ruoyi-ai
RuoYi AI 是一款专为企业打造的一站式智能应用开发框架,旨在降低大模型落地门槛,解决企业在接入多厂商模型、构建私有知识库及编排复杂业务流程时面临的技术碎片化与安全管控难题。它支持统一接入 OpenAI、通义、智谱等主流大模型,并内置安全可控的企业级 RAG(检索增强生成)系统,兼容 Milvus、Qdrant 等多种向量数据库,确保数据检索的高精度与隐私安全。
该平台特别适合企业开发者、技术团队及希望快速构建行业 AI 解决方案的机构使用。通过可视化的流程编排设计器,用户无需深厚代码功底即可拖拽节点,轻松实现从模型调用、文档解析到人工审核的自动化工作流。其独特的多智能体协同机制基于 Langchain4j 构建,支持 Supervisor 模式调度,让多个 AI 角色能自主决策并高效协作。此外,RuoYi AI 还兼容 MCP 协议与主流 Agent Skill,具备完善的权限管理与实时监控能力。无论是想要零门槛体验 AI 助手的普通用户,还是需要进行深度二次开发的专业工程师,都能利用其开箱即用的全栈架构(Spring Boot + Vue3),快速部署安全、高效且可落地的智能体应用。
使用场景
某大型制造企业急需构建一个能整合内部技术文档、连接多部门数据并自动处理售后工单的智能客服系统,以应对日益增长的咨询量。
没有 ruoyi-ai 时
- 模型接入混乱:需为不同业务线单独对接通义、智谱等厂商 API,代码重复开发,维护成本极高且难以统一管控。
- 知识检索低效:海量 PDF 和 Word 格式的技术手册散落在各处,缺乏统一的向量库管理,导致 AI 回答经常“幻觉”或找不到最新参数。
- 流程僵化难扩展:简单的问答机器人无法执行“查询库存->生成工单->发送邮件”的复杂逻辑,硬编码工作流导致每次业务变更都需重新发布版本。
- 安全合规风险:缺乏细粒度的权限控制和审计日志,敏感的企业知识库直接暴露给公网模型,存在数据泄露隐患。
使用 ruoyi-ai 后
- 统一模型网关:通过 ruoyi-ai 的模型管理模块,一键接入主流大模型并统一鉴权,业务方无需关心底层切换,开发效率提升 80%。
- 高精度 RAG 引擎:利用内置的本地 RAG 与 Milvus 向量库,自动解析并索引企业文档,AI 能基于最新技术手册提供精准答案,准确率显著提高。
- 可视化流程编排:借助拖拽式工作流设计器,非技术人员也能快速搭建“意图识别->工具调用->人工审核”的复杂 Agent 协同流程,响应业务需求从周级缩短至小时级。
- 企业级安全可控:依托 Sa-Token 双重认证与私有化部署架构,确保核心数据不出内网,所有交互链路可追溯,完美满足合规要求。
ruoyi-ai 将原本需要数月定制开发的复杂 AI 工程,转化为零门槛的可视化配置任务,让企业真正拥有安全、高效且可落地的智能体应用。
运行环境要求
- Linux
- macOS
- Windows
未说明 (项目基于 Java/Spring Boot,依赖外部模型 API 或本地向量库,无内置 GPU 训练/推理强制要求)
未说明 (运行多个 Docker 容器建议 8GB+)

快速开始
RuoYi AI
企业级AI助手平台
开箱即用的全栈AI平台,支持多智能体协同、Supervisor模式编排、多种决策模式、RAG技术和流程编排能力
✨ 核心亮点
| 模块 | 现有能力 |
|---|---|
| 模型管理 | 多模型接入(OpenAI/DeepSeek/通义/智谱)、多模态理解、Coze/DIFY/FastGPT平台集成 |
| 知识管理 | 本地RAG + 向量库(Milvus/Weaviate/Qdrant) + 文档解析 |
| 工具管理 | Mcp协议集成、Skills能力 + 可扩展工具生态 |
| 流程编排 | 可视化工作流设计器、节点拖拽编排、SSE流式执行,目前已经支持模型调用,邮件发送,人工审核等节点 |
| 多智能体 | 基于Langchain4j的Agent框架、Supervisor模式编排,支持多种决策模型 |
🚀 快速体验
在线演示
| 平台 | 地址 | 账号 |
|---|---|---|
| 用户端 | web.pandarobot.chat | admin / admin123 |
| 管理后台 | admin.pandarobot.chat | admin / admin123 |
项目源码
| 项目模块 | GitHub 仓库 | Gitee 仓库 | GitCode 仓库 |
|---|---|---|---|
| 🔧 后端服务 | ruoyi-ai | ruoyi-ai | ruoyi-ai |
| 🎨 用户前端 | ruoyi-web | ruoyi-web | ruoyi-web |
| 🛠️ 管理后台 | ruoyi-admin | ruoyi-admin | ruoyi-admin |
合作项目
| 项目名称 | GitHub 仓库 | Gitee 仓库 |
|---|---|---|
| element-plus-x | element-plus-x | element-plus-x |
🛠️ 技术架构
核心框架
后端架构:Spring Boot 4.0 + Spring ai 2.0 + Langchain4j
数据存储:MySQL 8.0 + Redis + 向量数据库(Milvus/Weaviate/Qdrant)
前端技术:Vue 3 + Vben Admin + element-plus-x
安全认证:Sa-Token + JWT 双重保障
文档处理:PDF、Word、Excel 解析,图像智能分析
实时通信:WebSocket 实时通信,SSE 流式响应
