BytesRouter

主题

LlamaParse 文档版本 跟随上游 源快照 f2bb0125 更新于 2026-10-17

注意

本页假定你部署的是最新版 LlamaCloud。关于以往版本的信息，请参考发布说明。

开始之前

欢迎使用 LlamaCloud！开始之前，请确认你已具备下列前提：

  • LlamaCloud 许可证 key。要取得它，请通过 support@llamaindex.ai 联系我们。

  • Kubernetes 集群 >=1.28.0，以及可用的 kubectl 安装。

    • 我们的版本支持与 EKS、AKS 和 GKE 所支持的版本基本一致。
    • 只做本地评估部署的话，任何符合规范的本地集群都行（kind、k3d、minikube、Docker Desktop）。见下文那条提示。

  • Helm v3.7.0+

  • OpenAI API Key 或 Azure OpenAI 凭据。配置 OpenAI 凭据是把部署跑起来最省事的方式。

    • LlamaCloud 会贴合你组织的实际需要，支持配置 OpenAI 之外的 LLM，包括 Anthropic、Bedrock、Vertex AI 等。
    • 要配置其他 LLM，请参阅侧栏 Configuration 一节下的文档。

  • 文件存储：LlamaCloud 把文件存在对象存储里（S3、Azure Blob、GCS，或任何 S3 兼容存储，例如 MinIO）。

    • 请按文件存储文档配置你的部署，并在安装 chart 之前建好文中列出的那八个桶。
    • 在那一步里就把桶的生命周期规则设好。LlamaCloud 只在你删除产出它的任务时才会清理 parse 或 extract 的输出，因此不设生命周期规则，一次部署会把解析过的文档无限留存。见留存与桶生命周期。

  • 认证设置：

    • OIDC。OIDC 是我们在生产部署里推荐的认证模式。
    • Basic Auth（邮箱/密码）：自 2025 年 7 月 24 日（v0.5.0）起，我们同时支持 oidc 与 basic 两种认证方式。它更简单，更适合预发（staging）部署。
    • 更多信息请参考认证模式文档。

  • 外部服务的凭据（见下文）。

提示

只想在一台机器上评估？ 同一个 chart 就能跑在本地集群里，不需要云账号。上面清单里那些假定由云托管的东西，两处替换就能覆盖：

  • 对象存储：在集群里跑 MinIO，并让 S3Proxy 指向它。见文件存储里的 MinIO / S3 兼容 标签页。
  • 认证：直接用 Basic Auth，不必为 OIDC 单独搭一个提供方。见认证模式。

后端存储可以完全按数据库与队列里写的方式用 Bitnami chart 装上，Temporal 则作为子 chart 起来。机器规格请对照下文的硬件要求来定。默认安装需要约 ~14 个可分配 vCPU，这通常是笔记本最先撞上的限制。

外部服务

LLamaCloud 需要下列外部服务可用：Postgres、MongoDB、Temporal 与 Redis。

提示

Temporal 可以通过设 temporal.deploy: true 作为子 chart 部署在 LlamaCloud 内部，这是快速起步的推荐做法。生产部署则可能更希望单独管理 Temporal。

请按数据库与队列文档为你的部署配置这些服务。

注意

请在安装 LlamaCloud chart 之前就部署好这些外部服务。下面这份最简 values.yaml 指向的是集群内主机名（postgresql、mongodb、redis-master），它们必须已经在 release 命名空间里能解析。

如果用 Bitnami chart 在集群内跑它们，你的集群还需要一个默认 StorageClass —— 或者给每个存储设 global.storageClass —— 否则它们的 PersistentVolumeClaim 会一直停在 Pending，pod 永远起不来。Amazon EKS 开箱不带默认 StorageClass。

硬件要求

  • 跑 x86 CPU 的 Linux 实例
    • 我们目前只提供 linux/amd64 镜像，暂不支持 arm64。
  • worker 节点上的 Ubuntu >=22.04
  • 可分配 vCPU >=14
  • 可分配内存 >=80 GiB

