int

用于过滤在此时间之前创建的文档的 Unix 时间戳。0 表示无过滤。默认为 0。

返回值
  • 成功: Document 对象列表。
  • 失败: 异常。

Document 对象包含以下属性:

  • id: 文档 ID。默认为 “”。
  • name: 文档名称。默认为 “”。
  • thumbnail: 文档的缩略图。默认为 None。
  • dataset_id: 与文档关联的数据集 ID。默认为 None。
  • chunk_method: 分块方法名称。默认为 “naive”。
  • source_type: 文档的源类型。默认为 “local”。
  • type: 文档的类型或类别。默认为 “”。保留供将来使用。
  • created_by: str 文档的创建者。默认为 “”。
  • size: int 文档大小(以字节为单位)。默认为 0。
  • token_count: int 文档中的 token 数量。默认为 0。
  • chunk_count: int 文档中的 chunk 数量。默认为 0。
  • progress: float 当前处理进度(百分比)。默认为 0.0。
  • progress_msg: str 指示当前进度状态的消息。默认为 “”。
  • process_begin_at: datetime 文档处理的开始时间。默认为 None。
  • process_duration: float 处理持续时间(以秒为单位)。默认为 0.0。
  • run: str 文档的处理状态:
    • “UNSTART” (默认)
    • “RUNNING”
    • “CANCEL”
    • “DONE”
    • “FAIL”
  • status: str 保留供将来使用。
  • parser_config: ParserConfig 解析器的配置对象。其属性根据所选的 chunk_method 而有所不同:
    • chunk_method=“naive”: {“chunk_token_num”:128,“delimiter”:“\n”,“html4excel”:False,“layout_recognize”:True,“raptor”:{“use_raptor”:False}}
    • chunk_method=“qa”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“manuel”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“table”: None
    • chunk_method=“paper”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“book”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“laws”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“presentation”: {“raptor”: {“use_raptor”: False}}
    • chunk_method=“picure”: None
    • chunk_method=“one”: None
    • chunk_method=“email”: None
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.create_dataset(name="kb_1") filename1 ="~/ragflow.txt" blob =open(filename1 ,"rb").read() dataset.upload_documents([{"name":filename1,"blob":blob}])for doc in dataset.list_documents(keywords="rag", page=0, page_size=12):print(doc)

删除文档

DataSet.delete_documents(ids:list[str]=None)

按 ID 删除文档。

参数
ids: list[list]

要删除的文档的 ID。默认为 None。如果未指定,数据集中的所有文档都将被删除。

返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets(name="kb_1") dataset = dataset[0] dataset.delete_documents(ids=["id_1","id_2"])

解析文档

DataSet.async_parse_documents(document_ids:list[str])->None

解析当前数据集中的文档。

参数
document_ids: list[str], 必需

要解析的文档的 ID。

返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.create_dataset(name="dataset_name") documents =[{'display_name':'test1.txt','blob':open('./test_data/test1.txt',"rb").read()},{'display_name':'test2.txt','blob':open('./test_data/test2.txt',"rb").read()},{'display_name':'test3.txt','blob':open('./test_data/test3.txt',"rb").read()}] dataset.upload_documents(documents) documents = dataset.list_documents(keywords="test") ids =[]for document in documents: ids.append(document.id) dataset.async_parse_documents(ids)print("Async bulk parsing initiated.")

解析文档(带文档状态)

DataSet.parse_documents(document_ids:list[str])->list[tuple[str,str,int,int]]

异步解析当前数据集中的文档。

此方法封装了 async_parse_documents()。它等待所有解析任务完成后再返回详细结果,包括每个文档的解析状态和统计信息。如果发生键盘中断(例如 Ctrl+C),所有待处理的解析任务将被优雅地取消。

参数
document_ids: list[str], 必需

要解析的文档的 ID。

返回值

包含详细解析结果的元组列表:

[(document_id:str, status:str, chunk_count:int, token_count:int),...]
  • status: 最终解析状态(例如,success、failed、cancelled)。
  • chunk_count: 从文档创建的内容块数量。
  • token_count: 处理的 token 总数。
示例
rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.create_dataset(name="dataset_name") documents = dataset.list_documents(keywords="test") ids =[doc.idfor doc in documents]try: finished = dataset.parse_documents(ids)for doc_id, status, chunk_count, token_count in finished:print(f"Document {doc_id} parsing finished with status: {status}, chunks: {chunk_count}, tokens: {token_count}")except KeyboardInterrupt:print("\nParsing interrupted by user. All pending tasks have been cancelled.")except Exception as e:print(f"Parsing failed: {e}")

停止解析文档

DataSet.async_cancel_parse_documents(document_ids:list[str])->None

停止解析指定的文档。

参数
document_ids: list[str], 必需

应停止解析的文档的 ID。

返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.create_dataset(name="dataset_name") documents =[{'display_name':'test1.txt','blob':open('./test_data/test1.txt',"rb").read()},{'display_name':'test2.txt','blob':open('./test_data/test2.txt',"rb").read()},{'display_name':'test3.txt','blob':open('./test_data/test3.txt',"rb").read()}] dataset.upload_documents(documents) documents = dataset.list_documents(keywords="test") ids =[]for document in documents: ids.append(document.id) dataset.async_parse_documents(ids)print("Async bulk parsing initiated.") dataset.async_cancel_parse_documents(ids)print("Async bulk parsing cancelled.")

数据集内的 Chunk 管理

添加 chunk

Document.add_chunk(content:str, important_keywords:list[str]=[])-> Chunk

向当前文档添加一个 chunk。

参数
content: str, 必需

chunk 的文本内容。

important_keywords: list[str]

要标记到 chunk 的关键术语或短语。

返回值
  • 成功: 一个 Chunk 对象。
  • 失败: 异常。

Chunk 对象包含以下属性:

  • id: str: chunk ID。
  • content: str chunk 的文本内容。
  • important_keywords: list[str] 标记到 chunk 的关键术语或短语列表。
  • create_time: str chunk 创建(添加到文档)的时间。
  • create_timestamp: float 表示 chunk 创建时间的时间戳,以自 1970 年 1 月 1 日以来的秒数表示。
  • dataset_id: str 关联数据集的 ID。
  • document_name: str 关联文档的名称。
  • document_id: str 关联文档的 ID。
  • available: bool chunk 在数据集中的可用性状态。值选项:
    • False: 不可用
    • True: 可用 (默认)
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") datasets = rag_object.list_datasets(id="123") dataset = datasets[0] doc = dataset.list_documents(id="wdfxb5t547d") doc = doc[0] chunk = doc.add_chunk(content="xxxxxxx")

列出 chunks

Document.list_chunks(keywords:str=None, page:int=1, page_size:int=30,id:str=None)->list[Chunk]

列出当前文档中的 chunks。

参数
keywords: str

用于匹配 chunk 内容的关键词。默认为 None。

page: int

指定显示 chunks 的页码。默认为 1。

page_size: int

每页的最大 chunk 数量。默认为 30。

id: str

要检索的 chunk 的 ID。默认: None。

返回值
  • 成功: Chunk 对象列表。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets("123") dataset = dataset[0] docs = dataset.list_documents(keywords="test", page=1, page_size=12)for chunk in docs[0].list_chunks(keywords="rag", page=0, page_size=12):print(chunk)

删除 chunks

Document.delete_chunks(chunk_ids:list[str])

按 ID 删除 chunks。

参数
chunk_ids: list[str]

要删除的 chunks 的 ID。默认为 None。如果未指定,当前文档的所有 chunks 都将被删除。

返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets(id="123") dataset = dataset[0] doc = dataset.list_documents(id="wdfxb5t547d") doc = doc[0] chunk = doc.add_chunk(content="xxxxxxx") doc.delete_chunks(["id_1","id_2"])

更新 chunk

Chunk.update(update_message:dict)

更新当前 chunk 的内容或配置。

参数
update_message: dict[str, str|list[str]|int] 必需

表示要更新的属性的字典,具有以下键:

  • “content”: str chunk 的文本内容。
  • “important_keywords”: list[str] 要标记到 chunk 的关键术语或短语列表。
  • “available”: bool chunk 在数据集中的可用性状态。值选项:
    • False: 不可用
    • True: 可用 (默认)
返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets(id="123") dataset = dataset[0] doc = dataset.list_documents(id="wdfxb5t547d") doc = doc[0] chunk = doc.add_chunk(content="xxxxxxx") chunk.update({"content":"sdfx..."})

