AnythingLLM：私有化RAG操作系统部署与工作区实战指南

简介：本资源是一份全面解析AnythingLLM核心功能的中文技术文档，面向AI应用开发者、企业知识库搭建者及私有化LLM部署工程师，解决多模态大模型集成、工作区协同、API工程化调用与嵌入式服务落地等实际问题。文档系统覆盖代理机制（@agent指令驱动网页抓取、文档总结、网络搜索等）、全功能开发者API（含密钥管理、工作区聊天、嵌入控制）、Docker专属能力（外观定制、嵌入式聊天小部件配置、多用户权限体系）以及向量数据库、事件日志、转录模型等底层支撑模块。资源为单个PDF文件，大小1.32MB，内容精炼、结构清晰，便于快速查阅关键配置项与使用边界。目前已有736人学习下载，读者可直接获取开箱即用的功能对照表、嵌入小部件部署代码片段、多用户模式切换注意事项、安全策略配置要点及各模块典型应用场景说明，显著降低本地化部署与二次开发门槛。

1. AnythingLLM 不是另一个聊天框：它是你私有知识的「可编程操作系统」

你有没有试过——把公司内部的 37 份 PDF、5 个 Confluence 页面、2 个 Notion 空间，还有上周会议录音转的文字稿，全塞进一个对话框里，然后问：“上季度客户投诉最多的三个问题，结合产品路线图，给出改进建议？”
AnythingLLM 就是干这个的。它不是调用 OpenAI API 的前端壳子，而是一套开箱即用的本地化 RAG（检索增强生成）操作系统：所有文档自动切片、向量化、存进内置 LanceDB；所有问答都带溯源（点一下答案就能跳回原文段落）；所有操作——从总结单个文件到跨工作区调度 AI 代理——都在一个 Web UI 里完成，不依赖外部服务。
它真正解决的是三类人的痛点：技术团队要快速搭建合规可控的内部知识助手，产品/运营需要把 SOP、FAQ、培训材料变成可嵌入官网的智能客服，安全敏感型组织（比如某高校实验室、某医疗设备公司）必须确保数据不出内网，又不想自己从零搭 LangChain + Chroma + Ollama。
注意：它的核心能力（如嵌入式聊天小部件、多用户权限、外观定制）仅在 Docker 部署版本中完整可用——如果你用的是 npm run dev 启动的开发版，这些功能会直接灰掉。这不是 bug，是设计选择：AnythingLLM 把“生产就绪”和“开发尝鲜”做了物理隔离。

1.1 为什么说它是「操作系统」而不是「应用」？

关键在三个分层架构：

• 最底层是向量数据库引擎：默认用 LanceDB，轻量（单文件）、快（毫秒级向量检索）、纯本地（数据永不离开你的服务器）。它不像 Pinecone 那样要配云账号，也不像 Chroma 那样需要额外维护 SQLite 文件锁。
• 中间层是工作区（Workspace）沙盒：每个工作区独立管理文档、嵌入模型、LLM 模型、系统提示词。A 工作区用 Llama3-8B+本地 BGE-M3 嵌入，B 工作区用 Claude-3-Haiku+OpenAI Embedding，互不干扰。
• 最上层是代理（Agent）调度器：@agent不是魔法词，而是触发一个预定义工具链的入口。比如@agent 总结readme.pdf会自动执行：定位文件 → 提取文本 → 调用 LLM → 返回摘要 → 记录日志 → 更新工作区元数据。整个过程可审计、可复现、可中断。
  这三层加起来，才构成“操作系统”的质感：你不是在用一个工具，而是在管理一套资源（文档、模型、权限、日志），并用标准化接口（@agent、API、嵌入小部件）去调度它们。

1.2 它和 LangChain / LlamaIndex 的根本区别在哪？

很多人第一反应是：“我用 LangChain 自己搭一个不就行了？” 血泪经验告诉你：能搭出来 ≠ 能用稳。
LangChain 是乐高积木，AnythingLLM 是组装好的挖掘机。

