infra-ragflow-ops

infra-ragflow-ops

用于 RAGFlow 平台 day-2 运维。RAGFlow 是 AI/RAG 平台型应用，本轮作为基础设施纳入治理。

配置上下文

本技能依赖以下配置，AI 在运行时按如下优先级解析：

1. 用户对话中明确提供的值（最高优先级）
2. ~/.harness-ai-kit/config.yaml 中 assets.ragflowctl 或 global 段
3. config.defaults.yaml 中的默认值

如用户未提供且无默认值的 required 字段，必须主动询问用户。 禁止从 AGENTS.md 或脚本中读取硬编码配置值。

配置项	类型	必填	说明
ragflow_url	string	✅	RAGFlow 服务 URL（默认 http://ragflow.{base_domain}:11281）

配套 CLI：ragflowctl（配置来源：~/.harness-ai-kit/config.yaml → assets.ragflowctl）

边界

• 本 skill 负责：RAGFlow 服务健康、dataset/知识库 API 探活、模型/向量库/对象存储依赖检查、运行台账。
• 模型消费规则交给 infra-aimodel-ops。
• 数据库/向量库/对象存储连接规则交给 infra-datasource-ops 和 infra-minio-ops。

推荐输出格式

执行完毕后输出极简回执：状态（✅ 成功 / ⚠️ 部分成功 / ❌ 失败）+ 关键结果（1-2 行，如操作对象、产出位置、下一步）。无需强制套用大表格。

操作顺序

1. 运行 ragflowctl doctor --profile 组织内部集群 --json。
2. 检查依赖：模型 endpoint、数据库、向量库、对象存储。
3. 只读列 dataset/知识库，再评估是否需要变更。
4. 变更前输出 dry-run 计划。

模型治理（ragflowctl ≥0.3.0，v0.26 模型体系）

v0.26 起 RAGFlow 模型管理重构为 provider/instance/model 三级（tenant_model_* 表），一律经 ragflowctl llm 命令组操作，不开 UI、不手写 SQL：

• llm providers|factories|models|remote-models|default：只读盘点
• llm add-instance --models <name:type>：创建实例（服务端强制真实探测，--models 至少一项）
• llm add-model：追加模型（纯登记不探测；--type asr/vision 自动映射 speech2text/image2text）
• llm set-default --type chat|embedding|rerank|asr|tts：设租户默认模型（引用格式 model@instance@provider）
• llm remove-provider：连实例/模型整体删除
• dataset set-embedding：存量库 embedding 引用重绑（同模型换服务后端向量兼容，无需重建索引）

模型选型与消费 token 遵循 infra-aimodel-ops 场景矩阵；组织内部集群 默认统一走 newapi 入口（provider=OpenAI-API-Compatible）。

能力地图（v0.26：不止是知识库 RAG）

v0.26 的 RAGFlow 是 RAG-native 智能体平台：知识库底座 + agent 编排引擎（21 组件 / 25 内置模板，含 deep_research 交叉核实综述、web_search_assistant、ingestion_pipeline 系列）。分工：知识库半径内智能体放 RAGFlow Agent，业务半径编排留 Dify，自研代码 agent（LangGraph 等）经 POST /api/v1/retrieval 把 RAGFlow 当检索后端（hybrid+rerank 一站式），模型统一走 newapi。RAG 算法（GraphRAG/RAPTOR/hybrid/VLM/parent_child）、三级召回方法论、入库纪律、ragflowctl 扩展 backlog 见参考文档。