【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点击查看免费下载本文围绕 RocketRide 的Nodes节点概念展开在 RocketRide 中一条 pipeline 是一张有向图而节点正是这张图的顶点——每一个节点是一个只做一件事的组件。读完本文你将掌握节点的四段式结构id/provider/config/input、类类型与接线规则、source/target 连接器的分工以及如何在保持管线形状不变的前提下替换 LLM 或向量库 provider并看到仓库中真实 provider 定义与完整 RAG 管线的源码级印证。节点管线图的顶点RocketRide 的建模方式非常直接pipeline 是图节点是图的顶点。一个节点就是一个组件只负责一类工作调用模型、嵌入文本、查询向量库、解析文档、执行工具。你将节点组装进管线由 engine运行时引擎 负责执行。引擎加载一条.pipe文件JSON 格式后会依次完成解析校验、按provider实例化组件、布线把输出 data lane 接到消费它们的输入 lane、解析 agent 与 LLM/工具/记忆之间的invoke控制连接、流式调度执行、以及在输入耗尽或客户端调用terminate()时拆除运行。节点正是这一整套流程中被实例化、被布线、被调度的最小单元。解剖一个节点id、provider、config 与 input原文档给出.pipe文件中节点的标准形态每个节点是一个带有稳定身份identity与行为behaviour的对象由四个字段构成id节点在管线内的唯一名称例如llm_1provider节点是什么例如llm_openai、qdrant、webhook。provider 决定节点的行为以及它支持的 laneconfigprovider 专属设置包括 API 密钥、模型 profile、集合名、指令等。换 provider 或换模型只是一次配置编辑而不是代码改动input本节点消费的数据 lane以及这些 lane 来自哪些节点。原文档的示例节点{ id: llm_1, provider: llm_openai, config: { profile: openai-5-2 }, input: [{ lane: questions, from: qdrant_1 }] }这段声明的含义是llm_1使用 OpenAI 提供方、采用openai-5-2模型 profile并从qdrant_1节点的questionslane 接收输入。源码中的 provider 定义provider不是字符串魔法值它在仓库的每个节点目录中都有一份完整的services.json声明。以 llm_openai/services.json 为例一个 provider 的注册信息包括title显示名如OpenAIprotocol端点协议如llm_openai://同时充当 URL 与路径互转的prefix如llmclassType类类型数组llm_openai声明为[llm]capabilities改变底层引擎行为的能力标记如invokeregisterfilter/endpoint/ 省略三种注册方式lanes本节点支持的数据 lane 映射llm_openai为questions: [answers]preconfig预置 profile 集合含default指向的默认 profilefields本地字段定义如model、modelTotalTokens、temperature及其取值范围0–2、默认0icon与documentationUI 展示图标与文档链接。也就是说config中的每一个键最终都对应 provider 声明里的字段或 profile 预置项引擎按这份 JSON 生成表单、校验并实例化节点——这正是换 provider 只是配置编辑的底层原因。类类型节点做什么、如何接线每个 provider 都属于一个class type类类型它描述节点做哪一类工作。类类型同时决定节点的接线方式数据节点通过 lane 连接而agent、tool、llm、memory这几类节点除了 lane 之外还参与控制连接control connections详见 Agents tools。原文档列出的类类型非穷举目录扩充时会持续新增source · data · text · image · audio · video · embedding · llm · store · database · graph · tool · agent · memory · guard · rerank · search · infrastructure · target · preprocessor从源码看classType直接写在每个 provider 的services.json中例如llm_openai是[llm]而 core 模块 中的共享服务则展示了更多类类型取值Local File System 是sourceParser 是dataFingerprinter 是dataZIP Creation 与 Word indexer 是内部服务类类型为空、不可在画布上选择。两种接线方式数据 lane一条带类型的通道如questions→answers从一个组件流向下一个组件在节点的input数组里声明。完整 lane 表questions、answers、documents、text、tags、image、audio、video、table、json等与流式执行规则见 Execution model。控制连接invoke一个组件按类类型调用另一个组件例如 agent 调用llm而不是通过 lane 流式传数据。控制连接构成一条侧信道引擎在启动时解析它们使 agent 可以在运行中途调用工具而工具本身不必出现在任何数据 lane 上。连接器图边缘的 source 与 target连接器Connectors是位于图边缘、负责与管线外部世界读写的节点Sources源把数据带进来接收请求的webhook、流式传输对话的chat源、文件或数据库读取器Targets目标把结果送出去向调用方返回数据的response节点或写入存储、外部系统的节点。