拓冰网站定制 
【免费下载链接】rocketride-serverHigh-performance AI pipeline engine with a C core and 50 Python-extensible nodes. Build, debug, and scale LLM workflows with 13 model providers, 8 vector databases, and agent orchestration, all from your IDE. Includes VS Code extension, TypeScript/Python SDKs, and Docker deployment.项目地址https://gitcode.com/gh_mirrors/ro/rocketride-server点击查看免费下载RocketRide 是一个开源 AI 开发环境AIDE它把 VS Code 这类经典 IDE 变成 AI 流水线的搭建、调试、观测与部署一体环境流水线以可移植的.pipeJSON 文件定义在画布上可视化编排由多线程 C 运行时执行并可嵌入任何 Python 或 TypeScript 应用。读完本文你将掌握从安装扩展、跑通第一条本地流水线、用 SDK 调用水流线到 Docker 自托管部署与可观测性分析的完整路径并能基于仓库源码理解.pipe格式与 SDK 调用链的真实实现。项目定位IDE 里的 AI 流水线构建器与运行时RocketRide 把「代码编辑器」升级为 AI 开发环境在一个地方完成 AI 运行时的组合compose、调试debug、观测observe与部署deploy支持任意模型、任意工具、任意框架不绑定单一供应商。其底层是一个为 AI 与数据工作负载设计的开源数据流水线构建器加运行时核心事实如下均来自仓库 README.md可移植 JSON 流水线流水线是纯 JSON.pipe文件可进 Git、可 diff、可评审在 IDE 画布中可视化编辑由多线程 C 运行时执行C 高性能引擎C 核心位于 packages/server/engine-core原生多线程面向 AI 与数据工作负载的吞吐需求100 流水线节点覆盖 15 LLM 提供商、9 个向量数据库、OCR、NER、PII 匿名化、分块策略、嵌入模型等全部节点基于 Python 可扩展可自行构建并发布。仓库中 nodes/src/nodes/ 目录当前包含145 个节点包可看到llm_openai、llm_anthropic、llm_ollama本地模型、ocr、ner、anonymize、embedding_transformer、agent_crewai、agent_langchain等真实目录多智能体工作流内置 CrewAI 与 LangChain 支持可串联 agent、在多次流水线运行间共享内存SDK 与 MCP提供 TypeScript、Python SDK 与 MCP 服务接口可将流水线暴露为 AI 助手可调用的工具零依赖烦恼Python 环境、C 工具链、Java/Tika 及全部节点依赖由仓库根目录的统一构建工具./builder自动管理克隆、构建、运行即可。完整功能对照表继承自 README特性说明可视化流水线构建器在 VS Code 中拖拽、连接、配置节点无需样板代码。实时可观测性跟踪 token 用量、LLM 调用、延迟与执行过程。流水线是可移植 JSON可版本化、可分享、可在任何地方运行高性能 C 运行时为 AI 与数据工作负载的吞吐需求而生的原生多线程面向生产规模100 流水线节点15 LLM 提供商、9 个向量数据库、OCR、NER、PII 匿名化、分块策略、嵌入模型等全部节点 Python 可扩展可自行构建发布多智能体工作流内置 CrewAI 与 LangChain 支持串联 agent、跨运行共享内存、管理多步推理Coding Agent 就绪自动检测编码 agentClaude、Cursor 等通过自然语言构建、修改、部署流水线TypeScript、Python 与 MCP SDK将流水线集成进原生应用、暴露为 AI 助手可调用的工具或把程序化工作流嵌入现有代码库零依赖烦恼Python 环境、C 工具链、Java/Tika 及节点依赖自动管理克隆、构建、运行无需手工配置一键部署可跑在 Docker、私有化环境或托管云生产就绪的架构项目整体为 MIT 许可、OSI 合规无企业版、无付费墙。Quick Start三步在本地跑起来RocketRide 的安装路径只有三步继承自 README.md 的 Quick Start 章节安装 IDE 扩展在扩展市场搜索 RocketRide 安装扩展。打开扩展点击 IDE 中的 RocketRide 扩展图标。部署服务器扩展会询问运行方式按环境选择Local推荐直接把服务器拉进 IDE无需任何额外配置On-Premises在自己的硬件上运行以获得完全控制与数据驻留——拉取 Docker 镜像部署或克隆本仓库从源码构建构建方式见 CONTRIBUTING.md 的 Getting Started 与 docs/development/index.md。从仓库结构看「一个构建工具管理整个 monorepo」并非宣传语仓库根目录的./builder以及builder.cmd统一封装 C 工具链、Python 环境与 Java/Tika 的管理。AGENTS.md 给出的常用命令可以印证./builder build # 构建全部模块server、shell、所有 UI、SDK、vscode ./builder test # 运行全部测试 python -m pytest path # 直接跑 Python 测试 python -m ruff check path # Python 检查Your First AI Feature无 API Key 跑通第一条流水线RocketRide 刻意用「你已经会的概念」来映射新模型该对照表完整继承自 README你已经知道的RocketRide 中的对应接收请求的 route源节点webhook、chat或dropper文件拖放按顺序串联的中间件节点在画布上连起来多数是 Python可以打开阅读返回的 response响应节点放进 Git 的配置如 Dockerfile.pipe文件纯 JSON可 diff、可评审从应用里调用一个服务Python 或 TypeScript SDK一次调用进、一个结果出三步不需要任何 API Key本地运行按上文 Quick Start 选择 Local安装即完成打开一条可运行的流水线在 IDE 中打开 examples/document-processor.pipe。