R2R — AI Agent 工作流中文教程
AI Skill Hub 推荐使用：R2R — AI Agent 工作流中文教程 是一款优质的Agent工作流。已获得 7.8k 颗 GitHub Star，AI 综合评分 7.5 分，在同类工具中表现稳健。如果你正在寻找可靠的Agent工作流解决方案，这是一个值得深入了解的选择。
📚 深度解析
R2R — AI Agent 工作流中文教程 工作流的设计遵循"最小配置，最大复用"原则：核心逻辑已经封装好，用户只需配置自己的 API Key 和业务参数即可快速上手。工作流内置错误处理和重试机制，在网络波动或 API 限速等情况下仍能稳定运行，适合作为生产环境的自动化基础设施。
在实际部署时，建议先在测试环境中运行 3-5 次，验证各个环节的输出结果符合预期，再部署到生产环境。AI Skill Hub 评分 7.5 分，是同类 Agent 工作流中的精选推荐。
📋 工具概览
简例R2R网络源端网络编端是一个服务当前网络源端网络编端。常用事下网络源端网络编端。
R2R — AI Agent 工作流中文教程 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
📖 中文文档
简例R2R网络源端网络编端是一个服务当前网络源端网络编端。常用事下网络源端网络编端。
R2R — AI Agent 工作流中文教程 是一套完整的 AI Agent 自动化工作流方案。通过可视化的节点编排，将复杂的多步骤任务拆解为清晰的自动化流程，实现全程无人值守的智能处理。支持与数百种外部服务和 API 无缝集成，适合构建数据处理管线、业务自动化和 AI 辅助决策系统。
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
# 方式一：pip 安装（推荐）
pip install r2r
# 方式二：虚拟环境安装（推荐生产环境）
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install r2r
# 方式三：从源码安装（获取最新功能）
git clone https://github.com/SciPhi-AI/R2R
cd R2R
pip install -e .
# 验证安装
python -c "import r2r; print('安装成功')"
- 访问 GitHub 仓库获取工作流文件
- 在对应平台（Dify / Flowise / Make 等）中找到「导入工作流」功能
- 上传工作流文件
- 按照提示配置必要的环境变量和 API Key
- 运行测试确认流程正常后投入使用
# 命令行使用
r2r --help
# 基本用法
r2r input_file -o output_file
# Python 代码中调用
import r2r
# 示例
result = r2r.process("input")
print(result)
# r2r 配置文件示例（config.yml） app: name: "r2r" debug: false log_level: "INFO" # 运行时指定配置文件 r2r --config config.yml # 或通过环境变量配置 export R2R_API_KEY="your-key" export R2R_OUTPUT_DIR="./output"
简介
<img width="1217" alt="Screenshot 2025-03-27 at 6 35 02 AM" src="https://github.com/user-attachments/assets/10b530a6-527f-4335-b2e4-ceaa9fc1219f" />
The most advanced AI retrieval system.
Agentic Retrieval-Augmented Generation (RAG) with a RESTful API. </h3>
About
R2R is an advanced AI retrieval system supporting Retrieval-Augmented Generation (RAG) with production-ready features. Built around a RESTful API, R2R offers multimodal content ingestion, hybrid search, knowledge graphs, and comprehensive document management.
R2R also includes a Deep Research API, a multi-step reasoning system that fetches relevant data from your knowledgebase and/or the internet to deliver richer, context-aware answers for complex queries.
Key Features
- 📁 Multimodal Ingestion: Parse
.txt,.pdf,.json,.png,.mp3, and more - 🔍 Hybrid Search: Semantic + keyword search with reciprocal rank fusion
- 🔗 Knowledge Graphs: Automatic entity & relationship extraction
- 🤖 Agentic RAG: Reasoning agent integrated with retrieval
- 🔐 User & Access Management: Complete authentication & collection system
Getting Started
```bash
Quick install and run in light mode
pip install r2r export OPENAI_API_KEY=sk-... python -m r2r.serve
Or run in full mode with Docker
docker compose -f compose.full.yaml --profile postgres up -d
```
For detailed self-hosting instructions, see the self-hosting docs.
