Uploads

Flowise允许您从聊天中上传图片、音频和其他文件。在本节中，您将学习如何启用和使用这些功能。

图片

某些聊天模型允许输入图像。请务必查阅大型语言模型（LLM）的官方文档，以确认该模型是否支持图像输入。

{% 提示样式="警告" %} 在Chatflow中，图像处理仅适用于特定的流程链/智能体。

LLMChain、对话链、ReAct智能体、会话智能体、工具智能体 {% 结束提示 %}

如果您启用允许上传图片，则可以从聊天界面上传图片。

使用API上传图片：

选项卡

python 导入requests库 API_URL = "http://localhost:3000/api/v1/prediction/"

定义查询函数（query）： response = requests.post(API_URL, json=payload) 返回响应的JSON格式数据

输出 = 查询({ “问题”：“你能描述一下这张图片吗？”， "uploads": [ { "data": "data:image/png;base64,iVBORw0KGgdM2uN0", # base64字符串或URL "type": "file", # 文件 | 网址 "name": "Flowise.png",， "mime"： "image/png" } ] })

{% endtab %}

{% tab title="Javascript" %}
```javascript

/// 译文内容：
---
根据上面的信息，执行如下指令：
缺失译文，请检查输入
异步函数 query(data) {
    const response = await fetch(
        "http://localhost:3000/api/v1/prediction/<chatflowid>"，
        {
            方法："POST"，
            headers: {
                "Content-Type": "application/json"
            },
            正文：JSON.stringify(数据)
        }
    );
    const result = await response.json();；
    返回结果；
}

查询（{
    “问题”：“你能描述一下这张图片吗？”，
    "uploads": [
        {
            "data": "data:image/png;base64,iVBORw0KGgdM2uN0", //base64字符串或URL
            "type": "file", // 文件 | 网址
            "name": "Flowise.png",，
            "mime"： "image/png"
        }
    ]
}).then((response) => {
    控制台输出（console.log）响应内容；
});

{% endtab %} {% endtabs %}

音频

在聊天流程配置中，您可以选择一个语音转文本模块。支持的集成包括：

OpenAI
AssemblyAI
LocalAI

启用此功能后，用户可以直接对着麦克风说话。他们的语音将被转录成文本。

使用API上传音频：

{% 标签 %} {% tab title="Python" %} python 导入requests库 API_URL = "http://localhost:3000/api/v1/prediction/"

定义查询函数（payload）： response = requests.post(API_URL, json=payload) 返回响应的JSON格式数据

输出 = 查询({ "uploads": [ { "data": "data:audio/webm;codecs=opus;base64,GkXf", # base64字符串 "type": "音频",， "name": "audio.wav",， "mime": "audio/webm" } ] })


</div>

<div data-gb-custom-block data-tag="tab" data-title='Javascript'>

```javascript

/// 译文内容：
---
根据上面的信息，执行如下指令：
缺失译文，请检查输入
异步函数 query(data) {
    const response = await fetch(
        "http://localhost:3000/api/v1/prediction/<chatflowid>"，
        {
            方法："POST"，
            headers: {
                "Content-Type": "application/json"
            },
            正文：JSON.stringify(数据)
        }
    );
    const result = await response.json();；
    返回结果；
}

查询（{
    "uploads": [
        {
            "data": "data:audio/webm;codecs=opus;base64,GkXf", // base64字符串
            "type": "音频",，
            "name": "audio.wav",，
            "mime"： "audio/webm"
        }
    ]
}).then((response) => {
    控制台输出（console.log）响应内容；
});

文件

您可以通过两种方式上传文件：

检索增强生成（RAG）文件上传
完整文件上传

当两个选项都启用时，完整文件上传将优先进行。

RAG文件上传

您可以将上传的文件即时更新到矢量存储中。要启用文件上传功能，请确保满足以下先决条件：

你必须在聊天流程中包含一个支持文件上传的向量存储。
如果在聊天流程中有多个向量存储，则一次只能为一个向量存储启用文件上传功能。
您必须至少将一个文档加载器节点连接到向量存储的文档输入端。
支持的文档加载器：

您可以在聊天中上传一个或多个文件：

其工作原理如下：

上传文件的元数据会使用chatId进行更新。
这会将文件与chatId相关联。
在查询时，会应用一个**或（OR）**过滤器：

元数据包含flowise_chatId，其值为当前的聊天会话ID
元数据中不包含flowise_chatId

Pinecone上更新向量嵌入的一个示例：

要使用API完成此操作，请遵循以下两个步骤：

使用带有formData和chatId的Vector Upsert API：

选项卡

python 导入requests库

API_URL = "http://localhost:3000/api/v1/vector/upsert/"

使用表单数据上传文件

表单数据 = { "files": ("state_of_the_union.txt", open("state_of_the_union.txt", "rb")) }

body_data = { "chatId": "某个会话ID" }

定义一个函数query，接收表单数据form_data作为参数： response = requests.post(API_URL, files=form_data, data=body_data) 打印（响应）返回响应的JSON格式数据