• 部署成本：LangChain 项目要自己选向量库（Chroma/Pinecone/Qdrant）、配嵌入模型（HuggingFace 模型名/Token/尺寸）、写文档加载逻辑（PDF/DOCX/NOTION API）、处理 chunking 策略（固定长度？按标题切？）、调试 embedding 维度对齐…… AnythingLLM 一键拉起 Docker，选好模型，上传文件，5 分钟后就能问问题。
• 运维边界：LangChain 代码里埋着无数隐性依赖——某个 PDF 解析库突然不支持新版 Acrobat、某个嵌入模型 require PyTorch 2.3 但你的 CUDA 是 12.1、Qdrant 升级后 API 兼容性断裂…… AnythingLLM 把这些全打包进容器镜像，版本锁定，升级只换镜像。
• 权限落地：LangChain Demo 里“用户登录”常是 mock 的，真要上生产，还得接 LDAP/OAuth、写 RBAC 中间件、审计日志入库…… AnythingLLM 的多用户模式直接提供管理员/经理/默认三级角色，连密码重置流程、实例级密码保护、API 密钥生命周期管理（创建/禁用/轮换）都内置了。
  所以别纠结“技术栈是否高级”，先问：你团队里有没有人愿意每周花 10 小时维护这套基础设施？如果没有，AnythingLLM 就是那个“少写一行代码，多睡两小时觉”的答案。

2. 从零部署 Docker 版：避开 90% 新手卡死的 4 个启动陷阱

AnythingLLM 的 Docker 部署文档写得极简，但实际跑通远不止docker-compose up -d一行命令。我帮某跨平台系统团队部署时，光环境变量就调了三天——不是配置错，是文档没写清哪些变量是强依赖、哪些是可选、哪些会互相覆盖。下面把真实踩坑路径拆给你看。

2.1 环境准备：必须确认的 3 个硬性前提

AnythingLLM 对宿主机环境有明确要求，漏掉任一都会导致容器启动失败或功能残缺：

• Docker Engine ≥ 24.0.0：低于此版本，--platform linux/amd64参数不识别，会导致 ARM Mac 用户拉取 x86 镜像后报exec format error。验证命令：docker version --format '{{.Server.Version}}'
• 宿主机内存 ≥ 8GB：这是最低门槛。如果启用本地 LLM（如 Llama3-8B），建议 16GB 起步；若同时跑嵌入模型（BGE-M3）+ 向量库 + Web 服务，32GB 更稳妥。free -h查内存，别信“Docker Desktop 内存设 8G 就够”——那是容器内限制，宿主机物理内存必须足。
• 文件系统支持 mmap：AnythingLLM 的 LanceDB 默认用内存映射（mmap）加速向量检索。某些 NAS 或挂载的 NTFS 分区禁用 mmap，会导致OSError: [Errno 22] Invalid argument。解决方案：确保anythingllm数据目录（如/opt/anythingllm/data）挂载在 ext4/xfs 本地磁盘，而非网络存储。

提示：不要用docker run手动启，必须用docker-compose.yml。AnythingLLM 依赖多个服务协同（web、worker、vector-db），手动启会丢失健康检查和重启策略。

2.2 docker-compose.yml：官方模板的 5 处致命补丁

官方 GitHub 的docker-compose.example.yml是起点，但直接跑会翻车。以下是我在某图像处理 Demo 项目中验证过的最小可行配置（已删减非核心服务）：

version: '3.8' services: anythingllm: image: mintplexlabs/anythingllm:latest container_name: anythingllm restart: unless-stopped # 关键补丁1：强制平台为 amd64，避免 M1/M2 Mac 拉错镜像 platform: linux/amd64 # 关键补丁2：必须挂载 data 目录，否则重启后所有工作区、文档、设置全丢 volumes: - ./data:/app/server/storage - ./workspace:/app/server/workspace # 关键补丁3：环境变量必须显式声明，不能靠 .env 文件（.env 在某些 Docker Desktop 版本不生效） environment: - STORAGE_DIR=/app/server/storage - WORKSPACE_DIR=/app/server/workspace - NODE_ENV=production - PORT=3001 # 关键补丁4：禁用遥测（隐私敏感场景刚需），否则首次启动会卡住等网络超时 - DISABLE_TELEMETRY=true # 关键补丁5：设置初始管理员密码（多用户模式必需），格式为 "username:password" - INITIAL_ADMIN_CREDENTIALS=admin:MySecurePass123! ports: - "3001:3001" # 关键补丁6：增加健康检查，避免 Nginx 反代时转发到未就绪容器 healthcheck: test: ["CMD", "curl", "-f", "http://localhost:3001/api/health"] interval: 30s timeout: 10s retries: 3

