M-flow生产环境部署完全指南Docker Compose与Helm一键上线全记录【免费下载链接】m_flowA bio-inspired cognitive memory engine — a new paradigm for Graph RAG.项目地址: https://gitcode.com/gh_mirrors/mf/m_flowM-flow 是一款仿生认知记忆引擎bio-inspired cognitive memory engine代表了 Graph RAG 的全新范式。本文将带你完成 M-flow 生产环境部署的全过程从 Docker Compose 一键拉起后端 API、前端控制台与向量数据库到使用 Helm 图表将 M-flow 部署到 Kubernetes 集群全程只需几分钟即可上线。 先认识你要部署什么M-flow 的部署栈由一个核心服务 若干可选组件组成理解它们有助于你选择最合适的启动方式组件说明默认端口mflow-api核心后端 APIFastAPI Gunicorn8000frontendNext.js 控制台界面3000mflow-mcpModel Context Protocol 服务供 IDE 集成8001postgres带 pgvector 向量能力的 Postgres5432neo4j图数据库含 APOC 插件7474 / 7687chromadb / redis可选向量库与缓存3002 / 6379后端容器启动时会通过 entrypoint.sh 自动执行 Alembic 数据库迁移然后以 Gunicorn 拉起 API 服务并内置 30 秒一次的健康检查见 Dockerfile因此部署后无需额外初始化操作。上图即 M-flow 在容器中落库的认知记忆结构中心 Episode情景连接各个 Facet切面与 Entity实体节点 第一步获取代码将仓库克隆到本地生产服务器或 CI 构建机均可git clone https://gitcode.com/gh_mirrors/mf/m_flow cd m_flow⚙️ Docker Compose 一键启动命令速查docker-compose.yml 采用profile配置档机制一条命令决定拉哪些服务互不干扰。以下是生产部署最常用的组合启动命令部署内容适用场景docker compose up仅后端 API最小生产部署docker compose --profile ui up后端 前端控制台需要 Web 管理界面docker compose --profile postgres up后端 PostgreSQL(pgvector)推荐生产配置docker compose --profile neo4j up后端 Neo4j 图数据库需要图遍历检索docker compose --profile mcp up后端 MCP 服务IDE / Agent 集成docker compose --profile redis up后端 Redis Insight需要缓存与任务队列 profile 可自由叠加例如docker compose --profile ui --profile postgres up -d即可同时启动后端、前端和向量数据库并以后台方式运行。几个值得关注的生产细节环境变量所有容器共用根目录下的.env文件挂载到容器内/opt/m_flow/.env可基于.env.template复制后填入 LLM API Key、数据库凭据等。资源隔离后端容器默认限制 4 核 CPU / 8GB 内存docker-compose.yml可按集群规格调整。网络打通host.docker.internal已自动映射后端从容器内访问宿主机服务无需手工改地址。多阶段构建Dockerfile 采用「重构建器 → 精简运行器」两阶段设计最终镜像不含编译器工具链体积更小、攻击面更小。验证是否部署成功# 后端健康检查Dockerfile 与 compose 中均内置了相同探针 curl http://localhost:8000/health # 容器状态 docker compose ps看到healthy状态、/health返回成功即代表上线完成若启用了--profile ui浏览器访问http://localhost:3000即可打开控制台。☸️ Helm 部署到 Kubernetes如果你的生产环境是 K8s 集群Minikube、GKE、EKS 均可仓库内置了完整的 Helm 图表位于 deployment/helm/包含文件作用Chart.yaml图表元信息应用版本 0.3.4values.yaml所有可定制参数入口m_flow_deployment.yaml后端 Deployment 模板含资源限制m_flow_service.yamlNodePort 服务模板docker-compose-helm.yml本地 K3d/Minikube 联调用的最小 Compose一键安装与验证# 在项目根目录安装图表 helm install m_flow ./deployment/helm # 验证 Pod 就绪 kubectl get pods # 不再需要时彻底卸载 helm uninstall m_flow通过 values.yaml 定制资源values.yaml 是调优的唯一入口默认配置为后端 6 核 CPU / 12Gi 内存、Postgres 10Gi 持久卷backend: image: FlowElement-ai/m_flow:latest port: 8000 resources: cpu: 6.0 memory: 12Gi database: image: pgvector/pgvector:pg17 storage: 10Gi也可以不改文件直接用--set覆盖例如helm install m_flow ./deployment/helm --set backend.resources.memory16Gi⚠️ 官方提示该图表面向开发与预发布环境设计上线生产前请审查并加固网络策略、Secret 管理与存储配置详见 deployment/helm/README.md。✅ 生产上线检查清单.env已配置真实的 LLM API Key 与数据库凭据ENVIRONMENT设为生产值entrypoint.sh 下日志级别会自动降为 warning向量数据持久化在命名卷postgres_data/chromadb_data/neo4j_data并纳入备份策略通过docker compose ps/kubectl get pods确认健康检查通过K8s 场景确认 NodePort 暴露的 8000 端口已加入防火墙/Ingress 白名单如需图检索与向量检索并存叠加--profile neo4j --profile postgres双库启动至此M-flow 的认知记忆服务已在你的生产环境中稳定运行Docker Compose 负责单机与小型集群的一键上线Helm 则把同样的能力平滑扩展到 Kubernetes。更多部署细节可参考主文档 README.md 的 Deployment 章节与 alembic/ 下的数据库迁移脚本。【免费下载链接】m_flowA bio-inspired cognitive memory engine — a new paradigm for Graph RAG.项目地址: https://gitcode.com/gh_mirrors/mf/m_flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 M-flow生产环境部署完全指南：Docker Compose与Helm一键上线全记录