给它一个 PDF 或图片它会提取文字包括图片里的文字、找出姓名、地址等个人信息并返回清洗后的副本。它跑在本地模型上数据不出机器。按源节点上的 ▶ 启动——其源是webhook会等待输入从代码调用它流水线此时就是一个服务可调用的函数。在 IDE 打开的目录下运行扩展会把引擎连接信息写入该目录的.envSDK 自动读取在其他位置运行时客户端会回退到托管端点。pip install rocketrideimport asyncio from rocketride import RocketRideClient async def main(): async with RocketRideClient() as client: run await client.use(filepathexamples/document-processor.pipe) out await client.send( run[token], Alice Smith, 12 Elm St, Springfield., objinfo{name: note.txt}, mimetypetext/plain ) print(out) await client.terminate(run[token]) asyncio.run(main())TypeScript 用法相同npm install rocketrideSDK 文档见仓库内 docs/public/typescript/ 与 docs/public/python/。下一步每次只走一步加一个模型在源节点和响应节点之间插一个llm_*节点加一个 API key同一条流水线就带上了 LLM按语义检索examples/rag-pipeline.pipe 是标准的「针对我的文档提问」模式需要一个 LLM key 和一个向量数据库Qdrant 可本地运行给它工具agent节点是一个被允许循环调用流水线中其他节点、直到任务完成的 LLMexamples/agent-workflow.pipe 展示了这种形态。从源码看 SDK 调用链README 示例中的三个方法在 Python SDK 中都有真实实现可以据此理解各参数语义use()定义在 packages/client-python/src/rocketride/mixins/execution.py签名为use(*, token, filepath, pipeline, source, threads, use_existing, args, ttl, pipelineTraceLevel, name, env)。其 docstring 明确说明从filepath加载时客户端会自动解开.pipe文件使用的{ pipeline: { ... } }包装格式——若文件顶层有pipelinekey 则提取内层对象否则按原样使用而直接传pipelinedict 时须传扁平的 PipelineConfig顶层即components、source、project_id不要自己包一层send()定义在 packages/client-python/src/rocketride/mixins/data.py另有send_files()用于文件类输入terminate()定义在 packages/client-python/src/rocketride/mixins/execution.py用 token 结束一条运行中的流水线。客户端类本体是 packages/client-python/src/rocketride/client.py 中的RocketRideClient支持async with上下文管理并暴露call()、tool()直接调用流水线内某个节点作为工具、account()、deploy()等方法族。构建你的第一条 Pipe.pipe 的真实结构README 的 Building Your First Pipe 章节给出了操作规则所有流水线都以*.pipe格式被识别。每条流水线及其配置都是 JSON 对象——IDE 扩展会在可视化画布中渲染它们所有流水线都以一个源节点开始webhook、chat或dropper按类型连接输入 lane 与输出 lane正确接线。部分节点如 agent 或 LLM可以作为工具被父节点调用点击源节点上的 ▶ 按钮或从Connection Manager直接运行流水线部署Docker / 本地 / 云见下节以独立进程运行或用 SDK 集成进现有 Python/TypeScript 应用。用仓库中的真实.pipe文件对照上述规则可以看清格式细节。examples/document-processor.pipe 顶层是{ components: [ /* 节点数组 */ ], project_id: 8c3de58a-79cb-4f2d-b5a6-1e93a6ed7faa, viewport: { x: 0, y: 0, zoom: 1 }, version: 1 }每个节点由四部分构成以其中的ner_1节点为例{ id: ner_1, provider: ner, config: {}, input: [ { lane: text, from: parse_1 }, { lane: text, from: ocr_1 } ], ui: { position: { x: 680, y: 200 }, measured: { width: 150, height: 66 }, nodeType: default, formDataValid: true } }provider对应 nodes/src/nodes/ 下的节点包名如webhook、parse、ocr、ner、anonymize_text、response_textinput是 lane 接线表ner_1同时接收来自parse_1和ocr_1的textlane——这正是「文档解析出的文本」与「图片 OCR 出的文本」两路合并后做实体识别的实现方式lane 类型匹配即 README 所说「按类型连接」ui只承载画布布局位置、尺寸、表单校验状态与执行语义解耦因此同一份.pipe既能 diff 又能渲染。