参数说明：

• STORAGE_DIR和WORKSPACE_DIR必须与volumes中的容器内路径严格一致，AnythingLLM 启动时会校验这两个路径是否存在且可写。
• INITIAL_ADMIN_CREDENTIALS是多用户模式的钥匙：值必须是username:password格式，冒号不能省，密码需含大小写字母+数字+符号（否则 Web UI 创建管理员时会报 400）。
• DISABLE_TELEMETRY=true不是可选项——如果宿主机无法访问外网（如某公司内网），不加这行，容器会卡在Waiting for telemetry initialization...长达 2 分钟，然后静默失败。

2.3 启动后必做的 3 项初始化验证

容器up成功不等于服务就绪。打开http://localhost:3001后，必须逐项验证：

注意：首次上传文档后，AnythingLLM 会自动触发嵌入（embedding）任务。这个过程在后台 worker 中执行，Web UI 不显示进度条。如果等 2 分钟还没结果，立刻执行docker logs anythingllm-worker（需先docker-compose ps确认 worker 服务名）。

2.4 避坑：启动阶段最常见的 4 类翻车现场

现象 1：容器反复重启，docker logs anythingllm显示Error: EACCES: permission denied, mkdir '/app/server/storage'

原因：宿主机挂载目录（如./data）权限不足。AnythingLLM 容器以 UID 1001 运行，但宿主机目录属主是 root 或其他用户。
解决：在docker-compose.yml同级目录执行：

mkdir -p data workspace sudo chown -R 1001:1001 data workspace

别用chmod 777！这会让任何容器都能读写该目录，违反最小权限原则。

现象 2：Web UI 打开空白页，浏览器控制台报Failed to load resource: the server responded with a status of 404 (Not Found)，请求路径为/static/js/main.XXXXXX.js

原因：Docker 镜像构建时静态资源路径与运行时PUBLIC_URL不匹配。官方镜像在latesttag 下存在此 bug（已提交 issue #1287）。
解决：改用稳定版镜像，将image: mintplexlabs/anythingllm:latest替换为image: mintplexlabs/anythingllm:v1.10.0（截至 2024 年 6 月最新稳定版）。

现象 3：上传 PDF 后一直卡在 “Processing… 0%”，docker logs anythingllm-worker显示ModuleNotFoundError: No module named 'pypdf'

原因：worker 容器缺少 PDF 解析依赖。官方镜像v1.10.0修复了此问题，但latest仍存在。
解决：同上，锁定镜像版本；或手动进入 worker 容器安装：

docker exec -it anythingllm-worker bash pip install pypdf exit docker restart anythingllm-worker

现象 4：登录后看不到“Settings”菜单，所有自定义选项（Logo、页脚、嵌入小部件）全部灰掉

原因：你正在用npm run dev启动的开发版，而非 Docker 版。AnythingLLM 明确将 Docker 版作为生产唯一支持渠道，开发版 UI 会主动隐藏这些功能入口。
解决：立刻停掉所有node进程，docker-compose down，严格按本节流程重装 Docker 版。别试图“魔改开发版”——源码里有硬编码判断process.env.DOCKER === 'true'。

3. 工作区与代理深度实战：让 AI 真正替你读文档、跑分析、写报告

AnythingLLM 的工作区（Workspace）不是文件夹，而是带状态的计算单元。它把文档、模型、提示词、权限、日志全封装在一起。而@agent指令，则是调用这个单元的“系统调用”。下面用一个真实场景——某高校实验室要快速分析 12 份学生课题报告——带你走完从建工作区到产出结构化结论的全流程。

3.1 创建专用工作区：命名规则与模型绑定策略

不要把所有文档扔进一个“Default”工作区。按使用场景划分，能极大提升检索精度和权限管理效率。例如：

• lab-reports-2024：存放学生课题 PDF，用本地嵌入模型 BGE-M3（精度高、无 API 调用延迟）+本地 LLM Llama3-8B（保证数据不出内网）
• public-faq：存放对外 FAQ，用OpenAI Embedding（语义理解更优）+Claude-3-Haiku（响应快、成本低）
• internal-sop：存放内部 SOP，启用多用户模式下的经理角色，仅允许 QA 团队编辑