检索 chunks

RAGFlow.retrieve(question:str="", dataset_ids:list[str]=None, document_ids=list[str]=None, page:int=1, page_size:int=30, similarity_threshold:float=0.2, vector_similarity_weight:float=0.3, top_k:int=1024,rerank_id:str=None,keyword:bool=False,cross_languages:list[str]=None,metadata_condition:dict=None)->list[Chunk]

从指定的数据集中检索 chunks。

参数
question: str, 必需

用户查询或查询关键词。默认为 “”。

dataset_ids: list[str], 必需

要搜索的数据集的 ID。默认为 None。

document_ids: list[str]

要搜索的文档的 ID。默认为 None。您必须确保所有选定的文档使用相同的嵌入模型。否则,将发生错误。

page: int

要检索的文档的起始索引。默认为 1。

page_size: int

要检索的最大 chunk 数量。默认为 30。

Similarity_threshold: float

最小相似度分数。默认为 0.2。

vector_similarity_weight: float

向量余弦相似度的权重。默认为 0.3。如果 x 表示向量余弦相似度,则 (1 - x) 是术语相似度权重。

top_k: int

参与向量余弦计算的 chunk 数量。默认为 1024。

rerank_id: str

重排序模型的 ID。默认为 None。

keyword: bool

指示是否启用基于关键词的匹配:

  • True: 启用基于关键词的匹配。
  • False: 禁用基于关键词的匹配(默认)。
cross_languages: list[string]

应该翻译成的语言,以便在不同语言中实现关键词检索。

metadata_condition: dict

meta_fields 的过滤条件。

返回值
  • 成功: 表示文档 chunks 的 Chunk 对象列表。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") dataset = rag_object.list_datasets(name="ragflow") dataset = dataset[0] name ='ragflow_test.txt' path ='./test_data/ragflow_test.txt' documents =[{"display_name":"test_retrieve_chunks.txt","blob":open(path,"rb").read()}] docs = dataset.upload_documents(documents) doc = docs[0] doc.add_chunk(content="This is a chunk addition test")for c in rag_object.retrieve(dataset_ids=[dataset.id],document_ids=[doc.id]):print(c)

聊天助手管理

创建聊天助手

RAGFlow.create_chat( name:str, avatar:str="", dataset_ids:list[str]=[], llm: Chat.LLM =None, prompt: Chat.Prompt =None)-> Chat

创建一个聊天助手。

参数
name: str, 必需

聊天助手的名称。

avatar: str

头像的 Base64 编码。默认为 “”。

dataset_ids: list[str]

关联数据集的 ID。默认为 [“”]。

llm: Chat.LLM

要创建的聊天助手的 LLM 设置。默认为 None。当值为 None 时,将生成具有以下值的字典作为默认值。LLM 对象包含以下属性:

  • model_name: str 聊天模型名称。如果为 None,将使用用户的默认聊天模型。
  • temperature: float 控制模型预测的随机性。较低的温度会产生更保守的响应,而较高的温度会产生更有创意和多样化的响应。默认为 0.1。
  • top_p: float 也称为"核采样",此参数设置一个阈值以从较小的词集中进行采样。它专注于最可能的词,切断不太可能的词。默认为 0.3。
  • presence_penalty: float 这通过惩罚对话中已经出现的词来阻止模型重复相同的信息。默认为 0.2。
  • frequency penalty: float 与存在惩罚类似,这减少了模型频繁重复相同词的倾向。默认为 0.7。
prompt: Chat.Prompt

LLM 要遵循的指令。Prompt 对象包含以下属性:

  • similarity_threshold: float RAGFlow 在检索期间采用加权关键词相似度和加权向量余弦相似度的组合,或加权关键词相似度和加权重排序分数的组合。如果相似度分数低于此阈值,相应的 chunk 将从结果中排除。默认值为 0.2。
  • keywords_similarity_weight: float 此参数设置关键词相似度在与向量余弦相似度或重排序模型相似度的混合相似度分数中的权重。通过调整此权重,您可以控制关键词相似度相对于其他相似度度量的影响。默认值为 0.7。
  • top_n: int 此参数指定相似度分数高于 similarity_threshold 且被馈送到 LLM 的前 N 个 chunks 的数量。LLM 将只访问这些"前 N 个" chunks。默认值为 8。
  • variables: list[dict[]] 此参数列出了在聊天配置的"系统"字段中使用的变量。请注意:
    • knowledge 是一个保留变量,它表示检索到的 chunks。
    • "系统"中的所有变量都应该用花括号括起来。
    • 默认值为 [{“key”: “knowledge”, “optional”: True}]。
  • rerank_model: str 如果未指定,将使用向量余弦相似度;否则,将使用重排序分数。默认为 “”。
  • top_k: int 指从列表或集合中根据特定排序标准重新排序或选择前 k 个项目的过程。默认为 1024。
  • empty_response: str 如果在数据集中没有检索到与用户问题相关的内容,这将被用作响应。要允许 LLM 在没有找到任何内容时即兴发挥,请将此项留空。默认为 None。
  • opener: str 对用户的开场问候。默认为 “Hi! I am your assistant, can I help you?”。
  • show_quote: bool 指示是否应显示文本的来源。默认为 True。
  • prompt: str 提示内容。
返回值
  • 成功: 表示聊天助手的 Chat 对象。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") datasets = rag_object.list_datasets(name="kb_1") dataset_ids =[]for dataset in datasets: dataset_ids.append(dataset.id) assistant = rag_object.create_chat("Miss R", dataset_ids=dataset_ids)

更新聊天助手

Chat.update(update_message:dict)

更新当前聊天助手的配置。

参数
update_message: dict[str, str|list[str]|dict[]], 必需

表示要更新的属性的字典,具有以下键:

  • “name”: str 聊天助手的修订名称。
  • “avatar”: str 头像的 Base64 编码。默认为 “”。
  • “dataset_ids”: list[str] 要更新的数据集。
  • “llm”: dict LLM 设置:
    • “model_name”, str 聊天模型名称。
    • “temperature”, float 控制模型预测的随机性。较低的温度会产生更保守的响应,而较高的温度会产生更有创意和多样化的响应。
    • “top_p”, float 也称为"核采样",此参数设置一个阈值以从较小的词集中进行采样。
    • “presence_penalty”, float 这通过惩罚对话中已经出现的词来阻止模型重复相同的信息。
    • “frequency penalty”, float 与存在惩罚类似,这减少了模型频繁重复相同词的倾向。
  • “prompt”: LLM 要遵循的指令。
    • “similarity_threshold”: float RAGFlow 在检索期间采用加权关键词相似度和加权向量余弦相似度的组合,或加权关键词相似度和加权重排序分数的组合。此参数设置用户查询和 chunks 之间相似度的阈值。如果相似度分数低于此阈值,相应的 chunk 将从结果中排除。默认值为 0.2。
    • “keywords_similarity_weight”: float 此参数设置关键词相似度在与向量余弦相似度或重排序模型相似度的混合相似度分数中的权重。通过调整此权重,您可以控制关键词相似度相对于其他相似度度量的影响。默认值为 0.7。
    • “top_n”: int 此参数指定相似度分数高于 similarity_threshold 且被馈送到 LLM 的前 N 个 chunks 的数量。LLM 将只访问这些"前 N 个" chunks。默认值为 8。
    • “variables”: list[dict[]] 此参数列出了在聊天配置的"系统"字段中使用的变量。请注意:
      • knowledge 是一个保留变量,它表示检索到的 chunks。
      • "系统"中的所有变量都应该用花括号括起来。
      • 默认值为 [{“key”: “knowledge”, “optional”: True}]。
    • “rerank_model”: str 如果未指定,将使用向量余弦相似度;否则,将使用重排序分数。默认为 “”。
    • “empty_response”: str 如果在数据集中没有检索到与用户问题相关的内容,这将被用作响应。要允许 LLM 在没有检索到任何内容时即兴发挥,请将此项留空。默认为 None。
    • “opener”: str 对用户的开场问候。默认为 “Hi! I am your assistant, can I help you?”。
    • "show_quote: bool 指示是否应显示文本的来源。默认为 True。
    • “prompt”: str 提示内容。
返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") datasets = rag_object.list_datasets(name="kb_1") dataset_id = datasets[0].id assistant = rag_object.create_chat("Miss R", dataset_ids=[dataset_id]) assistant.update({"name":"Stefan","llm":{"temperature":0.8},"prompt":{"top_n":8}})