source 与 target 之间的所有节点嵌入、检索、LLM 调用、预处理都是在数据流经图时对数据做变换。源码中的连接器家族core 共享服务仓库的 core 模块 正是连接器与共享服务的大本营每个服务由一份services.*.json注册含标题、协议、类类型、能力、lane 与配置形态服务声明文件协议类类型LanesLocal File Systemservices.filesys.jsonfilesys://source_source→tagsParserservices.parse.jsonparse://datatags→text/table/image/video/audioFingerprinterservices.hash.jsonhash://datatags→tagsWord indexerservices.indexer.jsonindexer://空内部不可选择无ZIP Creationservices.zip.jsonzip://target内部无Nullservices.null.jsonnull://空内部source→tags其中 Local File System 是典型的 source 连接器从本地目录读取文件与文档能力标记为filesystem、noremote、security、nosaas支持export、delete、download动作主要配置为include/exclude路径数组Windows 用C:\foldername或\\file.core.net\foldernameLinux 用/file.core.net/foldername及excludeExternalDrives、excludeEnableGlobal、excludeSymlinks等默认true的开关。Paser 则自动识别文档内嵌内容路由到text、table、image、video、audio五个输出 lane自身无配置字段。此外core目录还提供被其他节点合并复用的共享字段库services.common.jsonstorePath路径格式、include/exclude逐路径开关如include.ocr、include.index、include.signing、include.vectorize、services.common.aws.jsonaws.accessKey/aws.secretKey/aws.region、services.common.gcp.jsongcp.authType默认adc、services.common.google.json、services.common.llm.jsonllm.local.serverbase默认http://localhost:11434/v1、services.common.remote.jsonremote.profile默认localremote.host默认pipe.rocketride.ai、端口5565、services.common.vector.jsonvector.collection默认ROCKETRIDE、vector.score默认0.7以及services.common.anonymize.jsonanonymize默认false掩码字符默认█。这些字段以services.all.json的形式组合成每槽位选一个 provider的选择器all.embedding默认embedding_transformer、all.llm默认openai、all.store默认qdrant、all.preprocessor默认preprocessor_langchain。交换 provider 而不改图因为行为都封装在providerconfig里只要新 provider 拥有兼容的契约相同的类类型、受支持的 lane 与控制连接你常常可以不改动管线的形状就更换它所用的 LLM 或向量库把llm节点指向另一个 provider把store节点重新指向另一个集合周边图结构完全不变。反之如果换到契约不同的 provider可能需要调整必填配置、lane 或控制连接。因此每次更换 provider 后都应重新校验管线。这一设计理念在仓库的示例中得到直接演示RAG 管线示例 末尾明确指出可以把embedding_openai换成embedding_transformer以本地运行嵌入无需 API 密钥也可以把qdrant换成pinecone或milvus管线其余部分无需任何改动——因为这三个向量库 provider 都属于store类类型、消费同样的documents/questionslane。节点目录catalog 源码树原文档描述的可选 provider 目录100 节点、横跨 15 个 LLM 提供方、9 个向量数据库以及 OCR、NER、PII 匿名化、转写和网络工具在仓库中对应 nodes/src/nodes 源码树目录名即 provider 名LLM 提供方llm_openai、llm_anthropic、llm_bedrock、llm_deepseek、llm_gemini、llm_glm、llm_ibm_watson、llm_kimi、llm_minimax、llm_mistral、llm_ollama、llm_perplexity、llm_qwen、llm_xai、llm_openai_api以及llm_vision_openai/llm_vision_gemini/llm_vision_ollama/llm_vision_mistral视觉变体向量数据库store_qdrant、store_pinecone、store_milvus、store_weaviate、store_chroma、store_astra、store_atlas、store_elasticsearch、store_postgres另有rocketride_vector文档处理ocr、ner、anonymize、audio_transcribe、parsing相关、llamaparse、reducto、chunker、preprocessor_langchain/preprocessor_llm/preprocessor_codeAgent 与工具agent_rocketride、agent_crewai、agent_langchain、agent_llamaindex、agent_deepagent以及tool_github、tool_http_request、tool_filesystem、tool_mcp_client、tool_slack、tool_notion、tool_google_workspace、tool_microsoft_365、tool_python等图与数据库graph_neo4j、graph_falkordb、graph_arango、graph_hydradb、db_postgres、db_mysql、db_clickhouse、db_firestore等。