RAGFlow 0.24.0 正式发布，三大核心升级助力智能应用开发更高效、更顺手。本次更新围绕 Memory、Agent 与知识库进行了大量实质性改进，下面逐一拆解核心亮点。

先看几个关键变化：Memory 终于不再是黑盒——控制台直接展示提取日志与状态，并新增 HTTP API 和 Python SDK；Agent 现在拥有完整的会话界面，点击 Launch 即可查看历史记录，测试与调试更加便捷；知识库方面，Metadata 支持批量管理，配置交互体验也更加流畅。此外，还有 Thinking 模式、多管理员支持，以及 OceanBase 和 PaddleOCR-VL 等生态扩展。

总览

RAGFlow 0.24.0 围绕 Memory、RAG、Agent 进行了一系列改进，主要包括：

• Memory：控制台新增提取状态与日志，每一步操作都可追溯；同时提供 HTTP API 和 Python SDK。
• Agent：新增会话管理，点击 Launch 按钮进入聊天界面，历史记录自动保存。
• 知识库：支持多文件 Metadata 批量管理，应用配置时 Metadata 的交互体验也得到优化。

下面逐一介绍这些特性。

Memory

展示 Memory 提取日志

这一次，Memory 控制台终于不再是黑盒——它新增了提取状态与完整日志展示。每次对 Memory 的读写操作，开发者都能看得一清二楚，系统的可观测性直接提升了一个档次。

提供 API 与 SDK

为方便集成，Memory 新增了 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 Memory，包括：

• 增删改查：创建、查询、更新或删除记忆条目，修改启用/禁用状态，遗忘不需要的条目。
• 会话管理：按会话组织并检索相关记忆。
• 智能检索：基于关键词和语义相似度快速定位记忆。

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

Agent 新增会话界面

过去，使用 RAGFlow 的 Agent 有两种方式：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，后者门槛低，却有一个硬伤——不保留历史聊天记录，也找不到之前的会话。

这次更新完美补上了这个缺口。点击 Agent 页面顶部的 Launch 按钮，会进入一个和 Chat 应用类似的会话界面。

在这个界面里，所有会话和历史聊天记录一清二楚：

Metadata 批量管理

之前版本中，维护 Metadata 是一项繁琐的体力活。

0.24.0 支持了批量管理：多选文件后，可同时自动抽取所有文档的 Metadata。另外，单个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，现在改成了下拉筛选框，配置起来直观多了。这些更新让开发者能更好地利用 Metadata，对知识库进行更精细的数据治理。

支持 Thinking 模式

Chat 应用引入了 Thinking 模式，替代了之前配置中的 Reasoning 开关。底层算法针对 Deep research 场景优化了检索策略，进一步提升了召回的精准度。

Admin 支持多管理员

以往的版本中，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，但在企业环境里，单点超管往往意味着权限集中和运维瓶颈。

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

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，进一步增强了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迭代，并持续增强 Agent 能力，特别是 Skills 配套。祝大家马年新春快乐！