这些是用默认值安装时整个集群范围的可分配下限。chart 默认的各类源请求加总就有 12.5 vCPU / 47.5 GiB，所以 12 vCPU 的集群根本排不下一次默认安装。上面的数字额外预留了系统 pod 与调度余量。有两件事会把要求进一步抬高：

  • S3Proxy（config.storageBuckets.s3proxy.enabled: true）会给每个使用 S3 的 pod 加一个 500m / 512Mi 的边车，一次默认安装大约多出 3 vCPU。
  • 容器化的依赖。 把 PostgreSQL、MongoDB、Redis 或 Temporal 跑在同一个集群上，它们的 requests 要另外累加（见下一节）。

警告：LlamaParse 是 LlamaIndex 的专有文档解析器，跑起来可能非常消耗资源，尤其当你想压榨性能时。

注意

OCR 需要 GPU。 设 config.parseOcr.gpu: true 并提供 GPU 节点。此后每个 OCR pod 会请求 nvidia.com/gpu: 1，并且只会被调度到这些节点上。

在 CPU 上跑 OCR（config.parseOcr.gpu: false）已弃用，并会在未来的版本移除。它比 GPU 后端慢得多，也不支持用于生产负载。任何要解析扫描件或图像类文档的部署，都请按 GPU 容量来规划。

配置并安装你的部署

本节带你走一遍搭建最简 LlamaCloud 部署的步骤。

最简 values.yaml 配置

要把一个最简的 LlamaCloud 部署跑起来，可以新建一个 values.yaml，内容如下：

  • OpenAI + OIDC 认证
  • Azure OpenAI + OIDC 认证
  • OpenAI + Basic 认证
  • Azure OpenAI + Basic 认证
  license:
    key: <LLAMACLOUD-LICENSE-KEY>

  postgresql:
    host: "postgresql"
    port: "5432"
    database: "llamacloud"
    username: <POSTGRES-USERNAME>
    password: <POSTGRES-PASSWORD>

  mongodb:
    host: "mongodb"
    port: "27017"
    username: <MONGODB-USERNAME>
    password: <MONGODB-PASSWORD>

  redis:
    scheme: "redis"
    host: "redis-master"
    port: "6379"
    db: 0

  # Deploy Temporal as a subchart (host/port auto-configured)
  temporal:
    deploy: true

  # Temporal subchart configuration (uses same PostgreSQL instance).
  # The Temporal store password is taken from your postgresql.password above —
  # the chart generates the temporal-postgresql-secret automatically.
  temporal-subchart:
    server:
      config:
        persistence:
          defaultStore: default
          visibilityStore: visibility
          datastores:
            default:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal
                user: <POSTGRES-USERNAME>
            visibility:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal_visibility
                user: <POSTGRES-USERNAME>

  config:
    llms:
      openAi:
        apiKey: <OPENAI-APIKEY>

    frontend:
      enabled: true
    parseOcr:
      # Each OCR pod requests `nvidia.com/gpu: 1` and schedules only on GPU
      # nodes. Running OCR on CPU (gpu: false) is deprecated and will be
      # removed in a future release.
      gpu: true

    # Required. Without this the chart falls back to provider "aws" and the
    # literal default bucket names, which are almost certainly not yours.
    # See the File Storage guide for S3-compatible and non-AWS backends.
    storageBuckets:
      provider: "aws"
      parsedDocuments: <YOUR-BUCKET>
      parsedEtl: <YOUR-BUCKET>
      parsedExternalComponents: <YOUR-BUCKET>
      parsedFileParsing: <YOUR-BUCKET>
      parsedRawFile: <YOUR-BUCKET>
      parseOutput: <YOUR-BUCKET>
      parsedFileScreenshot: <YOUR-BUCKET>
      extractOutput: <YOUR-BUCKET>
      parseFileUpload: <YOUR-BUCKET>
      parseFileOutput: <YOUR-BUCKET>