每个目录内都有一套约定俗成的文件布局services.jsonprovider 注册与 schema、README.md含ROCKETRIDE:GENERATED:PARAMS自动生成的参数字段表、Python 实现、requirements.txt与 SVG 图标。源码实例llm_openai 的 provider 定义与 schema以 llm_openai 为例看一个 provider 的完整契约。它通过langchain-openaiChatOpenAI与openaiSDK 接入 OpenAI GPT 模型推理类模型走 Responses API其余模型走 Chat Completions。它的 lane 是questions→answers可以直接挂在数据 lane 上也可被 agent 通过控制连接调用。关键配置行为Profile 预置默认 profile 为openai-5-2gpt-5.2400,000 上下文 / 128,000 输出还预置了openai-5-4、openai-4o、o1、o3、gpt-oss-120b等 80 个模型多数用户只需选 profile 填 API keyCustom 模型customprofile 暴露model与modelTotalTokens初始值 16,384需按实际模型上限填写好让管线在发送前拒绝超长提示认证所有 profile含custom都要填apikey管线校验阶段会用一次真实的单词级测试调用验证密钥与模型名坏密钥或错误模型名在运行前就会被报告而不是首次调用时才失败推理流式对配置了capabilities.reasoning的模型节点额外构建原生openai客户端通过 Responses API 以reasoning: {summary: auto}流式输出推理摘要增量通过thinkingSSE lane 转发回答正常流式返回非推理模型则用 LangChain 流式并按 profile 的输出上限截断温度每个 profile 都可配temperature范围0–2默认0推理模型忽略该参数由 OpenAI Responses API 单独控制采样校验与错误gpt-5前缀的模型用max_completion_tokens探测旧模型用max_tokens限流与连接错误可重试认证与其他 API 错误立即失败并返回 provider 专属信息。实战串联RAG 管线中的节点协作把以上概念落到完整实战仓库提供了 RAG 管线示例一条接受 HTTP 提问、从 Qdrant 检索上下文、由 LLM 生成回答的完整.pipe。其中每个组件正是本文讨论的节点形态节点provider角色source_1webhook暴露 HTTP 端点文档经tagslane 进入问题经questionslane 进入parser_1parse将上传文件PDF、Word 等转为textlane 上的干净文本prep_1preprocessor_langchain按strlen: 512切分文本产出documentslaneembed_1embedding_openai用text-embedding-3-small嵌入文档块并嵌入到来的问题store_1qdrant将向量 upsert 进rag-docs集合嵌入问题到达时检索最匹配块并注入上下文后重新发射为questionsllm_1llm_openai接收问题 检索上下文用 GPT-4o 生成回答target_1response向调用方返回回答注意embed_1与store_1同时消费documents与questions两条 lane一个节点可 fan-in 多个上游而llm_1只消费store_1的questions—— 这正是数据 lane 承载数据流、节点按 input 声明接线的直观体现。管线用rocketride start --pipeline ./rag.pipe启动后引擎打印 webhook URL 与公钥文档用curl -F file...POST 入库问题以text/plainPOST 后即可收到流式回答。下一步Pipelines.pipe文件的整体形态与最小示例Agents toolsagent/tool/llm/memory类节点的控制连接Execution modellane 如何在节点间携带数据、流式与并行执行规则Runtime engine引擎如何解析、实例化、布线与调度节点core 共享服务 与 llm_openai 节点阅读真实 provider 声明与字段 schemaRAG 管线示例把多个节点组装成一条可运行的完整管线。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 local_text_output 节点详解把管道文本可靠写入本地文件系统的设计与实现RocketRide local_text_output 节点详解把管道文本可靠写入本地文件系统的设计与实现 local_text_output 是 RockRocketRide 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 RocketRRocketRide rocketride diff为 .pipe 管线文件打造语义化 Diff 与 CI 评审工作流RocketRide rocketride diff 为 .pipe 管线文件打造语义化 Diff 与 CI 评审工作流 rocketride diff 是创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考