删除聊天助手

RAGFlow.delete_chats(ids:list[str]=None)

按 ID 删除聊天助手。

参数
ids: list[str]

要删除的聊天助手的 ID。默认为 None。如果为空或未指定,系统中的所有聊天助手都将被删除。

返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") rag_object.delete_chats(ids=["id_1","id_2"])

列出聊天助手

RAGFlow.list_chats( page:int=1, page_size:int=30, orderby:str="create_time", desc:bool=True,id:str=None, name:str=None)->list[Chat]

列出聊天助手。

参数
page: int

指定显示聊天助手的页码。默认为 1。

page_size: int

每页的聊天助手数量。默认为 30。

orderby: str

结果排序的属性。可用选项:

  • “create_time” (默认)
  • “update_time”
desc: bool

指示检索到的聊天助手是否应按降序排序。默认为 True。

id: str

要检索的聊天助手的 ID。默认为 None。

name: str

要检索的聊天助手的名称。默认为 None。

返回值
  • 成功: Chat 对象列表。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380")for assistant in rag_object.list_chats():print(assistant)

会话管理

使用聊天助手创建会话

Chat.create_session(name:str="New session")-> Session

使用当前聊天助手创建一个会话。

参数
name: str

要创建的聊天会话的名称。

返回值
  • 成功: 包含以下属性的 Session 对象:
    • id: str 创建的会话的自动生成的唯一标识符。
    • name: str 创建的会话的名称。
    • message: list[Message] 创建的会话的开场消息。默认: [{“role”: “assistant”, “content”: “Hi! I am your assistant, can I help you?”}]
    • chat_id: str 关联聊天助手的 ID。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") assistant = rag_object.list_chats(name="Miss R") assistant = assistant[0] session = assistant.create_session()

更新聊天助手的会话

Session.update(update_message:dict)

更新当前聊天助手的当前会话。

参数
update_message: dict[str, Any], 必需

表示要更新的属性的字典,只有一个键:

  • “name”: str 会话的修订名称。
返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") assistant = rag_object.list_chats(name="Miss R") assistant = assistant[0] session = assistant.create_session("session_name") session.update({"name":"updated_name"})

列出聊天助手的会话

Chat.list_sessions( page:int=1, page_size:int=30, orderby:str="create_time", desc:bool=True,id:str=None, name:str=None)->list[Session]

列出与当前聊天助手关联的会话。

参数
page: int

指定显示会话的页码。默认为 1。

page_size: int

每页的会话数量。默认为 30。

orderby: str

会话应按哪个字段排序。可用选项:

  • “create_time” (默认)
  • “update_time”
desc: bool

指示检索到的会话是否应按降序排序。默认为 True。

id: str

要检索的聊天会话的 ID。默认为 None。

name: str

要检索的聊天会话的名称。默认为 None。

返回值
  • 成功: 与当前聊天助手关联的 Session 对象列表。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") assistant = rag_object.list_chats(name="Miss R") assistant = assistant[0]for session in assistant.list_sessions():print(session)

删除聊天助手的会话

Chat.delete_sessions(ids:list[str]=None)

按 ID 删除当前聊天助手的会话。

参数
ids: list[str]

要删除的会话的 ID。默认为 None。如果未指定,与当前聊天助手关联的所有会话都将被删除。

返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") assistant = rag_object.list_chats(name="Miss R") assistant = assistant[0] assistant.delete_sessions(ids=["id_1","id_2"])

与聊天助手对话

Session.ask(question:str="", stream:bool=False,**kwargs)-> Optional[Message,iter[Message]]

向指定的聊天助手提问以开始 AI 驱动的对话。

注意

在流式模式下,并非所有响应都包含引用,因为这取决于系统的判断。

参数
question: str, 必需

开始 AI 驱动对话的问题。默认为 “”。

stream: bool

指示是否以流式方式输出响应:

  • True: 启用流式传输(默认)。
  • False: 禁用流式传输。
**kwargs

prompt(system) 中的参数。

返回值
  • 如果 stream 设置为 False,返回包含问题响应的 Message 对象。
  • 如果 stream 设置为 True,返回包含多个消息对象的迭代器(iter[Message])。

以下显示了 Message 对象的属性:

id: str

自动生成的消息 ID。

content: str

消息的内容。默认为 “Hi! I am your assistant, can I help you?”。

reference: list[Chunk]

表示消息引用的 Chunk 对象列表,每个对象包含以下属性:

  • id str chunk ID。
  • content str chunk 的内容。
  • img_id str chunk 快照的 ID。仅当 chunk 的来源是图像、PPT、PPTX 或 PDF 文件时适用。
  • document_id str 引用文档的 ID。
  • document_name str 引用文档的名称。
  • position list[str] chunk 在引用文档中的位置信息。
  • dataset_id str 引用文档所属数据集的 ID。
  • similarity float chunk 的复合相似度分数,范围从 0 到 1,值越高表示相似度越大。它是 vector_similarity 和 term_similarity 的加权和。
  • vector_similarity float chunk 的向量相似度分数,范围从 0 到 1,值越高表示向量嵌入之间的相似度越大。
  • term_similarity float chunk 的关键词相似度分数,范围从 0 到 1,值越高表示关键词之间的相似度越大。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") assistant = rag_object.list_chats(name="Miss R") assistant = assistant[0] session = assistant.create_session()print("\n==================== Miss R =====================\n")print("Hello. What can I do for you?")whileTrue: question =input("\n==================== User =====================\n> ")print("\n==================== Miss R =====================\n") cont =""for ans in session.ask(question, stream=True):print(ans.content[len(cont):], end='', flush=True) cont = ans.content

使用智能体创建会话

Agent.create_session(**kwargs)-> Session

使用当前智能体创建一个会话。

参数
**kwargs

begin 组件中的参数。

返回值
  • 成功: 包含以下属性的 Session 对象:
    • id: str 创建的会话的自动生成的唯一标识符。
    • message: list[Message] 创建的会话助手的消息。默认: [{“role”: “assistant”, “content”: “Hi! I am your assistant, can I help you?”}]
    • agent_id: str 关联智能体的 ID。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow, Agent rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") agent_id ="AGENT_ID" agent = rag_object.list_agents(id= agent_id)[0] session = agent.create_session()

与智能体对话

Session.ask(question:str="", stream:bool=False)-> Optional[Message,iter[Message]]

向指定的智能体提问以开始 AI 驱动的对话。

注意

在流式模式下,并非所有响应都包含引用,因为这取决于系统的判断。

参数
question: str

开始 AI 驱动对话的问题。如果 Begin 组件接受参数,则不需要问题。

stream: bool

指示是否以流式方式输出响应:

  • True: 启用流式传输(默认)。
  • False: 禁用流式传输。
返回值
  • 如果 stream 设置为 False,返回包含问题响应的 Message 对象。
  • 如果 stream 设置为 True,返回包含多个消息对象的迭代器(iter[Message])。

以下显示了 Message 对象的属性:

id: str

自动生成的消息 ID。

content: str

消息的内容。默认为 “Hi! I am your assistant, can I help you?”。

reference: list[Chunk]

表示消息引用的 Chunk 对象列表,每个对象包含以下属性:

  • id str chunk ID。
  • content str chunk 的内容。
  • image_id str chunk 快照的 ID。仅当 chunk 的来源是图像、PPT、PPTX 或 PDF 文件时适用。
  • document_id str 引用文档的 ID。
  • document_name str 引用文档的名称。
  • position list[str] chunk 在引用文档中的位置信息。
  • dataset_id str 引用文档所属数据集的 ID。
  • similarity float chunk 的复合相似度分数,范围从 0 到 1,值越高表示相似度越大。它是 vector_similarity 和 term_similarity 的加权和。
  • vector_similarity float chunk 的向量相似度分数,范围从 0 到 1,值越高表示向量嵌入之间的相似度越大。
  • term_similarity float chunk 的关键词相似度分数,范围从 0 到 1,值越高表示关键词之间的相似度越大。
示例
from ragflow_sdk import RAGFlow, Agent rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") AGENT_id ="AGENT_ID" agent = rag_object.list_agents(id= AGENT_id)[0] session = agent.create_session()print("\n===== Miss R ====\n")print("Hello. What can I do for you?")whileTrue: question =input("\n===== User ====\n> ")print("\n==== Miss R ====\n") cont =""for ans in session.ask(question, stream=True):print(ans.content[len(cont):], end='', flush=True) cont = ans.content