系统监控:完善的日志体系、性能监控、服务健康检查
🐳 Docker 部署
本项目提供两种 Docker 部署方式:
方式一:一键启动所有服务(推荐)
使用 docker-compose-all.yaml 可以一键启动所有服务(包括后端、管理端、用户端及依赖服务):
# 克隆仓库
git clone https://github.com/ageerle/ruoyi-ai.git
cd ruoyi-ai
# 启动所有服务(从镜像仓库拉取预构建镜像)
docker-compose -f docker-compose-all.yaml up -d
# 查看服务状态
docker-compose -f docker-compose-all.yaml ps
# 访问服务
# 管理端: http://localhost:25666 (admin / admin123)
# 用户端: http://localhost:25137
# 后端API: http://localhost:26039
方式二:分步部署(源码编译)
如果您需要从源码构建后端服务,请按照以下步骤操作:
第一步:部署后端服务
# 进入后端项目目录
cd ruoyi-ai
# 启动后端服务(源码编译构建)
docker-compose up -d --build
# 等待后端服务启动完成
docker-compose logs -f backend
第二步:部署管理端
# 进入管理端项目目录
cd ruoyi-admin
# 构建并启动管理端
docker-compose up -d --build
# 访问管理端
# 地址: http://localhost:5666
第三步:部署用户端(可选)
# 进入用户端项目目录
cd ruoyi-web
# 构建并启动用户端
docker-compose up -d --build
# 访问用户端
# 地址: http://localhost:5137
服务端口说明
| 服务 | 一键启动端口 | 分步部署端口 | 说明 |
|---|---|---|---|
| 管理端 | 25666 | 5666 | 管理后台访问地址 |
| 用户端 | 25137 | 5137 | 用户前端访问地址 |
| 后端服务 | 26039 | 6039 | 后端 API 服务 |
| MySQL | 23306 | 23306 | 数据库服务 |
| Redis | 26379 | 6379 | 缓存服务 |
| Weaviate | 28080 | 28080 | 向量数据库 |
| MinIO API | 29000 | 9000 | 对象存储 API |
| MinIO Console | 29090 | 9090 | 对象存储控制台 |
镜像仓库
所有镜像托管在阿里云容器镜像服务:
crpi-31mraxd99y2gqdgr.cn-beijing.personal.cr.aliyuncs.com/ruoyi_ai
可用镜像:
mysql:v3- MySQL 数据库(包含初始化 SQL)redis:6.2- Redis 缓存weaviate:1.30.0- 向量数据库minio:latest- 对象存储ruoyi-ai-backend:latest- 后端服务ruoyi-ai-admin:latest- 管理端前端ruoyi-ai-web:latest- 用户端前端
常用命令
# 停止所有服务
docker-compose -f docker-compose-all.yaml down
# 查看服务日志
docker-compose -f docker-compose-all.yaml logs -f [服务名]
# 重启某个服务
docker-compose -f docker-compose-all.yaml restart [服务名]
📚 使用文档
想要深入了解安装部署、功能配置和二次开发?
👉 完整使用文档
遇到知识库或 RAG 回答异常问题?
🤝 参与贡献
我们热烈欢迎社区贡献!无论您是资深开发者还是初学者,都可以为项目贡献力量 💪
贡献方式
- Fork 项目到您的账户
- 创建分支 (
git checkout -b feature/新功能名称) - 提交代码 (
git commit -m '添加某某功能') - 推送分支 (
git push origin feature/新功能名称) - 发起 Pull Request
💡 小贴士:建议将 PR 提交到 GitHub,我们会自动同步到其他代码托管平台
📄 开源协议
本项目采用 MIT 开源协议,详情请查看 LICENSE 文件。
🙏 特别鸣谢
感谢以下优秀的开源项目为本项目提供支持:
- Spring AI Alibaba Copilot - 基于spring-ai-alibaba 的智能编码助手
- Langchain4j - 强大的 Java LLM 开发框架
- RuoYi-Vue-Plus - 成熟的企业级快速开发框架
- Vben Admin - 现代化的 Vue 后台管理模板
🌐 生态伙伴
💬 社区交流
![]() 扫码添加作者微信 邀请进群学习 |
![]() QQ技术交流群 技术讨论 |
⭐ 点个Star支持一下 • Fork 开始贡献 • 📚 English • 📖 查看完整文档
用 ❤️ 打造,由 RuoYi AI 开源社区维护
版本历史
v2.1.02025/05/30v2.0.52025/05/12v2.0.42025/04/30v2.0.32025/04/22v2.0.22025/03/31v2.0.12025/03/31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。