创建步骤：

1. 登录后点击左上角+ New Workspace
2. 填写名称lab-reports-2024，描述写明用途（如 “2024 年暑期课题报告，含实验数据与结论”）
3. 关键操作：在 “Model Settings” 区域，取消勾选 “Use system default models”，手动选择：
   • Embedding Model:BGE-M3 (Local)
   • LLM Model:Llama3-8B (Local)
   • （如果本地没装 Llama3，先去 Ollama 拉：ollama pull llama3:8b）
4. 点击Create Workspace

提示：模型选择不是玄学。BGE-M3 在中文长文档检索上比 OpenAI Embedding 高 12% 准确率（我们用 200 份学术 PDF 测试过），但体积大（2.4GB）；OpenAI Embedding 响应快（<200ms），但每 1000 token 收费。选哪个，取决于你的数据敏感性和预算。

3.2 文档预处理：为什么 80% 的检索不准，都栽在这一步

AnythingLLM 默认用pypdf解析 PDF，但它对扫描件、复杂表格、LaTeX 公式束手无策。某导师曾反馈：“我传了 10 份论文，问‘实验方法用了什么算法’，AI 总答‘未找到相关内容’。”——查日志发现，所有 PDF 解析后文本为空。

正确预处理流程（针对扫描 PDF）：

1. OCR 预处理：用pdf2image+pytesseract转成可搜索 PDF

# Ubuntu/Debian 系统 sudo apt install tesseract-ocr libtesseract-dev pip install pdf2image pytesseract # Python 脚本 batch_ocr.py from pdf2image import convert_from_path import pytesseract import os def ocr_pdf(input_pdf, output_pdf): images = convert_from_path(input_pdf, dpi=300) text_pages = [] for img in images: text = pytesseract.image_to_string(img, lang='chi_sim+eng') text_pages.append(text) # 合并文本（此处简化，实际用 reportlab 生成新 PDF） with open(output_pdf.replace('.pdf', '.txt'), 'w') as f: f.write('\n\n'.join(text_pages)) # 批量处理 for pdf in os.listdir('raw_reports'): if pdf.endswith('.pdf'): ocr_pdf(f'raw_reports/{pdf}', f'ocr_reports/{pdf}')

2. 结构化清洗：删除页眉页脚、页码、重复水印
3. 分块策略调整：默认按 500 字符切块，但学术论文需按章节切。在工作区设置中，将Chunk Size改为1000，Chunk Overlap设为200，并勾选Split by headings（按标题切分）

血泪经验：别信“自动 OCR”。我们测试过 5 款在线 OCR，准确率从 63% 到 92% 不等。自己用pytesseract控制 DPI 和语言包，才是可控方案。

3.3 代理（Agent）实战：从@agent到自动化分析流水线

@agent是 AnythingLLM 最被低估的能力。它不是简单调用 LLM，而是组合工具链。以下是我们为某图像处理 Demo 设计的分析指令链：

场景：分析 12 份学生报告，输出“算法使用频次统计表”和“创新点聚类图”

Step 1：让 Agent 列出所有文档及元数据
输入：@agent 你能看到哪些文档？请列出文件名、页数、上传时间
→ Agent 自动调用list_documents工具，返回结构化 JSON，UI 渲染为表格

Step 2：提取每份报告的“方法论”章节
输入：@agent 请从每份报告中提取“实验方法”或“Methodology”章节的全部内容，整理成 Markdown 表格，列：文件名、算法名称、框架（PyTorch/TensorFlow）、数据集
→ Agent 调用search_document（关键词匹配）+extract_section（正则提取）+format_table（结构化输出）

Step 3：聚合分析并生成图表
输入：@agent 基于上一步表格，统计各算法出现频次，用 Mermaid 语法画柱状图；再对“创新点”描述做关键词聚类（K=5），用树状图展示
→ Agent 调用run_python（执行 Pandas 统计）+generate_mermaid（渲染图表）+run_clustering（调用 sklearn）

最终输出：

barChart title 算法使用频次 Y-轴：次数 X-轴：YOLOv8, ResNet50, U-Net, ViT, EfficientNet YOLOv8：7 ResNet50：5 U-Net：4 ViT：3 EfficientNet：2

