RAGFlow 0.24.0全新Memory API、RAG与Agent增强

RAGFlow 0.24.0 版本围绕 Memory、Agent 与知识库三大模块推出三项核心升级，旨在让开发者搭建智能体应用时更流畅、更高效。以下逐项拆解这次更新的实质改进。

关键变化速览：Memory 不再是黑箱，控制台直接开放提取日志与状态追踪，并补齐 HTTP API 与 Python SDK；Agent 终于获得完整的会话界面，点击 Launch 即可查阅历史记录，测试与调试效率大幅提升；知识库方面，Metadata 支持批量管理，配置时的交互体验也更直观。此外，新增 Thinking 模式、多管理员支持，以及 OceanBase 与 PaddleOCR-VL 等生态扩展。

总览

RAGFlow 0.24.0 围绕 Memory、RAG 与 Agent 三大方向做了系列改进，主要包括：

• Memory：控制台新增提取状态与完整日志，每一步操作均可追溯；同时开放 HTTP API 与 Python SDK 两种集成方式。
• Agent：新增会话管理功能，点击 Launch 按钮即可进入类似 Chat 应用的会话界面，历史记录自动保留。
• 知识库：支持多文件 Metadata 批量管理，配置 Metadata 筛选逻辑时改为下拉选择，交互更直观。

下面逐一介绍这些特性。

Memory

展示 Memory 提取日志

这次更新后，Memory 控制台彻底告别黑箱——新增提取状态与完整日志展示。每次对 Memory 的读取和写入操作，开发者都能清晰追踪，系统可观测性直接跃升了一个层级。

提供 API 与 SDK

为降低集成门槛，Memory 新增 RESTful API 与 Python SDK 两种调用方式。通过这些接口，开发者可以全面管理记忆单元，涵盖：

• 增删改查：创建、查询、更新或删除记忆项，修改启用/禁用状态，遗忘不需要的条目。
• 会话管理：按会话组织并检索关联记忆。
• 智能检索：基于关键词与语义相似度快速定位特定记忆。

开发 Agent 应用时，可快速将 Memory 接入流程。具体调用方法与参数说明请参考 HTTP API 文档及 SDK 文档。

Agent 新增会话界面

此前，使用 RAGFlow 的 Agent 只有两条路：自建前端对接 API，或者通过嵌入页面发布。前者灵活但需要前端开发成本，后者门槛虽低，却有个硬伤——不保留历史聊天记录，也无法找回之前的会话。

这个缺口在 0.24.0 中被完美补齐。点击 Agent 页面顶部的 Launch 按钮，会进入一个与 Chat 应用类似的会话界面。

在这个界面中，所有会话与历史聊天记录一目了然：

Metadata 批量管理

之前版本中，维护 Metadata 是一件繁琐的体力活。

0.24.0 引入批量管理：多选文件后，可一次性自动抽取所有文档的 Metadata。此外，单文件界面也支持批量删除 Metadata。

在 Chat 应用配置 Metadata 筛选逻辑时，过去需要手动输入筛选值，现在改为下拉筛选框，配置过程直观许多。这些改进让开发者能更高效地利用 Metadata，对知识库实施更精细的数据治理。

支持 Thinking 模式

Chat 应用新增 Thinking 模式，替换了之前配置中的 Reasoning 开关。底层算法针对深度调研（Deep research）场景优化了检索策略，进一步提升了召回精准度。

Admin 支持多管理员

以往版本中，超级用户权限默认集中在 admin@ragflow.io 这一个账户上。个人使用没问题，但在企业环境中，单点超管往往带来权限集中与运维瓶颈。

这次更新后，RAGFlow 支持为多名用户授予 Superuser 权限，不再局限于单一超管账户，团队协作更加灵活。

写在最后

除上述特性外，0.24.0 版本在生态方面也迎来重要更新：新增对 OceanBase 作为主数据库的支持，可替代 MySQL；同时新增支持 PaddleOCR-VL，进一步强化多模态文档的处理能力。后续版本中，RAGFlow 将围绕上下文引擎的关键特性持续迭代，并不断增强 Agent 能力，尤其是 Skills 配套。祝大家马年新春快乐！