推量牛（bullflow）

AI 巨量内容 × 全域曝光，自主获客与变现
开源的企业级 RAG 解决方案 · 从企业知识库、营销内容自动化生产到全域内容分发

简体中文 | English

🏢 完整的企业商用级开源项目：用户端、运营后台、分发网关三套系统齐全，多租户、权限、计费、支付、审计等商用能力均已实现，MIT 协议可免费商用。

推量牛是一套企业级 RAG 解决方案：先把企业的公司 / 品牌 / 产品 / 客户 / 案例、文档、图片、音视频沉淀为专属知识库，再由 AI Agent 基于这些资产创作文章、图文、图片、视频，最后一键分发到国内外 17 个主流社媒平台，并把发布结果与账号数据回流分析——从「素材」到「曝光」一条链路走完。

整条 RAG 链路不依赖任何付费模型：文档 OCR、语义分句、向量化、重排、以文搜图、语音转录全部使用开源模型本地免费部署，知识库建得再大也没有一分钱调用费，企业资料也不出内网。

目录：为什么是推量牛 · 企业商用级 · 适用场景 · 功能一览 · 端到端示例 · 技术架构 · 快速开始 · 接入推量发网关 · 构建后端镜像 · Docker 部署 · 项目结构 · 开发指南 · 常见问题 · 路线图 · 关于中巨量

通用 AI 写作工具不了解你的企业，写出来的东西「像 AI、不像你」；传统矩阵分发工具只负责发，不负责写；两者之间还隔着大量复制、粘贴、改格式、逐个平台登录的体力活。推量牛把这三段连成一条闭环：

核心优势一句话：先懂你的企业，再替你创作，最后帮你铺满全网。

• 🧠 不是对话套壳，而是企业知识驱动。 每次对话 / 生成都会按需注入 5 类企业档案（公司、品牌、产品、客户、案例），文章生成还会检索知识库；回复下方列出命中片段与相关度分数，可一键预览原文——内容可追溯、可核对。
• 💸 RAG 不依赖付费模型，本地免费部署。 知识库的每一个环节——OCR（PaddleOCR）、语义分句（wtpsplit）、文本向量（BGE-M3）、重排（BGE-Reranker）、以文搜图（OpenCLIP）、语音转录（WhisperX）——都是开源模型，跑在你自己的服务器上：入库多少文档、检索多少次都不产生任何调用费用，GPU 不是必需品，有 GPU 时自动加速；企业资料全程不出内网。只有最终「写文章、出图、出视频」这一步才调用大模型，而且走 OpenAI 兼容接口，供应商随你选。
• 🔍 工业级 RAG，而不是「把 PDF 丢给模型」。 OCR → Pandoc → 原生解析的四级降级链，PDF / Word / Excel / PPT / Markdown / HTML / EPUB 等 12 种格式可直接解析入库；语义分句 + 动态规划分块、表格 / 代码块整块保护；Milvus 向量 + Elasticsearch（IK 分词）混合检索，RRF 融合、可选重排、相邻块扩展、自适应检索判断，还自带 Ragas 评测与权重自动调优。
• 🖼️ 按平台形态生成内容。 公众号 / 头条 / 百家号这类文章平台 → 图文混编文章（正文内自动生成并嵌入配图）；小红书 / 微博这类图文平台 → 多图动态（1–9 张并发出图 + 配套种草文案）；Agent 会根据你要发的平台自动选择形态。
• 🌏 国内 + 海外，一个网关。 抖音、快手、小红书、视频号、公众号、B 站、知乎、微博、头条、百家号、多多视频，以及 LinkedIn、Facebook、Instagram、Reddit、YouTube、X——一份内容勾选多个平台一次发出，各平台字数 / 图片规则自动校验。
• 🛡️ 矩阵账号的安全与成本都替你想好了。 扫码授权、账号云端托管；代理 IP 按区域粘性分配、同 IP 同平台最多 15 个账号、每 20 分钟健康巡检并自动迁移；14 天未使用的账号自动回收停止计费，重新扫码即恢复。
• ⏰ 定时自动生成 + 自动分发。 按星期与时刻设定规则，到点自动产出内容并直接发到指定账号，完成或失败都有站内通知——真正的「无人值守」内容矩阵。
• 💰 商业化能力完整。 这不是一个 Demo：按 Token / 张数 / 秒数精确计费、后付费防透支、订阅与加量包、通联支付 + 对公转账、发票、邀请返佣、销售归因、9 步转化漏斗、通知通道（邮件 / 飞书 / 企业微信）全部已实现，拿来即可运营。
• 🏠 私有化部署、数据自持。 所有组件均可自建，HuggingFace 模型与 FFmpeg 构建时打进镜像，运行时零下载；大模型走 OpenAI 兼容接口，可随时替换供应商。