注意：run_python工具默认禁用（安全考虑）。需在工作区设置中开启 “Enable Python Execution”，并确认容器内已安装pandasscikit-learnmatplotlib。命令是docker exec -it anythingllm-worker pip install pandas scikit-learn matplotlib。

3.4 避坑：Agent 指令失效的 3 个深层原因

现象 1：@agent 总结xxx.pdf返回 “我无法访问该文件”

原因：文件虽在列表里，但嵌入（embedding）未完成。AnythingLLM 的检索依赖向量库，未嵌入的文档在向量空间里不存在。
排查：

• 查工作区右上角文档列表，确认该文件状态为 “Ready”（绿色）而非 “Processing”（黄色）或 “Failed”（红色）
• 查docker logs anythingllm-worker，搜索文件名，看是否有Embedding completed日志
  解决：若卡在 Processing，重启 worker：docker restart anythingllm-worker；若 Failed，检查 PDF 是否损坏或含加密

现象 2：@agent 搜索网络：2024 年最火的 RAG 架构返回空结果

原因：AnythingLLM 的网络搜索工具默认关闭。它不是内置搜索引擎，而是调用你配置的第三方服务（如 SerpAPI、SearxNG）。
解决：

• 进入Settings > Integrations > Web Search
• 选择服务商（如SearxNG），填入你的 SearxNG 实例 URL（如https://searx.example.com）
• 或用免费替代：注册 SerpAPI ，获取 API Key，填入对应字段

现象 3：Agent 生成的 Mermaid 图表在 UI 里不渲染，只显示代码块

原因：AnythingLLM 的 Markdown 渲染器默认禁用 Mermaid（防 XSS）。
解决：

• 进入Settings > Appearance > Custom CSS
• 添加 CSS 规则：

/* 启用 Mermaid 渲染 */ .markdown-body .language-mermaid { display: block; }

• 重启容器：docker restart anythingllm

4. API 与嵌入式小部件：把 AnythingLLM 变成你网站的“智能神经末梢”

AnythingLLM 的 API 不是摆设。它让你绕过 Web UI，把知识问答能力注入到任何系统里。而嵌入式聊天小部件（Embedded Chat Widget），则是面向终端用户的“无感接入”方案——用户根本不知道背后是 AnythingLLM，只觉得你的网站突然变聪明了。这两者，一个给开发者，一个给产品经理，都是生产环境刚需。

4.1 API 实战：用 Python 脚本批量管理 50 个工作区

假设你为某公司部署了 AnythingLLM，要为 50 个部门各建一个工作区，并上传其 SOP 文档。手工操作？不可能。必须用 API。

第一步：获取管理员 API Key

• 登录 Web UI →Settings > API Keys→Create New Key
• Name 填batch-deploy-key，Permissions 勾选All
• 复制生成的 Key（形如sk-xxxxxx），它会在页面消失，务必立刻保存

第二步：Python 脚本创建工作区并上传文档

import requests import json import os # 配置 BASE_URL = "http://localhost:3001" API_KEY = "sk-xxxxxxxxxxxxxxxxxxxxxxxx" # 替换为你的真实 Key HEADERS = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } # 1. 批量创建工作区 departments = ["HR", "Finance", "Engineering", "Marketing", "Sales"] for dept in departments: payload = { "name": f"{dept}-sop", "description": f"{dept} 部门标准操作流程", "embeddingModel": "openai", "llm": "claude-3-haiku" } response = requests.post(f"{BASE_URL}/api/workspaces", headers=HEADERS, data=json.dumps(payload)) print(f"创建 {dept} 工作区: {response.status_code}") # 2. 为每个工作区上传 SOP 文档 for dept in departments: # 获取工作区 ID（需先查列表） ws_list = requests.get(f"{BASE_URL}/api/workspaces", headers=HEADERS).json() ws_id = next((ws['id'] for ws in ws_list if ws['name'] == f"{dept}-sop"), None) if ws_id: # 上传文件（multipart/form-data） with open(f"sop/{dept.lower()}_sop.pdf", "rb") as f: files = {"file": f} response = requests.post( f"{BASE_URL}/api/workspaces/{ws_id}/documents", headers={"Authorization": f"Bearer {API_KEY}"}, files=files ) print(f"上传 {dept} SOP: {response.status_code}")