输出 = 查询(表单数据) 输出结果打印

{% endtab %}

{% tab title="Javascript" %}
```javascript

/// 译文内容：
---
根据上面的信息，执行如下指令：
缺失译文，请检查输入
// 使用FormData来上传文件
让 formData 成为一个新的 FormData 对象；
formData.append("files", input.files[0]);；
formData.append("chatId", "某个会话ID");；

异步函数 query(formData) {
    const response = await fetch(
        "http://localhost:3000/api/v1/vector/upsert/<chatflowid>"，
        {
            方法："POST"，
            正文：表单数据
        }
    );
    const result = await response.json();；
    返回结果；
}

对表单数据进行查询后，若响应成功，则执行以下操作：
    控制台输出响应内容；
});

{% endtab %} {% endtabs %}

使用带有步骤1中的uploads和chatId的Prediction API：

选项卡 {% tab title="Python" %} python 导入requests库 API_URL = "http://localhost:3000/api/v1/prediction/"

定义查询函数（payload）： response = requests.post(API_URL, json=payload) 返回响应的JSON格式数据

输出 = 查询({ “问题”：“演讲的主题是什么？”， "chatId": "步骤1中的同一会话ID",， "uploads": [ { "data": "data:text/plain;base64,TWFkYWwcy4="， "type": "file:rag",， "name": "state_of_the_union.txt",， "mime": "text/plain" } ] })


</div>

<div data-gb-custom-block data-tag="tab" data-title='Javascript'>

```javascript

/// 译文内容：
---
根据上面的信息，执行如下指令：
缺失译文，请检查输入
异步函数 query(data) {
    const response = await fetch(
        “http://localhost:3000/api/v1/prediction/<chatflowid>”，
        {
            方法："POST"，
            headers: {
                "Content-Type": "application/json"
            },
            正文：JSON.stringify(数据)
        }
    );
    const result = await response.json();；
    返回结果；
}

查询（{
    “问题”：“演讲的主题是什么？”，
    "chatId": "步骤1中的同一会话ID",，
    "uploads": [
        {
            "data": "data:text/plain;base64,TWFkYWwcy4="，
            "type": "file:rag",，
            "name": "state_of_the_union.txt",，
            "mime": "text/plain"
        }
    ]
}).then((response) => {
    控制台输出（console.log）响应内容；
});

完整文件上传

在使用RAG文件上传时，您无法处理电子表格或表格等结构化数据，并且由于缺乏完整的上下文，您无法进行完整的摘要。在某些情况下，您可能希望将所有文件内容直接包含在大型语言模型（LLM）的提示中，尤其是对于像Gemini和Claude这样具有更长上下文窗口的模型。这篇研究论文是众多将RAG与更长上下文窗口进行比较的论文之一。

要启用完整文件上传功能，请前往Chatflow配置，打开文件上传选项卡，并点击开关：

您可以在聊天界面中看到文件附件按钮，通过该按钮，您可以上传一个或多个文件。在后台，文件加载器会处理每个文件并将其转换为文本。

请注意，如果您的聊天流程使用了“聊天提示模板”节点，则必须从“格式化提示值”中创建一个输入来传递文件数据。指定的输入名称（例如{file}）应包含在“人工消息”字段中。

使用API上传文件：

选项卡

python 导入requests库 API_URL = "http://localhost:3000/api/v1/prediction/"

定义查询函数（query function）：

def query(payload):

response = requests.post(API_URL, json=payload)
返回响应的JSON格式数据

输出 = 查询({ “问题”：“这些数据是关于什么的？”， "chatId": "某个会话ID",， "uploads": [ { "data": "data:text/plain;base64,TWFkYWwcy4="， "type": "file:full",， "name": "state_of_the_union.txt",， "mime": "text/plain" } ] })

{% endtab %}

{% tab title="Javascript" %}

javascript

/// 译文内容：

根据上面的信息，执行如下指令：缺失译文，请检查输入异步函数 query(data) { const response = await fetch( “http://localhost:3000/api/v1/prediction/”， { 方法："POST"， headers: { "Content-Type": "application/json" }, 正文：JSON.stringify(数据) } ); const result = await response.json();；返回结果； }

查询（{ “问题”：“这些数据是关于什么的？”， "chatId": "某个会话ID",， "uploads": [ { "data": "data:text/plain;base64,TWFkYWwcy4="， "type": "文件：完整",， "name": "国情咨文.txt",， "mime": "text/plain" } ] }).then((response) => { 控制台输出（console.log）响应内容； });


</div>

</div>

如示例所示，上传操作需要使用base64字符串。若要获取文件的base64字符串，请使用[创建附件API](../api-reference/attachments.md)。

### 完整上传与RAG上传的区别

完整文件上传和RAG（检索增强生成）文件上传各有其不同的用途。

* **完整文件上传**：此方法将整个文件解析为字符串，并将其发送至大型语言模型（LLM）。此方法对于文档摘要或关键信息提取非常有益。然而，对于非常大的文件，由于标记（token）限制，模型可能会产生不准确的结果或“幻觉”。
* **RAG文件上传**：如果您希望通过不将全部文本发送给大型语言模型（LLM）来降低令牌成本，那么推荐使用此方法。此方法适用于文档的问答任务，但由于缺乏完整的文档上下文，因此不适合用于摘要任务。由于更新（upsert）过程，此方法可能需要更长的时间。

PreviousEmbed NextVariables

Last updated 6 days ago

Good afternoon

图片

音频

文件

RAG文件上传

使用表单数据上传文件

完整文件上传

/// 译文内容：