很多开源 AI 项目只给一个对话界面或一段 Pipeline 脚本，要上线还得自己补账号、权限、计费、支付、后台……推量牛把一家 SaaS 公司对外运营所需的整套系统都做完了：

基于 LangGraph ReAct 的创作 Agent，逐 token 真流式输出（SSE），一次对话里可以连续完成「检索 → 写作 → 出图 → 导出」：

• 两种模式：Agent 模式（多轮对话 + 工具调用）/ 快速模式（填一句需求直接出文章、图片或视频）。
• 挂载参考素材：最多 8 个——文档全文、图片（多模态理解）、品牌 / 产品资料。
• 创作大师（Skill）：内置 56 个创作技能（去 AI 味、小红书爆款笔记、SEO 写作、短视频脚本、营销文案……），文章类注入系统提示词，图片 / 视频类先由 LLM 把简单需求改写成专业提示词。
• 灵感库与快捷入口：爆款拆解、增长打法、行业灵感、一键「发布 TikTok / YouTube / Facebook」等快捷指令。
• 语音：语音输入转文字；助手回复可用 IndexTTS 朗读。
• 拖拽上传：把文件拖进对话框，自动分类进文档 / 图片 / 视频 / 音频库。

回答下方的「引用（N）」列出每个命中的知识库片段、所属文档与相关度分数，点开即可预览原文。

结构化档案：公司、品牌、产品、客户、案例 5 类档案统一维护，生成时按 auto（自动注入，带条数上限）/ custom（只用勾选条目 + 最多 2 篇文档全文）/ none 三种模式参与创作。

文档解析降级链（每一级失败都会记录日志后自动降级）：

① PaddleOCR PP-StructureV3   PDF（≤100 页）/ 图片，版面 + 表格结构化识别
② Pandoc → GFM Markdown       doc / docx / html / epub / rtf / odt …
③ 原生解析器                  PyMuPDF / python-docx / openpyxl / python-pptx（PPTX 内嵌图片并发 OCR）
④ 二进制兜底                  识别文件头，无法提取文本则「仅存储」不入库

• 支持的文档格式：pdf / docx / xlsx / pptx / txt / csv / md / html / htm / epub / rtf / odt 共 12 种可解析入库；旧版二进制格式 doc / xls / ppt 可上传存储，但无法提取文本，建议另存为 docx / xlsx / pptx 后上传。
• 语义分块：wtpsplit SaT 句子边界检测 + 标题感知 + 动态规划最优合并（借鉴 RAGLite），表格与代码块整块保护；普通块 ≤ 2048 字符、表格块 ≤ 4096 字符。
• 三库同步入库：MySQL（分块原文）+ Milvus（BGE-M3 1024 维向量）+ Elasticsearch（IK 分词全文索引）。
• 媒体资产：图片走 OpenCLIP ViT-L-14 向量化，支持以文搜图；视频自动提取元数据并截取封面；音频经 WhisperX 转录（中文走专用模型并自动繁转简）后作为文档走完整 RAG 流程。
• 统一查找：一次搜索同时覆盖文档、图片、音频、视频。

混合检索（services/knowledge_service.py）：

知识库全链路使用本地开源模型，零调用费：

模型在构建镜像时即可打包进去，运行时不联网、不下载。只有内容生成（写作、生图、生视频）会调用大模型 API：所有供应商都通过 OpenAI 兼容客户端接入，*_BASE_URL 均可配置，也可以尝试指向自建的 OpenAI 兼容推理服务（如 vLLM、Ollama）。