关键参数说明：

• embeddingModel：可选openai,cohere,local-bge-m3。本地模型需提前在Settings > Models中启用。
• llm：可选openai-gpt-4,anthropic-claude-3-haiku,local-llama3-8b。注意名称必须与 UI 中显示的完全一致（大小写、连字符）。
• 上传文档用multipart/form-data，不能用application/json——这是新手最常踩的坑，会返回415 Unsupported Media Type。

4.2 嵌入式聊天小部件：3 行代码让官网拥有智能客服

这是 AnythingLLM 最惊艳的功能。你不需要改官网后端，只要在 HTML<head>里加一段 JS，就能把工作区变成嵌入式聊天窗口。

Step 1：在 AnythingLLM UI 中创建小部件

• 进入Settings > Embedded Chat Widget
• 填写：
  • Widget Name:official-website-help（仅标识用）
  • Workspace: 选择你已配置好的工作区（如public-faq）
  • Allowed Chat Methods: 选Query（只回答文档相关问题，防滥用）
  • Allowed Domains: 填你官网域名，如example.com（防止他人盗用）
  • Daily Max Chats:100（防刷）
• 点击Create Widget，获得代码：

<script src="http://localhost:3001/embed.js" ><!-- 在 pricing.html 页面 --> <script> window.anythingllmConfig = { workspace: "pricing-faq", prompt: "专注解答价格、套餐、支付问题" }; </script> <script src="http://localhost:3001/embed.js" async></script>

AnythingLLM 的 embed.js 会自动读取window.anythingllmConfig并覆盖>- ALLOWED_ORIGINS=http://example.com,https://example.com

然后docker-compose up -d --force-recreate。

现象 3：小部件中用户提问，返回 “I don't know” 或胡言乱语，但 Web UI 里同样问题回答正确

原因：小部件默认用Query模式，严格限定只回答工作区文档相关内容。如果用户问“今天天气如何”，它会拒答。
解决：

• 方案 A（推荐）：保持Query模式，在工作区文档中加入常见闲聊话术（如 “你好” → “您好！我是 XX 官网助手…”）
• 方案 B：改用Chat模式，但必须配合Allowed Domains和Daily Max Chats严防滥用

现象 4：API 上传文档后，工作区列表里看不到，GET /api/workspaces/{id}/documents返回空数组

原因：API 上传只是存文件，不触发嵌入。嵌入是异步任务，需等待 worker 处理。
解决：

• 调用POST /api/workspaces/{id}/documents/{documentId}/embed强制触发（需文档 ID）
• 或轮询GET /api/workspaces/{id}/documents，检查文档status字段变为ready

5. 多用户模式与安全审计：当 20 个人共用一个 AnythingLLM 实例时

AnythingLLM 的多用户模式不是“加个登录页”那么简单。它是一套完整的 RBAC（基于角色的访问控制）系统，把权限粒度切到了工作区、文档、日志、模型、API Key 五个层级。某医疗设备公司的合规审计就卡在这里——他们需要证明：销售只能看产品手册，研发只能看技术白皮书，而审计员能查看所有操作日志。AnythingLLM 做到了。

5.1 多用户模式启用：一次不可逆的“系统升级”

官方文档警告“无法退回单用户模式”不是吓唬人。一旦启用，数据库 schema 会升级，所有用户、角色、权限关系写入storage/users.db，单用户模式的密码保护机制彻底废弃。

启用步骤（必须按顺序）：

1. 确保你当前是管理员（用INITIAL_ADMIN_CREDENTIALS登录）
2. 进入Settings > Security > Multi-User Mode
3. 勾选 “Enable Multi-User Mode”
4. 在First Admin Account输入框，填入新管理员账号（不能和旧账号同名！）
   • Username:audit-admin
   • Password:AuditPass2024!（需含大小写+数字+符号）
5. 点击Save Changes→ 系统自动登出
6. 用新账号audit-admin登录，进入全新多用户界面

注意：旧INITIAL_ADMIN_CREDENTIALS账号不会被删除，但它降级为普通用户，失去所有权限。所以启用前，务必记下新管理员账号密码——这是你唯一的“后悔药”。

5.2 角色权限详解：经理 vs 默认用户的 7 处关键差异

AnythingLLM 的三级角色不是虚设。我们在某高校实验室部署时，用curl抓了所有 API 请求，对比发现权限差异体现在 7 个具体端点：

本文还有配套的精品资源，点击获取