1. Install SDK & Setup
```bash
Install SDK
pip install r2r # Python
Usage
```python
Demo
https://github.com/user-attachments/assets/173f7a1f-7c0b-4055-b667-e2cdcf70128b
Ingest sample or your own document
client.documents.create(file_path="/path/to/file")
export R2R_CONFIG_NAME=full OPENAI_API_KEY=sk-...
Using the API
R2R 是一个先进的 AI 检索系统，专注于实现生产级别的 Retrieval-Augmented Generation (RAG) 能力。它通过 RESTful API 提供服务，支持多模态内容摄取、混合搜索以及知识图谱构建。特别地，R2R 内置了 Deep Research API，这是一种具备多步推理能力的系统，能够从您的知识库或互联网中检索并整合相关数据，为复杂的查询提供深度研究支持。
R2R 提供了一系列强大的核心功能：支持多模态 Ingestion，可解析 .txt、.pdf、.json、.png 及 .mp3 等多种格式；具备 Hybrid Search 能力，结合了语义搜索与关键词搜索，并通过 Reciprocal Rank Fusion 算法优化结果；支持自动提取实体与关系的 Knowledge Graphs；内置 Agentic RAG 架构，将推理 Agent 与检索流程深度集成；并提供完善的用户与权限管理系统，确保数据采集与访问的安全。
您可以根据需求选择不同的安装模式。对于快速体验或轻量级运行，可以通过 pip 安装并直接启动服务：`pip install r2r`，随后设置 `OPENAI_API_KEY` 并运行 `python -m r2r.serve`。如果您需要部署完整的生产环境，推荐使用 Docker 进行一键式部署，以获得更完整的系统功能支持。
R2R 支持通过 Python SDK 进行交互式调用。开发者可以通过编写简单的 Python 脚本，利用提供的接口实现文档上传、检索增强生成以及复杂的 Agentic 任务流，将 R2R 的检索能力无缝集成到您现有的 AI 应用中。
在使用 R2R 时，可以通过环境变量进行灵活配置。例如，通过设置 `R2R_CONFIG_NAME` 来切换不同的运行模式（如 full 模式）。同时，系统依赖 `OPENAI_API_KEY` 等环境变量来驱动底层的 LLM 能力，确保配置与业务逻辑解耦。
R2R 基于 RESTful API 设计，提供了标准化的接口来处理文档管理、检索请求及深度研究任务。开发者可以利用这些 API 实现从多模态数据摄取到复杂推理检索的全流程自动化，非常适合构建高性能的 AI Agent 应用。
简例R2R网络源端网络编端。常用事下网络源端网络编端。有运的网络源端网络编端。
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：R2R 提供官方镜像，docker compose up 一键启动
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 可视化 Agent 工作流编排，无需编写复杂代码
- 支持多步骤自动化任务链，实现全流程无人值守
- 与外部 API、数据库和第三方服务无缝集成
- 内置错误处理与自动重试机制，保障稳定运行
- 提供可复用的自动化模板，快速在同类场景部署
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- Python 依赖冲突：建议用 venv / uv 隔离环境
👥 适合人群
🎯 使用场景
- 自动化日常重复性工作，将精力集中于创造性任务
- 构建数据采集 → 处理 → 输出的完整自动化管线
- 实现跨平台、跨系统的数据流转和业务协同
⚖️ 优点与不足
- +GitHub 7.8k Star，社区高度认可
- +MIT 协议，可免费商用
- +AI Skill Hub 精选推荐
- +大幅减少重复性人工操作
- +可视化流程，清晰直观
- −初始配置和调试需投入一定时间
- −强依赖外部服务的稳定性
- −复杂场景需具备一定技术基础
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，R2R — AI Agent 工作流中文教程 是一款质量良好的Agent工作流，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | R2R |
| 原始描述 | SoTA production-ready AI retrieval system. Agentic Retrieval-Augmented Generation (RAG) with a RESTful API. |
| Topics | artificial-intelligencelarge-language-modelspythonquestion-answeringragretrieval-augmented-generation |
| GitHub | https://github.com/SciPhi-AI/R2R |
| License | MIT |
| 语言 | Python |
收录时间：2026-05-22 · 更新时间：2026-05-30 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。