    authentication:
      oidc:
        enabled: true
        discoveryUrl: "https://login.microsoftonline.com/<TENANT-ID>/v2.0/.well-known/openid-configuration"
        clientId: <CLIENT-ID>
        clientSecret: <CLIENT-SECRET>
  license:
    key: <LLAMACLOUD-LICENSE-KEY>

  postgresql:
    host: "postgresql"
    port: "5432"
    database: "llamacloud"
    username: <POSTGRES-USERNAME>
    password: <POSTGRES-PASSWORD>

  mongodb:
    host: "mongodb"
    port: "27017"
    username: <MONGODB-USERNAME>
    password: <MONGODB-PASSWORD>

  redis:
    scheme: "redis"
    host: "redis-master"
    port: "6379"
    db: 0

  # Deploy Temporal as a subchart (host/port auto-configured)
  temporal:
    deploy: true

  # Temporal subchart configuration (uses same PostgreSQL instance).
  # The Temporal store password is taken from your postgresql.password above —
  # the chart generates the temporal-postgresql-secret automatically.
  temporal-subchart:
    server:
      config:
        persistence:
          defaultStore: default
          visibilityStore: visibility
          datastores:
            default:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal
                user: <POSTGRES-USERNAME>
            visibility:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal_visibility
                user: <POSTGRES-USERNAME>

  config:
    llms:
      azureOpenAi:
        # One entry per Azure deployment you want LlamaCloud to use.
        # baseUrl is your Azure resource endpoint, NOT the OpenAI API.
        deployments: []
        # - model: "gpt-5.4"
        #   deploymentName: "gpt-5.4"
        #   apiKey: <AZURE-OPENAI-KEY>
        #   baseUrl: "https://<your-resource>.openai.azure.com"
        #   apiVersion: "2025-04-01-preview"
        # - model: "gpt-5.4-mini"
        #   deploymentName: "gpt-5.4-mini"
        #   apiKey: <AZURE-OPENAI-KEY>
        #   baseUrl: "https://<your-resource>.openai.azure.com"
        #   apiVersion: "2025-04-01-preview"

    frontend:
      enabled: true
    parseOcr:
      # Each OCR pod requests `nvidia.com/gpu: 1` and schedules only on GPU
      # nodes. Running OCR on CPU (gpu: false) is deprecated and will be
      # removed in a future release.
      gpu: true

    # Required. Without this the chart falls back to provider "aws" and the
    # literal default bucket names, which are almost certainly not yours.
    # See the File Storage guide for S3-compatible and non-AWS backends.
    storageBuckets:
      provider: "aws"
      parsedDocuments: <YOUR-BUCKET>
      parsedEtl: <YOUR-BUCKET>
      parsedExternalComponents: <YOUR-BUCKET>
      parsedFileParsing: <YOUR-BUCKET>
      parsedRawFile: <YOUR-BUCKET>
      parseOutput: <YOUR-BUCKET>
      parsedFileScreenshot: <YOUR-BUCKET>
      extractOutput: <YOUR-BUCKET>
      parseFileUpload: <YOUR-BUCKET>
      parseFileOutput: <YOUR-BUCKET>

    authentication:
      oidc:
        enabled: true
        discoveryUrl: "https://login.microsoftonline.com/<TENANT-ID>/v2.0/.well-known/openid-configuration"
        clientId: <CLIENT-ID>
        clientSecret: <CLIENT-SECRET>
  license:
    key: <LLAMACLOUD-LICENSE-KEY>

  postgresql:
    host: "postgresql"
    port: "5432"
    database: "llamacloud"
    username: <POSTGRES-USERNAME>
    password: <POSTGRES-PASSWORD>

  mongodb:
    host: "mongodb"
    port: "27017"
    username: <MONGODB-USERNAME>
    password: <MONGODB-PASSWORD>

