用途
RocketRide 定位为开源的 AIDE（AI 开发环境），目标是把开发者日常使用的 IDE 变成完整的 AI 开发环境，在一个地方完成 AI 运行时的编排、调试、观测与部署。它本身是一个面向 AI 与 ML 工作负载的开源数据管线构建器与运行时，适合构建、调试和扩展 LLM 工作流，无论使用何种模型、工具或框架，均尽量避免厂商锁定。
主要能力
- 高性能引擎：C++ 核心，多线程运行时，号称具有高吞吐、生产就绪的执行能力。
- 节点生态：50+ Python 可扩展节点（另一处表述为 100+ 管线节点），覆盖 15+ LLM 提供商、9 个向量数据库（另一处表述为 8+）、OCR、NER 等。
- 多模型与存储支持：13+ 模型提供商、8+ 向量数据库。
- 智能体编排：支持 agent 节点，LLM 在循环中调用其他节点直到完成，也可将 agent 或 LLM 作为工具被父节点调用。
- 可视化构建：在 VS Code 中以可视化画布设计、测试和发布复杂 AI 工作流。
- 可移植管线：管线以 JSON 对象定义，扩展名为 .pipe；每种管线与配置均为 JSON 对象。
- 可观测性：对运行中的管线提供深入分析，可追踪调用树、token 用量、内存消耗等，用于在扩展与部署前优化管线。
- 多语言集成：提供 TypeScript/Python SDK，可将管线以少量代码嵌入 Python 或 TypeScript 应用。
- 部署方式：支持 Docker 镜像、本地独立进程部署，以及 RocketRide Cloud 托管。
- 开源许可：整个引擎采用 MIT 许可，OSI 合规，无企业版、无付费墙。
使用方式
- 安装 IDE 扩展：在扩展市场搜索 RocketRide；若未见对应 IDE，可提交 issue 或直接下载。扩展支持 VS Code（也可在 Open VSX Registry 获取）。
- 部署服务器：点击扩展后按提示选择运行方式。Local（推荐）会把服务器直接拉入 IDE，无需额外设置；On-Premises 可在自有硬件上运行以获得完整控制与数据驻留，方式为拉取镜像部署到 Docker 或克隆本仓库从源码构建。
- 快速上手（无需 API key）：按 Quick Start 选择 Local 完成安装；在 IDE 中打开示例管线 examples/document-processor.pipe，给它 PDF 或图片，即可抽取文本（包括图片内文字）、识别姓名、地址等个人数据并返回清理后的副本，运行在本地模型上，数据不离开本机；按源节点上的 ▶ 启动，其源为 webhook，会等待输入。
- 从代码调用：在 IDE 打开的文件夹中运行，扩展会把引擎连接信息写入 .env，SDK 自动读取；在其他位置运行则回退到 RocketRide Cloud。Python 示例：
pip install rocketride
import asyncio
from rocketride import RocketRideClient
async def main():
async with RocketRideClient() as client:
run = await client.use(filepath='examples/document-processor.pipe')
out = await client.send(
run['token'],
'Alice Smith, 12 Elm St, Springfield.',
objinfo={'name': 'note.txt'},
mimetype='text/plain'
)
print(out)
await client.terminate(run['token'])
asyncio.run(main())
TypeScript 用法相同：
npm install rocketride
- 进阶路径：在 source 与 response 之间加入 llm_* 节点并配置一个 API key；使用 examples/rag-pipeline.pipe 实现“针对文档提问”的 RAG 模式，需一个 LLM key 与向量数据库（Qdrant 可本地运行）；使用 examples/agent-workflow.pipe 了解智能体工具调用形态。
- 构建管线：所有管线以 *.pipe 格式识别，每条管线及配置为 JSON 对象，IDE 扩展会在可视化画布中渲染；管线以源节点开始，可选 webhook、chat 或 dropper；按类型连接输入通道与输出通道；可在画布按源节点 ▶ 运行，或从 Connection Manager 运行。
- 部署管线：Docker 方式需已安装 Docker：
docker pull ghcr.io/rocketride-org/rocketride-engine:latest
docker create --name rocketride-engine -p 5565:5565 ghcr.io/rocketride-org/rocketride-engine:latest
也可从 Connection Manager 的 Deploy 页面下载独立运行时本地部署，或使用 RocketRide Cloud 托管，同一份可移植管线 JSON 可保持不变。 8. 云端与本地：RocketRide Cloud 现已上线，负责运行与扩展，连接仅需两行；On-Prem 免费且 MIT，可用 Docker、本地进程或自有硬件运行同一引擎，数据完全驻留，构建于云端的 .pipe 可原样在自有硬件运行。
适用场景
- 在 IDE 中可视化设计、调试和发布 AI 工作流。
- 将 AI 管线（如文档处理、RAG、智能体工作流）嵌入现有 Python 或 TypeScript/JS 应用。
- 需要自托管、数据不出本机或自有基础设施的 AI 与 ML 数据处理。
- 实时数据处理与多模态 AI 搜索。
- 需要深入观测（调用树、token、内存）以优化后再扩展部署的团队。
- 希望避免厂商锁定、使用 MIT 开源引擎的组织。
限制与说明
- 资料未提供具体价格（RocketRide Cloud 的具体收费方案、额度或计费方式均未提及），仅说明 On-Prem 免费且 MIT、无付费墙。
- 资料未提供性能基准的具体数值、SLA 或并发上限。
- 资料未提供节点、模型提供商、向量数据库的完整清单；不同段落对节点数（50+ 与 100+）、LLM 提供商数（13+ 与 15+）、向量数据库数（8+ 与 9）的表述不一致。
- 资料未提供系统要求、支持的操作系统版本或 Docker 之外的依赖细节。
- 资料未提供 SDK 的完整 API、定价或使用限制。
- 资料未提供 Roadmap、版本号或更新日志。
- 若要贡献节点：每个节点是 nodes/src/nodes/ 下的小型 Python 包；可在任意开放 issue 下评论 /assign 认领，无需权限或成员资格；提交 PR 以 develop 为目标，分支命名 <type>/RR-<issue>-<short-description>；构建工具统一为 ./builder。
