RooFlow
RooFlow 是一款为 VS Code 用户设计的 AI 辅助开发增强插件,基于 Roo Code 扩展构建,提供五种专注不同任务的智能模式:架构设计、代码生成、调试分析、问答咨询和任务协调。它通过 YAML 格式的系统提示词替代传统 Markdown,显著降低 AI 调用时的 token 消耗,提升响应效率。RooFlow 引入“记忆银行”机制,自动保存并关联项目上下文,让 AI 在多轮对话中持续理解你的代码结构与开发意图,无需重复说明背景。其核心亮点是五种模式协同工作,由“协调者”智能分派任务,兼顾效率与精准度,同时支持实时更新记忆内容。适合频繁使用 AI 编程助手的开发者,尤其是中大型项目中的工程师,希望减少重复提示、提升开发连贯性的人群。虽然功能实验性较强,不属官方支持,但对追求高效、低开销 AI 开发体验的用户而言,是一个值得尝试的轻量级优化方案。
使用场景
一位全栈开发者正在维护一个包含 15 个微服务的遗留系统,需在两周内为新需求添加 API 接口并修复三个历史 Bug。他每天要反复向 AI 助手询问上下文:哪个服务调用了哪个数据库?这个字段在哪个模块被修改过?上次修复类似 Bug 的提交是哪次?
没有 RooFlow 时
- 每次重启 VS Code,AI 都“忘记”项目结构,必须重新粘贴 README 和架构图作为上下文,浪费大量时间。
- 使用标准 Markdown 提示时,单次请求消耗 2000+ token,频繁触发限流,响应延迟超过 10 秒。
- 在调试时,AI 无法关联不同服务间的调用链,常给出错误的依赖推测,导致误改代码。
- 项目中多个模块的命名规则不一致,AI 无法自动识别“UserSvc”和“userService”是同一服务。
- 每次切换任务(如从开发转为调试),需手动重设 AI 角色,流程零散、效率低下。
使用 RooFlow 后
- Memory Bank 自动记录所有服务名、接口定义和关键变更历史,即使关闭 VS Code,重启后 AI 仍能精准回忆上下文。
- YAML 格式提示词将单次请求 token 消耗降低至 800 以内,响应速度提升 60%,不再因限流中断工作流。
- Flow-Debug 模式能自动关联跨服务调用链,结合 Memory Bank 中的日志路径,准确指出问题发生在 OrderService 的缓存失效环节。
- Flow-Architect 模式自动标准化命名识别,将“UserSvc”“userService”统一映射为“用户服务”,避免混淆。
- 通过 Flow-Orchestrator 一键切换模式,开发、调试、提问无缝衔接,无需重复配置,任务切换效率提升近 70%。
RooFlow 让 AI 从“每次都要重新教”的助手,变成了真正懂你项目的“第二大脑”。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
⚠️ Roo Code 的备用系统提示格式 ⚠️
RooFlow 提供了一组实验性模式和系统提示,旨在作为与 Roo Code VS Code 扩展交互的替代方式。 它采用基于 YAML 的系统提示,与标准 Markdown 提示相比,可提高效率并减少令牌使用量。RooFlow 并未获得 Roo Code 项目的官方认可或支持。请谨慎使用。
✨现支持可选安装,以配合全新的 Context Portal MCP 使用!!✨
RooFlow
持久化项目上下文与精简的 AI 辅助开发
🎯 概览
RooFlow 为 Roo Code VS Code 扩展 中的 AI 辅助开发提供了一种实验性的替代方案。它采用基于 YAML 的系统提示来实现其特有的“Flow”模式,相较于标准模式,可能带来更高的效率和更低的令牌消耗。RooFlow 通过其 Memory Bank 系统(借鉴了 roo-code-memory-bank 中的概念)提供了持久化的项目上下文,确保 AI 助手在不同会话中都能保持对项目的理解。
相较于 Roo Code Memory Bank 的关键改进:
- 降低令牌消耗: 优化后的提示和指令最大限度地减少了令牌使用。
- 五种集成模式: Flow-Architect、Flow-Code、Flow-Debug、Flow-Ask 和 Flow-Orchestrator 模式无缝协作。
- 简化设置: 更加简便的安装与配置。
- 精简实时更新: Memory Bank 更新更高效且更具针对性。