支持的模型供应商（均可在管理后台配置单价、启用 / 停用）：

所有生成任务都是异步的：提交后立即返回，后台任务完成生成并入库，关闭页面也不影响结果。

分发能力由独立的 推量发网关（tlf_backend/）提供，主站通过 SDK + Webhook 与之对接，也可以单独部署给其他产品使用（接口文档见 tlf_backend/docs/）。

网关本身开源，但真正登录、发布到各平台依赖两个第三方服务：国内平台走 灵径（按账号计费），海外平台走 Composio。使用分发功能需要自行开通这两个服务的账号，配置方法见接入推量发网关。不配置时，知识库、AI 创作、内容生成等功能不受影响。

已开放平台（17 个）

上游已支持另外 8 个国内平台（雪球号、快传号、AcFun、易车号、美拍、爱奇艺、搜狐视频、腾讯微视），网关字段规格表覆盖 38 个国内平台，可按需开放。

• 上传文件、AI 生成、发布任务、社媒账号四大指标卡。
• 近 7 / 30 / 90 天的上传趋势、创作与互动趋势。
• 生成内容类型分布、各平台发布成功 / 失败统计、社媒账号平台分布。

管理后台（admin_frontend/）共 6 个分组、23 个菜单：

计费模型

• 文本按每 1K tokens 计费；图片按「单价 × 尺寸倍率」按实际成功张数逐张扣；视频按「单价 × 分辨率倍率 × 实际秒数」；分发按发布账号数计费。
• 后付费防透支：生成前按预估校验余额，生成后按实际用量扣减，余额不足扣到 0，杜绝「少量余额无限使用」。
• 订阅套餐（月付 / 季付 / 年付，支持补差价升级）+ 加量包；通联支付（支付宝 / 微信，RSA 验签）+ 对公转账审核；订单 30 分钟未付自动取消。
• 积分流水全量可查；用户在线申请发票，开票后邮件通知。
• 邀请有礼：好友注册、好友首次充值各奖励一次。
• 流量密码：运营在后台维护增长工具与流量秘籍卡片，在用户端以悬浮窗展示。

• 浅色 / 深色双主题，shadcn/ui（new-york）+ Radix UI + OKLCH 色彩体系，用户端与管理后台共用一套设计系统。
• ⌘K 全局搜索，快速跳转到任意功能页面。
• 自研滑块验证码（同 IP / 账号连续失败 3 次后才出现），短信验证码按手机号与 IP 多维度限流。
• 发版后旧代码分片加载失败会自动刷新一次，用户无感升级。

1. 资产管理 → 文档，上传《产品白皮书.pdf》；系统自动 OCR、语义分块、写入向量库与全文索引。在产品 / 品牌中补充卖点与调性。
2. 打开 AI 创作中心，输入：「基于《产品白皮书》写一篇适合公众号的图文文章，再做一组小红书 4 图笔记」。
3. Agent 先调用 knowledge_search 检索白皮书，再分别调用 generate_article_content(mixed=true) 和 generate_image_content(count=4, as_dynamic=true)；回复里出现两张生成卡片，以及引用来源。
4. 在内容库打开文章，检查正文与配图，需要时导出 Word 交给法务审核。
5. 发布内容 → 选中这篇文章 → 勾选微信公众号、头条号、百家号、知乎、LinkedIn → 设置定时 → 提交；小红书笔记同理。
6. 在任务监控查看各平台发布进度，Webhook 自动回写结果；第二天在数据仪表板查看各平台成败与账号数据。
7. 想每周自动更新？在自动任务里建一条「每周一、四 9:00 生成并自动分发」的规则即可。