  redis:
    scheme: "redis"
    host: "redis-master"
    port: "6379"
    db: 0

  # Deploy Temporal as a subchart (host/port auto-configured)
  temporal:
    deploy: true

  # Temporal subchart configuration (uses same PostgreSQL instance).
  # The Temporal store password is taken from your postgresql.password above —
  # the chart generates the temporal-postgresql-secret automatically.
  temporal-subchart:
    server:
      config:
        persistence:
          defaultStore: default
          visibilityStore: visibility
          datastores:
            default:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal
                user: <POSTGRES-USERNAME>
            visibility:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal_visibility
                user: <POSTGRES-USERNAME>

  config:
    llms:
      openAi:
        apiKey: <OPENAI-APIKEY>

    frontend:
      enabled: true
    parseOcr:
      # Each OCR pod requests `nvidia.com/gpu: 1` and schedules only on GPU
      # nodes. Running OCR on CPU (gpu: false) is deprecated and will be
      # removed in a future release.
      gpu: true

    # Required. Without this the chart falls back to provider "aws" and the
    # literal default bucket names, which are almost certainly not yours.
    # See the File Storage guide for S3-compatible and non-AWS backends.
    storageBuckets:
      provider: "aws"
      parsedDocuments: <YOUR-BUCKET>
      parsedEtl: <YOUR-BUCKET>
      parsedExternalComponents: <YOUR-BUCKET>
      parsedFileParsing: <YOUR-BUCKET>
      parsedRawFile: <YOUR-BUCKET>
      parseOutput: <YOUR-BUCKET>
      parsedFileScreenshot: <YOUR-BUCKET>
      extractOutput: <YOUR-BUCKET>
      parseFileUpload: <YOUR-BUCKET>
      parseFileOutput: <YOUR-BUCKET>

    authentication:
      basicAuth:
        enabled: true
        validEmailDomain: "llamaindex.ai" # required: only addresses at this domain may register
        # jwtSecret is optional. The chart generates one on first install
        # and preserves it across upgrades. Set it only to control the value.
  license:
    key: <LLAMACLOUD-LICENSE-KEY>

  postgresql:
    host: "postgresql"
    port: "5432"
    database: "llamacloud"
    username: <POSTGRES-USERNAME>
    password: <POSTGRES-PASSWORD>

  mongodb:
    host: "mongodb"
    port: "27017"
    username: <MONGODB-USERNAME>
    password: <MONGODB-PASSWORD>

  redis:
    scheme: "redis"
    host: "redis-master"
    port: "6379"
    db: 0

  # Deploy Temporal as a subchart (host/port auto-configured)
  temporal:
    deploy: true

  # Temporal subchart configuration (uses same PostgreSQL instance).
  # The Temporal store password is taken from your postgresql.password above —
  # the chart generates the temporal-postgresql-secret automatically.
  temporal-subchart:
    server:
      config:
        persistence:
          defaultStore: default
          visibilityStore: visibility
          datastores:
            default:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal
                user: <POSTGRES-USERNAME>
            visibility:
              sql:
                connectAddr: "postgresql:5432"
                databaseName: temporal_visibility
                user: <POSTGRES-USERNAME>

  config:
    llms:
      azureOpenAi:
        # One entry per Azure deployment you want LlamaCloud to use.
        # baseUrl is your Azure resource endpoint, NOT the OpenAI API.
        deployments: []
        # - model: "gpt-5.4"
        #   deploymentName: "gpt-5.4"
        #   apiKey: <AZURE-OPENAI-KEY>
        #   baseUrl: "https://<your-resource>.openai.azure.com"
        #   apiVersion: "2025-04-01-preview"
        # - model: "gpt-5.4-mini"
        #   deploymentName: "gpt-5.4-mini"
        #   apiKey: <AZURE-OPENAI-KEY>
        #   baseUrl: "https://<your-resource>.openai.azure.com"
        #   apiVersion: "2025-04-01-preview"

    frontend:
      enabled: true
    parseOcr:
      # Each OCR pod requests `nvidia.com/gpu: 1` and schedules only on GPU
      # nodes. Running OCR on CPU (gpu: false) is deprecated and will be
      # removed in a future release.
      gpu: true

