核心用法
RAGFlow Skill是一款面向开源RAG平台RAGFlow的完整操作工具，基于Node.js CLI封装v0.25.1版本REST API。用户通过node scripts/ragflow.js <command>执行所有操作，支持--json输出便于链式处理。
功能覆盖：
- 知识库生命周期：数据集创建、配置、删除；文档上传、元数据管理、批量删除
- 解析与分块：支持Naive、Manual、Q&A等多种分块策略，提供解析状态监控(
wait-parsing)、手动分块增删改查 - 检索与对话：直接检索(
retrieve)、对话助手管理、多轮会话、Agent编排与执行 - 嵌入式集成：生成iframe代码、系统Token管理、外部网站嵌入对话
- 系统运维：模型发现(
list-models)、日志级别调整、版本查询
典型工作流：
1. 知识库搭建：create-dataset → upload-documents → start-parsing → wait-parsing
2. 对话应用：create-chat → create-session → chat-session
3. Agent开发：create-agent → create-agent-session → agent-chat
显著优点
- API完整覆盖：封装RAGFlow v0.25.1全部端点，包括实验性的Agent DSL和嵌入式共享站点API
- 生产级细节：自动处理分块删除重试、嵌入Token复用/自动创建、Session自举等边界情况
- 多模式嵌入：支持fullscreen/widget两种嵌入形态，自动生成iframe代码
- 安全输出控制：默认脱敏系统Token和auth参数，符合密钥管理最佳实践
- 工作流导向：按场景组织命令，提供决策指南快速定位参考文档
潜在局限
- 版本锁定：严格绑定RAGFlow v0.25.1，API路由变更需技能同步更新
- Node环境依赖：要求运行时具备Node.js，无法纯Shell执行
- Token管理复杂度：嵌入式访问涉及
system-token和beta参数，多租户场景需手动协调 - 解析非自动化：上传后需显式调用
start-parsing，新手易遗漏步骤 - Agent DSL学习成本：手写Agent需理解components/graph/history等概念，文档虽完备但门槛较高
适合人群
- 企业知识库管理员：需批量管理文档、监控解析状态、维护多数据集
- RAG应用开发者：构建对话助手、调试检索策略、集成嵌入对话到现有站点
- Agent工程师：使用RAGFlow Agent DSL编排复杂多步骤推理工作流
- DevOps/平台运维：管理RAGFlow实例配置、模型发现、日志诊断
常规风险
- 数据删除不可逆：
delete-datasets/documents/chunks等操作立即生效无回收站，脚本已强制确认交互 - 密钥泄露风险：
RAGFLOW_API_KEY和system-token具有高权限，建议配合环境变量加密或密钥管理服务 - 嵌入Token累积：自动创建的
betaToken若未清理可能导致权限扩散，需定期list-system-tokens审计 - 版本兼容性：使用非v0.25.1的RAGFlow服务端可能出现路由匹配失败或字段缺失
- 资源竞争：分块删除在高并发场景下可能出现
expect N不一致，虽已内置重试但仍需关注大文档操作