                                    ┌──────────────────────────────────────────┐
浏览器 ── frontend (React 19) ──┐    │ backend (FastAPI · SQLAlchemy 2 async)   │
       admin_frontend ──────────┼──▶ │  Agent (LangGraph) · RAG · 生成 · 计费   │
                                │    └───┬───────┬───────┬───────┬───────┬──────┘
                                │        │       │       │       │       │
                                │     MySQL  Milvus  Elastic  Redis   MinIO
                                │             (向量) (IK 全文)(缓存/限流)(对象存储)
                                │        │
                                │        ├── PaddleOCR（PP-StructureV3，可选 GPU）
                                │        ├── WhisperX / IndexTTS（语音，可选）
                                │        └── LLM / 生图 / 生视频（OpenAI 兼容）
                                │
                                │    ┌──────────────────────────────────────────┐
       tlf_frontend ────────────┴──▶ │ tlf_backend 推量发网关（SDK + Webhook）  │──▶ 灵径（国内平台）
                                     │  账号绑定 · 代理调度 · 发布 · 数据采集   │──▶ Composio（海外平台）
                                     └──────────────────────────────────────────┘

请求链路：限流（60 次/分钟/IP）→ 审计日志 → CORS → JWT 解析 + Redis 黑名单 + 用户状态 → 路由 → service → 存储。

工程约定（详见 CLAUDE.md 与各端 AGENTS.md）：

• 多租户隔离：所有业务表带 user_id，MySQL 查询、Milvus 检索、ES 检索均强制按用户过滤。
• 时间统一 UTC：写库用 utcnow()，数据库会话时区 +00:00，返回前端统一带时区。
• 异步管线：上传 / 生成立即返回，后台任务用独立数据库会话处理，失败时可靠地标记状态，ML 推理走 asyncio.to_thread 不阻塞事件循环。
• 第三方调用可观测：所有外部 HTTP 调用记录 URL、参数、状态码与截断后的响应。
• 模型加载：默认懒加载；MODEL_PRELOAD_ENABLED=true 时启动并发预加载。

以 Debian / Ubuntu 为例，系统依赖可参考 backend/Dockerfile：apt install pandoc libpango-1.0-0 libpangoft2-1.0-0 libcairo2 libgdk-pixbuf-2.0-0 shared-mime-info fonts-noto-cjk。

docker-compose.milvus.yml 中 MinIO API 映射到宿主机 9100 端口（容器内 9000，控制台 9101），账号密码为 MINIO_ROOT_USER / MINIO_ROOT_PASSWORD；backend/.env 的 MINIO_ENDPOINT / MINIO_PUBLIC_URL（.env.example 默认 localhost:9100）与 MINIO_ACCESS_KEY / MINIO_SECRET_KEY 需与之一致。

准备数据库与 ES 插件：

-- MySQL：主库与推量发网关库（库名与 .env 中的 MYSQL_DATABASE 一致）
CREATE DATABASE matrix365     DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
CREATE DATABASE matrix365_tlf DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

# Elasticsearch：安装与 ES 版本号完全一致的 IK 插件后重启 ES
bin/elasticsearch-plugin install https://get.infini.cloud/elasticsearch/analysis-ik/<你的 ES 版本号>

以下命令均从仓库根目录开始，每个服务在单独的终端中运行。

1. 克隆仓库并复制配置文件，按需填写数据库连接与各云服务 Key：

git clone https://github.com/jaikydota/BullFlow.git
cd BullFlow
cp backend/.env.example backend/.env
cp frontend/.env.example frontend/.env
cp admin_frontend/.env.example admin_frontend/.env
cp tlf_backend/.env.example tlf_backend/.env      # 使用分发功能时需要

2. 后端（:8020）：

cd backend
python -m venv venv && source venv/bin/activate
pip install -r requirements.txt
alembic upgrade head
python -m scripts.seed_skills                     # 导入 56 个内置创作技能（只需执行一次，可重复执行）
uvicorn app.main:app --host 0.0.0.0 --port 8020 --reload --reload-dir app