再看 examples/rag-pipeline.pipe它展示了节点config的两种典型写法profile 机制与环境变量占位符{ id: llm_openai_1, provider: llm_openai, config: { profile: openai-4o, openai-4o: { apikey: ${ROCKETRIDE_OPENAI_KEY} }, parameters: {} }, input: [{ lane: questions, from: prompt_1 }] }profile选择具体模型档位如openai-4o、miniLM、向量库的local同 provider 可切换多套配置${ROCKETRIDE_OPENAI_KEY}、${ROCKETRIDE_QDRANT_HOST}等占位符从运行环境注入密钥不落盘进.pipe这是流水线「可进 Git」的关键前提分块参数显式可读preprocessor_langchain_1配置了mode: strlen、splitter: RecursiveCharacterTextSplitter、strlen: 512即按 512 字符长度递归切分。整条 RAG 链路的接线是webhook → parse → preprocessor_langchain → embedding_transformer → qdrant写入分支与chat → embedding_transformer → qdrant → prompt → llm_openai → response_answers问答分支qdrant_2节点同时向prompt_1输出documents检索到的上下文和questions改写后的问题两条 lane。部署流水线Docker、本地与云README 给出了三条部署路径Docker 方式的命令可直接复制执行需要本机已安装 Dockerdocker pull ghcr.io/rocketride-org/rocketride-engine:latest docker create --name rocketride-engine -p 5565:5565 ghcr.io/rocketride-org/rocketride-engine:latest仓库内的 docker/docker-compose.yml 印证了同一端口与健康检查约定端口映射${ENGINE_PORT:-5565}:5565即引擎默认监听5565这正是本地 WebSocket 端点ws://localhost:5565的出处环境变量ROCKETRIDE_LOG_LEVEL默认info可调引擎日志级别健康检查为curl -f http://localhost:5565/ping即引擎暴露/pingHTTP 端点供探活。另外两条路径Local Deployment从Connection Manager的Deploy页面下载所选运行时作为独立进程运行托管云跳过搭建同样的可移植流水线 JSON 直接跑在托管环境从原型到生产零基础设施。客户端指向引擎的约定极简本地一行ROCKETRIDE_URIws://localhost:5565托管环境两行ROCKETRIDE_URIhttps://api.rocketride.ai ROCKETRIDE_AUTHyour-api-token可观测性先优化再扩规模选中运行中的流水线即可获得深入分析能力追踪调用树call tree、token 用量、内存占用等在扩规模与部署之前优化流水线并据此挑选最匹配任务的模型、agent 与工具。这对应 IDE 中的 tracing 视图从 SDK 侧看可观测性是use()的一等参数pipelineTraceLevel允许在启动流水线时设定追踪级别见 execution.py 签名与 IDE 画布的实时观测共用同一套引擎事件。文档地图按读者角色定位资料仓库 docs/ 树是官方文档站的唯一来源站点按受众拆分docs/README.md 是完整索引。README 给出的速查表路径已核对存在你想找从这里开始使用 RocketRide快速上手、概念、指南、云、自托管docs/public/product/站点页面级对应SDK 指南TypeScript · Python · MCP基于引擎协议自建客户端docs/public/product/connect/websocket/5565 端口 WebSocket 协议贡献环境搭建、builder、引擎内部、节点开发docs/development/index.md节点目录nodes/src/nodes/ 下每个节点的README.md应用VS Code 扩展与 Shell UIapps/ 下各应用自己的目录monorepo 组织方式见 docs/development/apps/让 AI 助手理解 RocketRidedocs/agents/全仓库贡献规则集中在 AGENTS.md其中的「任务路由表」把每类任务写集成代码、改节点、测节点、写客户端文档、MCP、引擎内部、WebSocket 协议、崩溃上报、Shell 应用、builder直接映射到应读的文档是定位仓库资料的高效入口。贡献指南认领 issue、加分支、加节点README.md 的 Contributing 章节要点一句话认领 issue在任意开放 issue 下评论/assign即归属你无需权限或成员身份good first issue标签标出适合新手的任务help wanted标出更复杂的加分节点每个节点都是 nodes/src/nodes/ 下的一个小型 Python 包新增一个 provider、工具或 store 是很好的首次贡献。