列出智能体会话

Agent.list_sessions( page:int=1, page_size:int=30, orderby:str="update_time", desc:bool=True,id:str=None)-> List[Session]

列出与当前智能体关联的会话。

参数
page: int

指定显示会话的页码。默认为 1。

page_size: int

每页的会话数量。默认为 30。

orderby: str

会话应按哪个字段排序。可用选项:

  • “create_time”
  • “update_time”(默认)
desc: bool

指示检索到的会话是否应按降序排序。默认为 True。

id: str

要检索的智能体会话的 ID。默认为 None。

返回值
  • 成功: 与当前智能体关联的 Session 对象列表。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") AGENT_id ="AGENT_ID" agent = rag_object.list_agents(id= AGENT_id)[0] sessons = agent.list_sessions()for session in sessions:print(session)

删除智能体的会话

Agent.delete_sessions(ids:list[str]=None)

按 ID 删除智能体的会话。

参数
ids: list[str]

要删除的会话的 ID。默认为 None。如果未指定,与智能体关联的所有会话都将被删除。

返回值
  • 成功: 不返回任何值。
  • 失败: 异常
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") AGENT_id ="AGENT_ID" agent = rag_object.list_agents(id= AGENT_id)[0] agent.delete_sessions(ids=["id_1","id_2"])

智能体管理

列出智能体

RAGFlow.list_agents( page:int=1, page_size:int=30, orderby:str="create_time", desc:bool=True,id:str=None, title:str=None)-> List[Agent]

列出智能体。

参数
page: int

指定显示智能体的页码。默认为 1。

page_size: int

每页的智能体数量。默认为 30。

orderby: str

结果排序的属性。可用选项:

  • “create_time” (默认)
  • “update_time”
desc: bool

指示检索到的智能体是否应按降序排序。默认为 True。

id: str

要检索的智能体的 ID。默认为 None。

name: str

要检索的智能体的名称。默认为 None。

返回值
  • 成功: Agent 对象列表。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380")for agent in rag_object.list_agents():print(agent)

创建智能体

RAGFlow.create_agent( title:str, dsl:dict, description:str|None=None)->None

创建一个智能体。

参数
title: str

指定智能体的标题。

dsl: dict

指定智能体的画布 DSL。

description: str

智能体的描述。默认为 None。

返回值
  • 成功: 无。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") rag_object.create_agent( title="Test Agent", description="A test agent", dsl={# ... canvas DSL here ...})

更新智能体

RAGFlow.update_agent( agent_id:str, title:str|None=None, description:str|None=None, dsl:dict|None=None)->None

更新一个智能体。

参数
agent_id: str

指定要更新的智能体的 ID。

title: str

指定智能体的新标题。如果您不想更新此项,则为 None。

dsl: dict

指定智能体的新画布 DSL。如果您不想更新此项,则为 None。

description: str

智能体的新描述。如果您不想更新此项,则为 None。

返回值
  • 成功: 无。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") rag_object.update_agent( agent_id="58af890a2a8911f0a71a11b922ed82d6", title="Test Agent", description="A test agent", dsl={# ... canvas DSL here ...})

删除智能体

RAGFlow.delete_agent( agent_id:str)->None

删除一个智能体。

参数
agent_id: str

指定要删除的智能体的 ID。

返回值
  • 成功: 无。
  • 失败: 异常。
示例
from ragflow_sdk import RAGFlow rag_object = RAGFlow(api_key="<YOUR_API_KEY>", base_url="http://<YOUR_BASE_URL>:9380") rag_object.delete_agent("58af890a2a8911f0a71a11b922ed82d6")

版权所有 © 2025 InfiniFlow.