3. 用户端（:5288，/api 代理到 :8020）：

cd frontend && npm install && npm run dev

4. 管理后台（:5290）：

cd admin_frontend && npm install && npm run dev

5. 推量发网关（可选，后端 :8041 / 管理界面 :5391）：

cd tlf_backend
python -m venv venv && source venv/bin/activate
pip install -r requirements.txt
alembic upgrade head
uvicorn tlf_app.main:app --host 0.0.0.0 --port 8041 --reload

cd tlf_frontend && npm install && npm run dev

首次启动会自动完成：创建 ES 索引与 Milvus 集合、创建 MinIO 存储桶并设为公开读、写入默认套餐与加量包、按 .env 中的 SUPER_ADMIN_EMAIL / SUPER_ADMIN_PASSWORD 创建超级管理员（推量发网关同理使用 TLF_ADMIN_INIT_*）。用这个账号即可登录：

根目录的 bstart.sh / fstart.sh / admin_fstart.sh / tlf_bstart.sh / tlf_fstart.sh 是上述命令的快捷脚本。bstart.sh 会设置 HF_HUB_OFFLINE=1，首次运行前请先按下文下载模型到本地 HuggingFace 缓存（~/.cache/huggingface/hub/），或首次启动时不设离线变量让其自动下载。

完整配置见 backend/.env.example（每项都有中文注释），常用项：

前端配置（构建时注入，修改后需重新 npm run build）：

只用知识库与 AI 创作时可以跳过本节。要启用分发，需要把三段打通：上游平台服务 → 推量发网关 → 主站。

1. 开通上游服务，配置网关（tlf_backend/.env）

回调地址必须是公网可达的 HTTPS；本地调试可以用内网穿透工具（如 ngrok、frp）临时暴露 8041 端口。

2. 在网关中为主站创建租户

用 TLF_ADMIN_INIT_EMAIL / TLF_ADMIN_INIT_PASSWORD 登录网关管理界面（:5391），在「子租户」菜单中点击「新建子租户」：

• webhook_url 填主站的回调地址：https://<主站域名>/api/v1/webhooks/tlf；
• 创建后会一次性显示 app_id、app_key 与 webhook_secret 的明文，请立即保存（丢失后只能重置）。
• （推荐）在「代理池」录入代理 IP 并填写区域，扫码授权时会按区域分配，实现多账号防关联；不配置代理也能绑定账号，但账号不经代理登录。

3. 配置主站（backend/.env）

TLF_BASE_URL=http://localhost:8041/api/sdk/v1    # 网关 SDK 地址；Docker 部署时为 http://tlf-backend:8041/api/sdk/v1
TLF_APP_ID=<上一步的 app_id>
TLF_APP_KEY=<上一步的 app_key>
TLF_WEBHOOK_SECRET=<上一步的 webhook_secret>

重启后端后，用户端「账号管理」即可扫码绑定账号，「发布内容」即可选择平台发布。网关的完整接口说明见 tlf_backend/docs/推量发开放接口文档.md。

backend/Dockerfile 会把 FFmpeg 二进制和 HuggingFace 模型直接打进镜像（运行时零下载）。这些文件体积较大，未纳入仓库，构建前需放到 backend/docker_file/ 下：

backend/docker_file/
├── ffmpeg
├── ffprobe
└── models/                       # HuggingFace hub 缓存目录结构
    ├── models--BAAI--bge-m3
    ├── models--BAAI--bge-reranker-v2-m3
    ├── models--segment-any-text--sat-3l-sm
    ├── models--facebookAI--xlm-roberta-base
    └── models--timm--vit_large_patch14_clip_224.openai

使用 BtbN/FFmpeg-Builds 预编译的 Linux 静态版本（选 linux64-gpl、非 shared 的包），无需自行编译：

cd backend/docker_file
curl -LO https://github.com/BtbN/FFmpeg-Builds/releases/download/latest/ffmpeg-n8.1-latest-linux64-gpl-8.1.tar.xz
tar -xf ffmpeg-n8.1-latest-linux64-gpl-8.1.tar.xz
cp ffmpeg-n8.1-latest-linux64-gpl-8.1/bin/ffmpeg ffmpeg-n8.1-latest-linux64-gpl-8.1/bin/ffprobe .
rm -rf ffmpeg-n8.1-latest-linux64-gpl-8.1*