- 更清晰的说明: 改进的 YAML 规则文件,提升可读性和可维护性。
关键组件
%%{init: {'themeVariables': { 'fontSize': '14px'}}}%%
graph LR
subgraph Workspace
U[用户]
MB[(Memory Bank)]
end
subgraph VSCode
RC[Roo Code 扩展]
end
subgraph RooFlow ["RooFlow(实验性替代方案)"]
subgraph FlowModes ["Flow 模式(YAML 提示)"]
direction TB
FO[Flow-Orchestrator]
subgraph ExecutionModes ["直接/委托模式"]
direction LR
FA[Flow-Architect]
FC[Flow-Code]
FD[Flow-Debug]
FK[Flow-Ask]
end
%% 将 Orchestrator 链接到它所委托的组
FO -- 委托 --> ExecutionModes
end
end
%% 核心流程
U -- 与 --> RC 交互
RC -- 使用 --> RooFlow
%% 用户任务路径
U -- 复杂任务 --> FO
U -- 直接任务 --> ExecutionModes
%% Memory Bank 交互
FA <--> MB
FC <--> MB
FD <--> MB
FK --> MB
%% 样式
style MB fill:#f9f,stroke:#333,stroke-width:2px,color:#000
style FO fill:#ccf,stroke:#333,stroke-width:2px,color:#000
Memory Bank 访问标记:
<-->(读/写):Flow-Architect、Flow-Code、Flow-Debug-->(只读):Flow-Ask
- 🧠 Memory Bank:用于存储项目知识的持久化存储(自动管理)。
- 💻 系统提示:每个模式的核心指令均基于 YAML(位于
.roo/system-prompt-[mode])。 - 🔧 VS Code 集成:在 VS Code 中实现无缝开发体验。
- ⚡ 实时更新:由重要事件触发的 Memory Bank 自动更新。
🚀 快速入门
安装
- 安装 Roo Code 扩展: 确保您已在 VS Code 中安装了 Roo Code 扩展。
- 先决条件:
- Git: 安装脚本需要
git已安装并可在系统的 PATH 中访问。请从 https://git-scm.com/downloads 下载 Git。 - Python 3: 脚本现在直接使用 Python。确保 Python 3 已安装,并可在 PATH 中以
python3(Linux/macOS)或python(Windows)访问。请从 https://www.python.org/downloads/ 下载 Python。 - PyYAML: Python 脚本需要 PyYAML 库。使用 pip 安装:
pip install pyyaml # 或者可能需要 pip3 install pyyaml - Git: 安装脚本需要
- 打开您的终端,并导航(cd)到项目的根目录。
- 直接运行适用于您操作系统的相应命令:
- Windows(命令提示符或 PowerShell):
下载脚本
用于基于文件的 Memory Bank:
curl -O https://raw.githubusercontent.com/GreatScottyMac/RooFlow/main/config/install_rooflow.cmdcurl -O https://raw.githubusercontent.com/GreatScottyMac/RooFlow/main/config/install_rooflow_conport.cmd执行下载的脚本(⚠️如果您已连接 MCP 服务器,请先参阅 导入已连接的 MCP 服务器工具 再进行安装):
./install_rooflow.cmd或
./install_rooflow_conport.cmd
- Linux / macOS(bash/zsh):
- 下载脚本
适用于基于文件的内存库:
curl -O https://raw.githubusercontent.com/GreatScottyMac/RooFlow/main/config/install_rooflow.sh
curl -O https://raw.githubusercontent.com/GreatScottyMac/RooFlow/main/config/install_rooflow_conport.sh
- 使脚本可执行:
chmod +x install_rooflow.sh
或
chmod +x install_rooflow_conport.sh
- 执行下载的脚本(⚠️如果您已连接MCP服务器,请在安装前参阅导入已连接的MCP服务器工具):
./install_rooflow.sh
或
./install_rooflow_conport.sh
该命令会下载并执行脚本,脚本将检查先决条件(
git、python3/python、pyyaml),克隆仓库,复制必要文件(包括generate_mcp_yaml.py),清理克隆目录,并运行Python脚本处理模板。请根据屏幕提示或错误信息进行操作。注意: 安装脚本(
install_rooflow.*)在执行后会保留下来,以便后续重新运行(例如用于更新)。验证安装: 脚本成功运行后:
- 检查项目根目录中是否存在
.roo/目录以及.roomodes文件。 - 可选地,检查
.roo/system-prompt-*文件,确保诸如WORKSPACE_PLACEHOLDER之类的占位符已被替换为您的实际系统路径。
- 与标准模式共存: RooFlow安装会将
Flow-*模式与标准Roo Code模式(Architect、Code、Debug、Ask)并列添加。您可随时通过Roo Code界面在Flow模式和标准模式之间切换。如果遇到Flow模式的问题,您可以轻松切换回其标准对应模式。
导入已连接的MCP服务器工具(可选)
如果您在Roo Code中使用MCP(模型上下文协议)服务器,RooFlow可在安装时自动将已连接服务器的详细信息(包括其工具、资源等)注入自定义Flow模式提示中。这确保了Flow模式能够识别与标准Roo Code模式相同的工具。
要在初始安装时启用此功能:
- 获取完整系统提示: 在运行RooFlow安装程序之前,您需要Roo Code动态生成的完整系统提示文本——该文本是在Roo Code连接到您的MCP服务器后生成的。
- 导航至“扩展”->“Roo Code”->“提示”(如图所示)。
- 选择任意一个标准Roo Code模式(例如,“Architect”、“Code”、“Ask”、“Debug”)。
- 点击“复制系统提示到剪贴板”按钮(如上图所示)。
- 此文本包含您当前已连接的MCP服务器的动态发现信息。
保存为
system_prompt.md: 将复制的文本保存到一个名为system_prompt.md的新文件中,直接放在项目的根目录下。运行安装程序: 现在,按照上述主要安装部分所述,运行
install_rooflow.sh或install_rooflow.cmd脚本。
- 安装程序会复制Python脚本
generate_mcp_yaml.py。 - 随后运行该Python脚本(使用
python3或python)。脚本会自动在根目录中查找system_prompt.md。 - 如果找到,Python脚本会解析其中的MCP服务器详细信息,将其转换为YAML格式,并注入到
.roo/system-prompt-flow-*文件中的相应占位符(# [CONNECTED_MCP_SERVERS])中,同时执行其他变量替换。 - 如果未找到
system_prompt.md,则跳过此注入步骤。
稍后更新MCP服务器信息:
如果您在RooFlow初始安装后添加、删除或修改MCP服务器配置,您需要更新Flow模式提示:
- 获取更新后的提示: 确保所需的MCP服务器已在Roo Code中连接。返回Roo Code设置,从一个标准模式中复制最新的完整系统提示文本(包含更新后的MCP详细信息),就像初始设置一样。
- 保存更新后的
system_prompt.md: 将新文本保存到项目根目录下的system_prompt.md中,覆盖之前的版本。 - 重新运行安装程序: 从项目根目录再次执行
install_rooflow.sh或install_rooflow.cmd脚本。
- 该脚本会从仓库中复制最新的基础配置(