指南docs/development/nodes/index.mdAdding a New Node 一节节点 README 契约见 docs/development/nodes/readme-schema.md服务声明契约见 docs/development/nodes/services-schema.md测试方法见 docs/development/nodes/testing.md修你刚读到的文档文档 PR 随时欢迎包括这份 README流程Fork、按type/RR-issue-short-description建分支、向develop提 PR 并关联 issue。CONTRIBUTING.md 定义了分支类型feat/、fix/、hotfix/、docs/、refactor/、chore/与示例如fix/RR-123-sql-injection-prevention非规范命名的分支推送会被拒绝。可用 GitHub CLI 一步建分支并关联 issuegh issue develop 123 --name fix/RR-123-short-description --checkout治理与发布GOVERNANCE.md角色与决策、RELEASE.md发布流程、SECURITY.md安全报告。两种运行方式托管云 vs 私有化README 用同一张「同一份.pipe、两种托管方」的对照收尾核心权衡托管云私有化免费、MIT运维官方运维引擎你只指向端点构建无需任何基础设施供给原型到生产同一份.pipe原样运行自运维Docker、私有化、本地进程完全控制与数据驻留性能与成本官方模型服务器更高效地运行 AI 负载按 README 说法成本显著低于标准托管多线程 C 引擎之上自带自动扩缩与云完全相同的 C 引擎与执行语义可在需要时用 Helm chart 扩展到集群协作团队共享流水线同一处构建、运行、迭代数据与模型调用不出你的基础设施可置于防火墙后甚至完全断网环境连接方式如前私有化一行ROCKETRIDE_URIws://localhost:5565托管两行ROCKETRIDE_URIROCKETRIDE_AUTH。仓库内 deploy/helm/rocketride 与 deploy/helm/ARCHITECTURE.md 提供了私有化部署到 Kubernetes 的 Helm chart 与架构说明docker/Dockerfile.engine 是引擎镜像的构建定义。术语速查表README 附带的术语表完整继承如下方便快速对齐概念术语在 RocketRide 中的含义Pipeline流水线由步骤构建的请求处理器存为.pipeJSON 文件Node节点一个步骤提供商OpenAI、Anthropic…、工具GitHub、Slack…、存储、解析器Embedding嵌入把文本变成一组数字使「语义相近」变成「数字邻近」Vector database向量数据库按语义而非精确匹配查找记录的存储RAG先检索相关文档再带着它们作为上下文问模型Agent可以反复调用工具与节点直到任务完成的 LLMOCR / NER / PII从图片读出文字 / 找出姓名、日期、组织 / 检测个人数据Chunking分块把长文档切成足够小的片段便于嵌入与检索小结RocketRide 的核心价值主张可以浓缩为三句话.pipe是可 diff、可评审、可进 Git 的可移植 JSON画布只是它的编辑器多线程 C 引擎packages/server/engine-core提供生产级执行底座145 个 Python 节点包nodes/src/nodes覆盖从 LLM、向量库到 OCR/NER/PII 的能力面SDKPython/TypeScript/MCP把「运行中的流水线」降级为「一次函数调用」。从 examples/document-processor.pipe 本地无 Key 起步到 examples/rag-pipeline.pipe 加模型与向量库再到 Docker/Helm 私有化或托管云部署每一步都有仓库内文档docs/public/product/ 使用侧、docs/development/ 开发侧作为可验证依据。赞分享【免费下载链接】rocketride-serverHigh-performance AI pipeline engine with a C core and 50 Python-extensible nodes. Build, debug, and scale LLM workflows with 13 model providers, 8 vector databases, and agent orchestration, all from your IDE. Includes VS Code extension, TypeScript/Python SDKs, and Docker deployment.项目地址https://gitcode.com/gh_mirrors/ro/rocketride-server点击查看免费下载相关推荐RocketRide tool_chartjs 节点实战让流水线 LLM 自动生成 Chart.js 可视化图表RocketRide tool_chartjs 节点实战让流水线 LLM 自动生成 Chart.js 可视化图表 tool_chartjs 是 RocketRclaude-skills 生产级特征工程实战构建可复现、可版本化、在线离线一致的特征流水线claude skills 生产级特征工程实战构建可复现、可版本化、在线离线一致的特征流水线 特征工程是将原始数据转化为模型可用特征的过程而生产环境要求这些AI 技能AI 插件后端前端DevOps如何快速制作AOD熄屏表盘Mi-Create的AOD功能实用教程如何快速制作AOD熄屏表盘Mi Create的AOD功能实用教程 Mi Create 是一款免费开源的 小米穿戴设备表盘制作工具 兼容 2021 年前后发布桌面应用开发工具上一篇10%训练量实现性能反超SRPO大模型开启跨域效率革命下一篇探索全球最大涂鸦数据库Quick Draw数据集终极指南 创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 RocketRide 实战指南：用 C++ 引擎与 .pipe 可视化画布构建可移植的生产级 AI 流水线