发布页的文件名会随版本更新，若链接失效请到 releases 页面选择最新的 ffmpeg-n*-latest-linux64-gpl-*.tar.xz。ffmpeg 与 ffprobe 两个都需要，缺少 ffprobe 时视频元数据读取会失败。

用 HuggingFace CLI 下载到 docker_file/models（--cache-dir 会生成 Dockerfile 需要的 models--* 目录结构）：

pip install -U "huggingface_hub[cli]"
cd backend/docker_file
for m in BAAI/bge-m3 BAAI/bge-reranker-v2-m3 segment-any-text/sat-3l-sm \
         facebookAI/xlm-roberta-base timm/vit_large_patch14_clip_224.openai; do
  hf download "$m" --cache-dir ./models
done

旧版 CLI 用 huggingface-cli download 替换 hf download。国内网络可先 export HF_ENDPOINT=https://hf-mirror.com。 本地开发直接下载到默认缓存即可（去掉 --cache-dir）。

docker compose -f docker-compose.milvus.yml up -d                # Milvus + MinIO
docker compose -f paddleocr/docker-compose.paddleocr.yml up -d   # PaddleOCR（可选，需 NVIDIA GPU）
docker compose up -d --build                                     # backend / frontend / admin-frontend / tlf-backend / tlf-frontend

MySQL、Redis、Elasticsearch 不在 compose 编排内，请自行部署并在 .env 中配置连接。paddleocr/docker-compose.paddleocr.yml 使用的 paddleocr:v1 需自行基于 PaddleX 构建，或设 OCR_ENABLED=false 跳过。

生产环境请在外层 Nginx 做 TLS 终止，并务必修改 .env 中的所有默认密码与 JWT_SECRET_KEY（openssl rand -base64 48）。

bullflow/
├── backend/                     # 主业务后端（FastAPI）
│   ├── app/
│   │   ├── api/v1/              # 用户端 API（知识库、对话、生成、分发、计费……）
│   │   ├── admin/               # 管理后台 API（/api/v1/admin/*）
│   │   ├── agents/              # LangGraph Agent、工具、工作流
│   │   ├── services/            # 业务服务（检索、生成、计费、分发对接……）
│   │   ├── models/ schemas/     # ORM 模型 / Pydantic 模型
│   │   ├── middleware/          # 限流、审计日志
│   │   ├── utils/               # 文件解析降级链、语义分块
│   │   └── core/                # 配置、数据库、安全、时间工具
│   ├── alembic/                 # 数据库迁移
│   ├── scripts/                 # 种子数据（Skill 池）
│   ├── tests/                   # pytest
│   └── AGENTS.md                # 后端开发规范
├── frontend/                    # 用户端（React 19 + Vite）
│   ├── src/{pages,components,api,stores,hooks,utils}
│   ├── public/locales/          # i18n 语言包
│   └── AGENTS.md                # 前端设计系统与开发规范
├── admin_frontend/              # 运营管理后台（React 19 + Vite）
├── tlf_backend/                 # 推量发网关（FastAPI，独立数据库）
│   └── docs/                    # 网关开放接口文档
├── tlf_frontend/                # 推量发网关管理界面
├── paddleocr/                   # PaddleOCR PP-StructureV3 服务配置
├── docs/screenshots/            # README 截图
├── docker-compose.yml           # 应用主栈
├── docker-compose.milvus.yml    # Milvus + MinIO
└── CLAUDE.md                    # 仓库总览与关键约定

修改任一端代码前，请先阅读对应的规范文档：

几条最重要的约定：

• 任何修改数据的接口（POST / PUT / PATCH / DELETE）返回前必须显式 commit()。
• 新业务表继承 BaseMixin，所有查询带 user_id 过滤。
• 数据库结构变更走 alembic revision --autogenerate，不要手改。
• 新增配置项在 core/config.py 声明，并在 .env.example 加注释；绝不硬编码密钥。
• 新增用户可见文案同时补 zh-CN 与 en 翻译。
• 前端页面使用 @/components/shared 的页面模板与 OKLCH 语义 token，不硬编码颜色。