.roo/文件、.roomodes、generate_mcp_yaml.py),并再次运行generate_mcp_yaml.pyPython脚本。 - Python脚本会读取您更新后的
system_prompt.md,并将新的MCP服务器详细信息注入到新复制的.roo/system-prompt-flow-*文件中(同时执行基本变量替换)。
⚠️ 关于更新的重要提示: 重新运行安装程序是更新MCP信息最简单的方法,但请注意,这会覆盖.roo/目录和.roomodes文件,用仓库中的最新副本替换它们。如果您在初始安装后对.roo/system-prompt-flow-*文件进行了手动自定义,这些自定义内容将会丢失。如果您希望构建更精细的更新流程,Python脚本(generate_mcp_yaml.py)仍保留在根目录中。
3. 使用RooFlow
开始聊天:在您的项目中打开一个新的Roo Code聊天。
- 选择模式:为您的任务选择合适的模式:
- 🌊Flow代码💻:用于编写、修改和记录代码。
- 🌊Flow架构师🏗️:用于系统设计、项目结构以及Memory Bank的初始化。
- 🌊Flow提问❓:用于提问、代码分析和解释。
- 🌊Flow调试🪲:用于排查错误和调试代码。
- 🌊Flow协调员🪃:用于需要分解并委托给其他模式的复杂任务(参见回旋镖任务)。
- 与Roo互动:向Roo发出指令并提出问题。Roo将利用Memory Bank(如果已初始化)和模式功能来提供帮助。
- Memory Bank初始化:如果您在没有
memory-bank/目录的项目中开始聊天,Roo会建议切换到Flow-架构师模式,并引导您完成初始化过程。 - “更新Memory Bank”命令:您可以随时输入“更新Memory Bank”或“UMB”,以强制将聊天会话的信息同步到Memory Bank。这在确保跨会话连续性或切换模式前非常有用。
4. 更新RooFlow
只需运行安装脚本,它就会覆盖您现有的
.roo/目录和.roomodes文件。如果您在.roomodes中有自己的额外自定义模式,请在运行更新前重命名该文件,然后用您自定义文件的内容替换新安装的.roomodes文件内容。- 选择模式:为您的任务选择合适的模式:
📚 Memory Bank结构
Memory Bank是一个名为memory-bank的目录,位于您的项目根目录下。它包含若干Markdown文件,用于存储项目知识的不同方面:
| 文件 | 用途 |
|---|---|
activeContext.md |
跟踪当前会话的上下文:最近的变更、当前目标以及开放的问题/议题。 |
decisionLog.md |
记录架构和实现决策,包括上下文、决策内容、理由及实施细节。 |
productContext.md |
提供项目的高层次概览,包括其目标、功能和整体架构。 |
progress.md |
跟踪项目的进展,包括已完成的工作、当前任务和下一步计划。采用任务列表格式。 |
systemPatterns.md |
(可选)记录项目中使用的常见模式和标准(编码模式、架构模式、测试模式)。 |
RooFlow会自动管理这些文件。通常您无需直接编辑它们,不过可以查看这些文件以了解AI的知识。
✨ 功能
🧠 持久化上下文
RooFlow会在不同会话之间记住项目细节,保持对您的代码库、设计决策和进度的一致理解。
⚡ 实时更新
Memory Bank会根据每个模式中的重要事件自动更新,确保上下文始终是最新的。
🤝 模式协作
五个模式(Flow-架构师、Flow-代码、Flow-调试、Flow-提问和Flow-协调员)旨在无缝协作。Flow-协调员可以将任务委派给其他模式,各模式也可根据需要相互切换,并通过Memory Bank共享信息。
⬇️ 降低Token消耗
RooFlow的设计旨在比以前的系统使用更少的Token,从而更加高效且经济实惠。
📝 UMB命令
随时可以输入“更新Memory Bank”或“UMB”命令,以将当前聊天会话的信息更新到Memory Bank。
贡献
欢迎为RooFlow做出贡献!请参阅CONTRIBUTING.md文件(您需要创建此文件)以获取指南。
许可证
版本历史
v0.5.62025/05/04v0.4.52025/03/03常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。