    # Required. Without this the chart falls back to provider "aws" and the
    # literal default bucket names, which are almost certainly not yours.
    # See the File Storage guide for S3-compatible and non-AWS backends.
    storageBuckets:
      provider: "aws"
      parsedDocuments: <YOUR-BUCKET>
      parsedEtl: <YOUR-BUCKET>
      parsedExternalComponents: <YOUR-BUCKET>
      parsedFileParsing: <YOUR-BUCKET>
      parsedRawFile: <YOUR-BUCKET>
      parseOutput: <YOUR-BUCKET>
      parsedFileScreenshot: <YOUR-BUCKET>
      extractOutput: <YOUR-BUCKET>
      parseFileUpload: <YOUR-BUCKET>
      parseFileOutput: <YOUR-BUCKET>

    authentication:
      basicAuth:
        enabled: true
        validEmailDomain: "llamaindex.ai" # required: only addresses at this domain may register
        # jwtSecret is optional. The chart generates one on first install
        # and preserves it across upgrades. Set it only to control the value.

安装 Helm chart

终端窗口

# Add the Helm repository
helm repo add llamaindex https://run-llama.github.io/helm-charts

# Update your local Helm chart cache
helm repo update

# Create the llamacloud namespace
kubectl create ns llamacloud

# Install the Helm chart
helm install llamacloud llamaindex/llamacloud -f values.yaml --namespace llamacloud

若要安装特定版本的 Helm chart，可以指定版本号：

终端窗口

helm install llamacloud llamaindex/llamacloud --version x.y.z -f values.yaml --namespace llamacloud

验证安装结果

安装完成后，你会看到如下输出：

NAME: llamacloud
LAST DEPLOYED: Tue Nov 18 10:12:03 2025
NAMESPACE: llamacloud
STATUS: deployed
REVISION: 1
TEST SUITE: None
NOTES:
Welcome to LlamaCloud!

View your deployment with the following:

  kubectl get pods -n llamacloud

To view LlamaCloud UI in your browser:
  Run the following command:

  kubectl --namespace llamacloud port-forward svc/llamacloud-web 3000:80

用 kubectl get pods -n llamacloud 列出 pod，应当能看到下面这些。这是一次 temporal.deploy: true 的安装，所以 Temporal 子 chart 的 pod 会与 LlamaCloud 的服务并列出现；后端存储若共用同一命名空间，也会出现在这里。

NAME                                                      READY   STATUS      RESTARTS   AGE
llamacloud-76f6dd67b6-vqbzf                               1/1     Running     0          10m
llamacloud-layout-b4887c5d9-tj9xw                         1/1     Running     0          10m
llamacloud-ocr-8ffc8bf9b-prvth                            1/1     Running     0          10m
llamacloud-operator-7b67757d88-nxlkj                      1/1     Running     0          10m
llamacloud-telemetry-9d66956fd-5d95d                      1/1     Running     0          10m
llamacloud-web-6b98cd88b-6887v                            1/1     Running     0          10m
llamacloud-temporal-parse-c89c8d9c9-zvjvv                 1/1     Running     0          10m
temporal-jobs-worker-76d6d58c77-2wlg2                     1/1     Running     0          10m
llamacloud-temporal-subchart-admintools-67cf5d57b-9cn5x   1/1     Running     0          10m
llamacloud-temporal-subchart-frontend-78cbdc8ff7-pkxgl    1/1     Running     0          10m
llamacloud-temporal-subchart-history-54cb58579f-ph42c     1/1     Running     0          10m
llamacloud-temporal-subchart-matching-858d4dcd5b-brlp2    1/1     Running     0          10m
llamacloud-temporal-subchart-web-7f6b8c9d84-5nv4k         1/1     Running     0          10m
llamacloud-temporal-subchart-worker-59b794d59-54kvd       1/1     Running     0          10m
llamacloud-temporal-subchart-schema-1-2-0-1-vrzp4         0/1     Completed   0          10m
llamacloud-temporal-search-attributes-k2czv               0/1     Completed   0          10m