【免费下载链接】rocketride-serverHigh-performance AI pipeline engine with a C core and 50 Python-extensible nodes. Build, debug, and scale LLM workflows with 13 model providers, 8 vector databases, and agent orchestration, all from your IDE. Includes VS Code extension, TypeScript/Python SDKs, and Docker deployment.项目地址https://gitcode.com/gh_mirrors/ro/rocketride-server点击查看免费下载RocketRide 是一个开源 AI 开发环境AIDE它把 VS Code 这类经典 IDE 变成 AI 流水线的搭建、调试、观测与部署一体环境流水线以可移植的.pipeJSON 文件定义在画布上可视化编排由多线程 C 运行时执行并可嵌入任何 Python 或 TypeScript 应用。读完本文你将掌握从安装扩展、跑通第一条本地流水线、用 SDK 调用水流线到 Docker 自托管部署与可观测性分析的完整路径并能基于仓库源码理解.pipe格式与 SDK 调用链的真实实现。项目定位IDE 里的 AI 流水线构建器与运行时RocketRide 把「代码编辑器」升级为 AI 开发环境在一个地方完成 AI 运行时的组合compose、调试debug、观测observe与部署deploy支持任意模型、任意工具、任意框架不绑定单一供应商。其底层是一个为 AI 与数据工作负载设计的开源数据流水线构建器加运行时核心事实如下均来自仓库 README.md可移植 JSON 流水线流水线是纯 JSON.pipe文件可进 Git、可 diff、可评审在 IDE 画布中可视化编辑由多线程 C 运行时执行C 高性能引擎C 核心位于 packages/server/engine-core原生多线程面向 AI 与数据工作负载的吞吐需求100 流水线节点覆盖 15 LLM 提供商、9 个向量数据库、OCR、NER、PII 匿名化、分块策略、嵌入模型等全部节点基于 Python 可扩展可自行构建并发布。仓库中 nodes/src/nodes/ 目录当前包含145 个节点包可看到llm_openai、llm_anthropic、llm_ollama本地模型、ocr、ner、anonymize、embedding_transformer、agent_crewai、agent_langchain等真实目录多智能体工作流内置 CrewAI 与 LangChain 支持可串联 agent、在多次流水线运行间共享内存SDK 与 MCP提供 TypeScript、Python SDK 与 MCP 服务接口可将流水线暴露为 AI 助手可调用的工具零依赖烦恼Python 环境、C 工具链、Java/Tika 及全部节点依赖由仓库根目录的统一构建工具./builder自动管理克隆、构建、运行即可。完整功能对照表继承自 README特性说明可视化流水线构建器在 VS Code 中拖拽、连接、配置节点无需样板代码。实时可观测性跟踪 token 用量、LLM 调用、延迟与执行过程。流水线是可移植 JSON可版本化、可分享、可在任何地方运行高性能 C 运行时为 AI 与数据工作负载的吞吐需求而生的原生多线程面向生产规模100 流水线节点15 LLM 提供商、9 个向量数据库、OCR、NER、PII 匿名化、分块策略、嵌入模型等全部节点 Python 可扩展可自行构建发布多智能体工作流内置 CrewAI 与 LangChain 支持串联 agent、跨运行共享内存、管理多步推理Coding Agent 就绪自动检测编码 agentClaude、Cursor 等通过自然语言构建、修改、部署流水线TypeScript、Python 与 MCP SDK将流水线集成进原生应用、暴露为 AI 助手可调用的工具或把程序化工作流嵌入现有代码库零依赖烦恼Python 环境、C 工具链、Java/Tika 及节点依赖自动管理克隆、构建、运行无需手工配置一键部署可跑在 Docker、私有化环境或托管云生产就绪的架构项目整体为 MIT 许可、OSI 合规无企业版、无付费墙。Quick Start三步在本地跑起来RocketRide 的安装路径只有三步继承自 README.md 的 Quick Start 章节安装 IDE 扩展在扩展市场搜索 RocketRide 安装扩展。打开扩展点击 IDE 中的 RocketRide 扩展图标。部署服务器扩展会询问运行方式按环境选择Local推荐直接把服务器拉进 IDE无需任何额外配置On-Premises在自己的硬件上运行以获得完全控制与数据驻留——拉取 Docker 镜像部署或克隆本仓库从源码构建构建方式见 CONTRIBUTING.md 的 Getting Started 与 docs/development/index.md。从仓库结构看「一个构建工具管理整个 monorepo」并非宣传语仓库根目录的./builder以及builder.cmd统一封装 C 工具链、Python 环境与 Java/Tika 的管理。AGENTS.md 给出的常用命令可以印证./builder build # 构建全部模块server、shell、所有 UI、SDK、vscode ./builder test # 运行全部测试 python -m pytest path # 直接跑 Python 测试 python -m ruff check path # Python 检查Your First AI Feature无 API Key 跑通第一条流水线RocketRide 刻意用「你已经会的概念」来映射新模型该对照表完整继承自 README你已经知道的RocketRide 中的对应接收请求的 route源节点webhook、chat或dropper文件拖放按顺序串联的中间件节点在画布上连起来多数是 Python可以打开阅读返回的 response响应节点放进 Git 的配置如 Dockerfile.pipe文件纯 JSON可 diff、可评审从应用里调用一个服务Python 或 TypeScript SDK一次调用进、一个结果出三步不需要任何 API Key本地运行按上文 Quick Start 选择 Local安装即完成打开一条可运行的流水线在 IDE 中打开 examples/document-processor.pipe。