M-flow生产环境部署完全指南Docker Compose与Helm一键上线全记录【免费下载链接】m_flowA bio-inspired cognitive memory engine — a new paradigm for Graph RAG.项目地址: https://gitcode.com/gh_mirrors/mf/m_flowM-flow 是一款仿生认知记忆引擎bio-inspired cognitive memory engine代表了 Graph RAG 的全新范式。本文将带你完成 M-flow 生产环境部署的全过程从 Docker Compose 一键拉起后端 API、前端控制台与向量数据库到使用 Helm 图表将 M-flow 部署到 Kubernetes 集群全程只需几分钟即可上线。 先认识你要部署什么M-flow 的部署栈由一个核心服务 若干可选组件组成理解它们有助于你选择最合适的启动方式组件说明默认端口mflow-api核心后端 APIFastAPI Gunicorn8000frontendNext.js 控制台界面3000mflow-mcpModel Context Protocol 服务供 IDE 集成8001postgres带 pgvector 向量能力的 Postgres5432neo4j图数据库含 APOC 插件7474 / 7687chromadb / redis可选向量库与缓存3002 / 6379后端容器启动时会通过 entrypoint.sh 自动执行 Alembic 数据库迁移然后以 Gunicorn 拉起 API 服务并内置 30 秒一次的健康检查见 Dockerfile因此部署后无需额外初始化操作。上图即 M-flow 在容器中落库的认知记忆结构中心 Episode情景连接各个 Facet切面与 Entity实体节点 第一步获取代码将仓库克隆到本地生产服务器或 CI 构建机均可git clone https://gitcode.com/gh_mirrors/mf/m_flow cd m_flow⚙️ Docker Compose 一键启动命令速查docker-compose.yml 采用profile配置档机制一条命令决定拉哪些服务互不干扰。以下是生产部署最常用的组合启动命令部署内容适用场景docker compose up仅后端 API最小生产部署docker compose --profile ui up后端 前端控制台需要 Web 管理界面docker compose --profile postgres up后端 PostgreSQL(pgvector)推荐生产配置docker compose --profile neo4j up后端 Neo4j 图数据库需要图遍历检索docker compose --profile mcp up后端 MCP 服务IDE / Agent 集成docker compose --profile redis up后端 Redis Insight需要缓存与任务队列 profile 可自由叠加例如docker compose --profile ui --profile postgres up -d即可同时启动后端、前端和向量数据库并以后台方式运行。几个值得关注的生产细节环境变量所有容器共用根目录下的.env文件挂载到容器内/opt/m_flow/.env可基于.env.template复制后填入 LLM API Key、数据库凭据等。资源隔离后端容器默认限制 4 核 CPU / 8GB 内存docker-compose.yml可按集群规格调整。网络打通host.docker.internal已自动映射后端从容器内访问宿主机服务无需手工改地址。多阶段构建Dockerfile 采用「重构建器 → 精简运行器」两阶段设计最终镜像不含编译器工具链体积更小、攻击面更小。验证是否部署成功# 后端健康检查Dockerfile 与 compose 中均内置了相同探针 curl http://localhost:8000/health # 容器状态 docker compose ps看到healthy状态、/health返回成功即代表上线完成若启用了--profile ui浏览器访问http://localhost:3000即可打开控制台。☸️ Helm 部署到 Kubernetes如果你的生产环境是 K8s 集群Minikube、GKE、EKS 均可仓库内置了完整的 Helm 图表位于 deployment/helm/包含文件作用Chart.yaml图表元信息应用版本 0.3.4values.yaml所有可定制参数入口m_flow_deployment.yaml后端 Deployment 模板含资源限制m_flow_service.yamlNodePort 服务模板docker-compose-helm.yml本地 K3d/Minikube 联调用的最小 Compose一键安装与验证# 在项目根目录安装图表 helm install m_flow ./deployment/helm # 验证 Pod 就绪 kubectl get pods # 不再需要时彻底卸载 helm uninstall m_flow通过 values.yaml 定制资源values.yaml 是调优的唯一入口默认配置为后端 6 核 CPU / 12Gi 内存、Postgres 10Gi 持久卷backend: image: FlowElement-ai/m_flow:latest port: 8000 resources: cpu: 6.0 memory: 12Gi database: image: pgvector/pgvector:pg17 storage: 10Gi也可以不改文件直接用--set覆盖例如helm install m_flow ./deployment/helm --set backend.resources.memory16Gi⚠️ 官方提示该图表面向开发与预发布环境设计上线生产前请审查并加固网络策略、Secret 管理与存储配置详见 deployment/helm/README.md。✅ 生产上线检查清单.env已配置真实的 LLM API Key 与数据库凭据ENVIRONMENT设为生产值entrypoint.sh 下日志级别会自动降为 warning向量数据持久化在命名卷postgres_data/chromadb_data/neo4j_data并纳入备份策略通过docker compose ps/kubectl get pods确认健康检查通过K8s 场景确认 NodePort 暴露的 8000 端口已加入防火墙/Ingress 白名单如需图检索与向量检索并存叠加--profile neo4j --profile postgres双库启动至此M-flow 的认知记忆服务已在你的生产环境中稳定运行Docker Compose 负责单机与小型集群的一键上线Helm 则把同样的能力平滑扩展到 Kubernetes。更多部署细节可参考主文档 README.md 的 Deployment 章节与 alembic/ 下的数据库迁移脚本。【免费下载链接】m_flowA bio-inspired cognitive memory engine — a new paradigm for Graph RAG.项目地址: https://gitcode.com/gh_mirrors/mf/m_flow创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考