其中两个 Completed 的 pod 是一次性任务。Temporal 的 schema job 负责开出 temporal 与 temporal_visibility 两个库，search-attributes job 负责注册自定义搜索属性。它们保持 Completed 是预期状态。

注意

已退役的 llamacloud-parse 部署不再生成。Parse 任务跑在 llamacloud-temporal-parse 上。

设了 config.storageBuckets.s3proxy.enabled: true 后，使用 S3 的那些 pod（llamacloud、llamacloud-operator、llamacloud-temporal-parse、temporal-jobs-worker）会多带一个 S3Proxy 边车，因而报告 2/2 而不是 1/1。

把 frontend 服务做端口转发，以访问 LlamaCloud 界面：

终端窗口

kubectl --namespace llamacloud port-forward svc/llamacloud-web 3000:80

在浏览器打开 http://localhost:3000，就能看到 LlamaCloud 界面。

注意

端口转发只用于第一次冒烟测试。 在让别人使用这套部署之前，请先设好 ingress.host。chart 会由它推导部署自身的公网 URL；不设时后端会退回到托管产品的 URL，于是登录与注册后的跳转会把用户送到 cloud.llamaindex.ai 而不是你的部署。见 Ingress 配置。

下一步

按你的需要选择部署路径：

🌩️ 各云厂商的部署指南

多数用户的推荐 —— 面向主流云厂商的、观点明确的完整指南：

📋 选择你的云厂商 →

  • Azure：AKS + Azure 原生服务，配 Microsoft Entra ID
  • AWS：EKS + AWS 原生服务（即将推出）
  • GCP：GKE + GCP 原生服务（即将推出）

这些指南用云原生服务与企业级认证，给出端到端的步骤。

⚙️ 自定义配置指南

面向高级用户 —— 有特定需求或非标准环境时：

若你需要自定义集成、有特定的合规要求，或想混搭不同服务，就用这些指南。

🚰 索引存储配置

在这里配置 LlamaCloud 的 Index 把文档的向量嵌入写到何处。目的地是部署级设置的，键为 config.defaultIndex.destination。支持的目标（MongoDB、Turbopuffer、PostgreSQL/pgvector、Azure AI Search）及其要求见 Index 配置。

更多示例与指南

  • 每个组件还有大量可配置项。要看完整的 values.yaml 规格，请参考 Helm chart 仓库里的 values.yaml 文件。
  • 想知道常见场景怎么配，请参考 Helm chart 仓库里的 values.yaml 示例目录。
  • 同样地，那里还有更多面向进阶配置的文档。

友情链接

  • Agents.md面向 AI 编码助手的仓库说明文件规范
  • LangChainLangChain 是一个开放的Agent平台
  • LangSmithAgent 工程平台：可观测与评估、部署、Fleet、Engine 等
  • EmbabelEmbabel 是一个JVM平台Agent框架
  • SpringAISpringAI 是一个基于 Spring 的 AI 框架
  • MCPModel Context Protocol，连接 AI 应用与外部数据/工具的开放标准
  • LangChain4jJava 生态的 LLM 应用开发框架
  • LlamaIndex把数据接入 LLM 的框架与文档平台
  • LlamaParse智能体式 OCR 文档解析：把 PDF、扫描件变成 LLM 可用的文本与结构化数据
  • LiteParse本地优先、轻量的文档解析库，不需要 API key
  • CrewAI多智能体编排框架：以 Crew/Flow 组织自主协作的 AI Agent
  • MAFMicrosoft Agent Framework，企业级 .NET/Python 智能体框架

BytesRouter 是社区翻译站点，所有译文仅供参考，一切以官方英文原文为准。

© 2026 BytesRouter · 译文采用 CC BY 4.0 许可