给它一个 PDF 或图片它会提取文字包括图片里的文字、找出姓名、地址等个人信息并返回清洗后的副本。它跑在本地模型上数据不出机器。按源节点上的 ▶ 启动——其源是webhook会等待输入从代码调用它流水线此时就是一个服务可调用的函数。在 IDE 打开的目录下运行扩展会把引擎连接信息写入该目录的.envSDK 自动读取在其他位置运行时客户端会回退到托管端点。pip install rocketrideimport asyncio from rocketride import RocketRideClient async def main(): async with RocketRideClient() as client: run await client.use(filepathexamples/document-processor.pipe) out await client.send( run[token], Alice Smith, 12 Elm St, Springfield., objinfo{name: note.txt}, mimetypetext/plain ) print(out) await client.terminate(run[token]) asyncio.run(main())TypeScript 用法相同npm install rocketrideSDK 文档见仓库内 docs/public/typescript/ 与 docs/public/python/。下一步每次只走一步加一个模型在源节点和响应节点之间插一个llm_*节点加一个 API key同一条流水线就带上了 LLM按语义检索examples/rag-pipeline.pipe 是标准的「针对我的文档提问」模式需要一个 LLM key 和一个向量数据库Qdrant 可本地运行给它工具agent节点是一个被允许循环调用流水线中其他节点、直到任务完成的 LLMexamples/agent-workflow.pipe 展示了这种形态。从源码看 SDK 调用链README 示例中的三个方法在 Python SDK 中都有真实实现可以据此理解各参数语义use()定义在 packages/client-python/src/rocketride/mixins/execution.py签名为use(*, token, filepath, pipeline, source, threads, use_existing, args, ttl, pipelineTraceLevel, name, env)。其 docstring 明确说明从filepath加载时客户端会自动解开.pipe文件使用的{ pipeline: { ... } }包装格式——若文件顶层有pipelinekey 则提取内层对象否则按原样使用而直接传pipelinedict 时须传扁平的 PipelineConfig顶层即components、source、project_id不要自己包一层send()定义在 packages/client-python/src/rocketride/mixins/data.py另有send_files()用于文件类输入terminate()定义在 packages/client-python/src/rocketride/mixins/execution.py用 token 结束一条运行中的流水线。客户端类本体是 packages/client-python/src/rocketride/client.py 中的RocketRideClient支持async with上下文管理并暴露call()、tool()直接调用流水线内某个节点作为工具、account()、deploy()等方法族。构建你的第一条 Pipe.pipe 的真实结构README 的 Building Your First Pipe 章节给出了操作规则所有流水线都以*.pipe格式被识别。每条流水线及其配置都是 JSON 对象——IDE 扩展会在可视化画布中渲染它们所有流水线都以一个源节点开始webhook、chat或dropper按类型连接输入 lane 与输出 lane正确接线。部分节点如 agent 或 LLM可以作为工具被父节点调用点击源节点上的 ▶ 按钮或从Connection Manager直接运行流水线部署Docker / 本地 / 云见下节以独立进程运行或用 SDK 集成进现有 Python/TypeScript 应用。用仓库中的真实.pipe文件对照上述规则可以看清格式细节。examples/document-processor.pipe 顶层是{ components: [ /* 节点数组 */ ], project_id: 8c3de58a-79cb-4f2d-b5a6-1e93a6ed7faa, viewport: { x: 0, y: 0, zoom: 1 }, version: 1 }每个节点由四部分构成以其中的ner_1节点为例{ id: ner_1, provider: ner, config: {}, input: [ { lane: text, from: parse_1 }, { lane: text, from: ocr_1 } ], ui: { position: { x: 680, y: 200 }, measured: { width: 150, height: 66 }, nodeType: default, formDataValid: true } }provider对应 nodes/src/nodes/ 下的节点包名如webhook、parse、ocr、ner、anonymize_text、response_textinput是 lane 接线表ner_1同时接收来自parse_1和ocr_1的textlane——这正是「文档解析出的文本」与「图片 OCR 出的文本」两路合并后做实体识别的实现方式lane 类型匹配即 README 所说「按类型连接」ui只承载画布布局位置、尺寸、表单校验状态与执行语义解耦因此同一份.pipe既能 diff 又能渲染。