验证：后端 pytest；前端 npm run lint + npm run build（tsc -b 类型检查）。

启动时报 HuggingFace 网络超时 / 找不到模型 — bstart.sh 默认设置了 HF_HUB_OFFLINE=1。首次运行前先按「构建后端镜像 → 模型」下载到本地缓存，或去掉离线变量让其自动下载（需能访问 HuggingFace，国内可设 HF_ENDPOINT=https://hf-mirror.com）。

上传的 PDF 没有被切块 / 内容为空 — 检查 PaddleOCR 是否可用；不部署 OCR 时请设 OCR_ENABLED=false，扫描版 PDF 会降级到 PyMuPDF（无法识别图片中的文字）。文档状态为「已完成」但分块数为 0，说明文件被识别为二进制，只做了存储。

「创作大师」下拉框是空的 / 管理后台 Skill 池没有内容 — 内置技能不会在启动时自动导入，在 backend/ 下执行一次 python -m scripts.seed_skills（按 slug 幂等更新，可重复执行）。

上传的 .doc / .xls / .ppt 显示「仅存储」 — 这三种旧版二进制格式目前无法提取文本，请另存为 .docx / .xlsx / .pptx 后重新上传。

全文检索报错 analyzer [ik_max_word] not found — Elasticsearch 未安装 IK 分词插件，安装与 ES 版本一致的 analysis-ik 后重启 ES，并删除已创建的索引让后端重建。

图片 / 视频上传后预览打不开 — MINIO_PUBLIC_URL 必须是浏览器能直接访问的地址；使用 docker-compose.milvus.yml 时端口是 9100。

视频没有封面 / 时长 — 确认 ffmpeg 与 ffprobe 都在 PATH 中（镜像构建时放在 backend/docker_file/）。

本地开发收不到短信 / 邮件 — 设 SMS_ENABLED=false / EMAIL_ENABLED=false，验证码与邮件内容会直接打印在后端日志中。

发布页看不到平台 / 扫码授权失败 / 发布结果一直不更新 — 按接入推量发网关逐段检查：网关是否启动、主站 TLF_* 是否与网关租户一致、上游（灵径 / Composio）凭据是否正确，以及两段回调地址是否公网可达。网关管理界面的「Webhook 事件」页可以查看每条回调的收发记录并手动重试。

在 WSL 中开发，前端启动报 esbuild / rollup 二进制不兼容 — 代码在 Windows 磁盘、在 WSL 中运行时，npm install 必须在 WSL 内执行，不要在 Windows 侧安装依赖。

• 「数据分析」下的内容复盘、渠道复盘页面尚在开发中（账号指标已采集入库，展示待完成）。
• 界面 i18n 框架已内置 6 种语言包（zh-CN / en / ko / ja / fr / es），目前导航等通用部分已翻译，部分页面文案仍只有中文，欢迎贡献翻译。
• 旧版二进制文档格式（doc / xls / ppt）暂不支持文本提取，只能存储。
• Docker 编排暂不包含 MySQL / Redis / Elasticsearch，需单独部署。
• TikTok 海外发布待上游提供可用的发帖接口后开放。

欢迎提交 Issue 与 Pull Request。提交前请确认：

1. 已阅读对应端的 AGENTS.md，遵循其中的约定；
2. 后端 pytest 通过，前端 npm run lint 与 npm run build 通过；
3. 涉及数据库变更时附带 Alembic 迁移；涉及新配置时更新 .env.example；
4. UI 改动请同步更新 docs/screenshots/ 中的截图。

修改 README 时，请同时更新 README.md（中文）与 README.en.md（英文）。

MIT © 2026 中巨量（深圳）科技有限公司

本项目依赖的第三方组件与模型（FFmpeg、PaddleOCR、Milvus、Elasticsearch、MinIO、BGE、OpenCLIP、wtpsplit 等）各自遵循其许可证，FFmpeg 等由用户自行下载；商用前请自行确认相关条款。

推量牛（bullflow）由 中巨量（深圳）科技有限公司 开源。
了解更多中巨量的产品，请访问官网：https://zhongjuliang.com