Read more

Agent模式与框架——Claude Agent Teams 架构解读

1. 主要解决了什么问题？ 文章主要解决的是 多智能体（Multi-Agent）协作的工程化落地问题，而非简单的"并行提速"。 具体来说，它解决了以下痛点： * 分工边界不清：多个AI实例同时工作时，容易出现任务重叠或冲突 * 上下文隔离：每个Agent拥有独立上下文，信息无法自动共享，需要显式传递 * 协作机制缺失：单纯启动多个Claude实例不等于"团队协作"，需要明确的消息系统、任务列表和验收标准 * 集成与验证困难：多个Agent的产出如何合并成一个可用的整体 * 成本与风险控制：并行带来的Token消耗爆炸、错误扩散等问题 核心洞察：真正的门槛不是"能不能并行"，而是"会不会协作"——多Agent协作需要被显式设计，而不是"开了就能用"。 2. 提出了什么解决方案？ 文章提出了 “默认串行，显式协作”

By Ne0inhk
理解 Stage 模型 —— HarmonyOS 应用架构新标准

理解 Stage 模型 —— HarmonyOS 应用架构新标准

个人主页：ujainu 文章目录 * 引言：为什么必须掌握 Stage 模型？ * 一、Stage 模型 vs FA 模型：架构演进之路 * 1. FA 模型（已废弃） * 2. Stage 模型（现代标准） * 二、Stage 模型三大核心概念 * 1. UIAbility：应用的能力入口 * 2. WindowStage：窗口管理中枢 * 3. Context：上下文获取桥梁 * 三、项目结构文件详解（Stage 模型专属） * 1. `main_pages.json`：页面路由清单 * 2. `module.json5`：模块级配置（核心！） * 3. `build-profile.

By Ne0inhk
Spring Boot 数据仓库与ETL工具集成

Spring Boot 数据仓库与ETL工具集成

Spring Boot 数据仓库与ETL工具集成 26.1 学习目标与重点提示 学习目标：掌握Spring Boot数据仓库与ETL工具集成的核心概念与使用方法，包括数据仓库的定义与特点、ETL工具的定义与特点、Spring Boot与数据仓库的集成、Spring Boot与ETL工具的集成、Spring Boot的实际应用场景，学会在实际开发中处理数据仓库与ETL工具集成问题。 重点：数据仓库的定义与特点、ETL工具的定义与特点、Spring Boot与数据仓库的集成、Spring Boot与ETL工具的集成、Spring Boot的实际应用场景。 26.2 数据仓库与ETL工具概述 数据仓库与ETL工具是Java开发中的重要组件。 26.2.1 数据仓库的定义 定义：数据仓库是一种用于存储和管理大量结构化数据的数据库系统，用于支持企业级数据分析和决策。 作用： * 提供统一的数据存储。 * 支持复杂的数据分析。 * 提高决策效率。 常见的数据仓库： * Apache Hive：Apache Hive是一种基于Hadoop的数据仓库工具。 * Apache

By Ne0inhk
Spring Boot 部署优化：打包体积缩小 80% 的秘诀

Spring Boot 部署优化：打包体积缩小 80% 的秘诀

✨道路是曲折的，前途是光明的！ 📝 专注C/C++、Linux编程与人工智能领域，分享学习笔记！ 🌟 感谢各位小伙伴的长期陪伴与支持，欢迎文末添加好友一起交流！ 在微服务架构盛行的今天，Spring Boot 应用的打包体积直接影响着部署效率和资源成本。本文将分享如何通过一系列优化手段，将一个典型 Spring Boot 应用的打包体积从 150MB 缩减至 30MB，缩减幅度达 80%。 目录 * 问题背景 * 体积分析 * 优化策略 * 实战演示 * 效果对比 * 最佳实践 问题背景 典型场景 假设我们有一个标准的 Spring Boot Web 应用，包含以下依赖： # 项目依赖概览dependencies:- spring-boot-starter-web - spring-boot-starter-data-jpa - spring-boot-starter-security - spring-boot-starter-validation - mysql-connector-java - lombok

By Ne0inhk