再看 examples/rag-pipeline.pipe它展示了节点config的两种典型写法profile 机制与环境变量占位符{ id: llm_openai_1, provider: llm_openai, config: { profile: openai-4o, openai-4o: { apikey: ${ROCKETRIDE_OPENAI_KEY} }, parameters: {} }, input: [{ lane: questions, from: prompt_1 }] }profile选择具体模型档位如openai-4o、miniLM、向量库的local同 provider 可切换多套配置${ROCKETRIDE_OPENAI_KEY}、${ROCKETRIDE_QDRANT_HOST}等占位符从运行环境注入密钥不落盘进.pipe这是流水线「可进 Git」的关键前提分块参数显式可读preprocessor_langchain_1配置了mode: strlen、splitter: RecursiveCharacterTextSplitter、strlen: 512即按 512 字符长度递归切分。整条 RAG 链路的接线是webhook → parse → preprocessor_langchain → embedding_transformer → qdrant写入分支与chat → embedding_transformer → qdrant → prompt → llm_openai → response_answers问答分支qdrant_2节点同时向prompt_1输出documents检索到的上下文和questions改写后的问题两条 lane。部署流水线Docker、本地与云README 给出了三条部署路径Docker 方式的命令可直接复制执行需要本机已安装 Dockerdocker pull ghcr.io/rocketride-org/rocketride-engine:latest docker create --name rocketride-engine -p 5565:5565 ghcr.io/rocketride-org/rocketride-engine:latest仓库内的 docker/docker-compose.yml 印证了同一端口与健康检查约定端口映射${ENGINE_PORT:-5565}:5565即引擎默认监听5565这正是本地 WebSocket 端点ws://localhost:5565的出处环境变量ROCKETRIDE_LOG_LEVEL默认info可调引擎日志级别健康检查为curl -f http://localhost:5565/ping即引擎暴露/pingHTTP 端点供探活。另外两条路径Local Deployment从Connection Manager的Deploy页面下载所选运行时作为独立进程运行托管云跳过搭建同样的可移植流水线 JSON 直接跑在托管环境从原型到生产零基础设施。客户端指向引擎的约定极简本地一行ROCKETRIDE_URIws://localhost:5565托管环境两行ROCKETRIDE_URIhttps://api.rocketride.ai ROCKETRIDE_AUTHyour-api-token可观测性先优化再扩规模选中运行中的流水线即可获得深入分析能力追踪调用树call tree、token 用量、内存占用等在扩规模与部署之前优化流水线并据此挑选最匹配任务的模型、agent 与工具。这对应 IDE 中的 tracing 视图从 SDK 侧看可观测性是use()的一等参数pipelineTraceLevel允许在启动流水线时设定追踪级别见 execution.py 签名与 IDE 画布的实时观测共用同一套引擎事件。文档地图按读者角色定位资料仓库 docs/ 树是官方文档站的唯一来源站点按受众拆分docs/README.md 是完整索引。README 给出的速查表路径已核对存在你想找从这里开始使用 RocketRide快速上手、概念、指南、云、自托管docs/public/product/站点页面级对应SDK 指南TypeScript · Python · MCP基于引擎协议自建客户端docs/public/product/connect/websocket/5565 端口 WebSocket 协议贡献环境搭建、builder、引擎内部、节点开发docs/development/index.md节点目录nodes/src/nodes/ 下每个节点的README.md应用VS Code 扩展与 Shell UIapps/ 下各应用自己的目录monorepo 组织方式见 docs/development/apps/让 AI 助手理解 RocketRidedocs/agents/全仓库贡献规则集中在 AGENTS.md其中的「任务路由表」把每类任务写集成代码、改节点、测节点、写客户端文档、MCP、引擎内部、WebSocket 协议、崩溃上报、Shell 应用、builder直接映射到应读的文档是定位仓库资料的高效入口。贡献指南认领 issue、加分支、加节点README.md 的 Contributing 章节要点一句话认领 issue在任意开放 issue 下评论/assign即归属你无需权限或成员身份good first issue标签标出适合新手的任务help wanted标出更复杂的加分节点每个节点都是 nodes/src/nodes/ 下的一个小型 Python 包新增一个 provider、工具或 store 是很好的首次贡献。指南docs/development/nodes/index.mdAdding a New Node 一节节点 README 契约见 docs/development/nodes/readme-schema.md服务声明契约见 docs/development/nodes/services-schema.md测试方法见 docs/development/nodes/testing.md修你刚读到的文档文档 PR 随时欢迎包括这份 README流程Fork、按type/RR-issue-short-description建分支、向develop提 PR 并关联 issue。CONTRIBUTING.md 定义了分支类型feat/、fix/、hotfix/、docs/、refactor/、chore/与示例如fix/RR-123-sql-injection-prevention非规范命名的分支推送会被拒绝。可用 GitHub CLI 一步建分支并关联 issuegh issue develop 123 --name fix/RR-123-short-description --checkout治理与发布GOVERNANCE.md角色与决策、RELEASE.md发布流程、SECURITY.md安全报告。两种运行方式托管云 vs 私有化README 用同一张「同一份.pipe、两种托管方」的对照收尾核心权衡托管云私有化免费、MIT运维官方运维引擎你只指向端点构建无需任何基础设施供给原型到生产同一份.pipe原样运行自运维Docker、私有化、本地进程完全控制与数据驻留性能与成本官方模型服务器更高效地运行 AI 负载按 README 说法成本显著低于标准托管多线程 C 引擎之上自带自动扩缩与云完全相同的 C 引擎与执行语义可在需要时用 Helm chart 扩展到集群协作团队共享流水线同一处构建、运行、迭代数据与模型调用不出你的基础设施可置于防火墙后甚至完全断网环境连接方式如前私有化一行ROCKETRIDE_URIws://localhost:5565托管两行ROCKETRIDE_URIROCKETRIDE_AUTH。仓库内 deploy/helm/rocketride 与 deploy/helm/ARCHITECTURE.md 提供了私有化部署到 Kubernetes 的 Helm chart 与架构说明docker/Dockerfile.engine 是引擎镜像的构建定义。术语速查表README 附带的术语表完整继承如下方便快速对齐概念术语在 RocketRide 中的含义Pipeline流水线由步骤构建的请求处理器存为.pipeJSON 文件Node节点一个步骤提供商OpenAI、Anthropic…、工具GitHub、Slack…、存储、解析器Embedding嵌入把文本变成一组数字使「语义相近」变成「数字邻近」Vector database向量数据库按语义而非精确匹配查找记录的存储RAG先检索相关文档再带着它们作为上下文问模型Agent可以反复调用工具与节点直到任务完成的 LLMOCR / NER / PII从图片读出文字 / 找出姓名、日期、组织 / 检测个人数据Chunking分块把长文档切成足够小的片段便于嵌入与检索小结RocketRide 的核心价值主张可以浓缩为三句话.pipe是可 diff、可评审、可进 Git 的可移植 JSON画布只是它的编辑器多线程 C 引擎packages/server/engine-core提供生产级执行底座145 个 Python 节点包nodes/src/nodes覆盖从 LLM、向量库到 OCR/NER/PII 的能力面SDKPython/TypeScript/MCP把「运行中的流水线」降级为「一次函数调用」。从 examples/document-processor.pipe 本地无 Key 起步到 examples/rag-pipeline.pipe 加模型与向量库再到 Docker/Helm 私有化或托管云部署每一步都有仓库内文档docs/public/product/ 使用侧、docs/development/ 开发侧作为可验证依据。赞分享【免费下载链接】rocketride-serverHigh-performance AI pipeline engine with a C core and 50 Python-extensible nodes. Build, debug, and scale LLM workflows with 13 model providers, 8 vector databases, and agent orchestration, all from your IDE. Includes VS Code extension, TypeScript/Python SDKs, and Docker deployment.项目地址https://gitcode.com/gh_mirrors/ro/rocketride-server点击查看免费下载相关推荐RocketRide tool_chartjs 节点实战让流水线 LLM 自动生成 Chart.js 可视化图表RocketRide tool_chartjs 节点实战让流水线 LLM 自动生成 Chart.js 可视化图表 tool_chartjs 是 RocketRclaude-skills 生产级特征工程实战构建可复现、可版本化、在线离线一致的特征流水线claude skills 生产级特征工程实战构建可复现、可版本化、在线离线一致的特征流水线 特征工程是将原始数据转化为模型可用特征的过程而生产环境要求这些AI 技能AI 插件后端前端DevOps如何快速制作AOD熄屏表盘Mi-Create的AOD功能实用教程如何快速制作AOD熄屏表盘Mi Create的AOD功能实用教程 Mi Create 是一款免费开源的 小米穿戴设备表盘制作工具 兼容 2021 年前后发布桌面应用开发工具上一篇10%训练量实现性能反超SRPO大模型开启跨域效率革命下一篇探索全球最大涂鸦数据库Quick Draw数据集终极指南 创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考