更少的代码、更低的门槛、更快的部署

     

简体中文  |  English

---

最新消息 🔥

• [2026.01.23] 🎉 UltraRAG 3.0 发布：告别“黑箱”开发——让每一步推理逻辑清晰可见 👉 📖 博客
• [2026.01.20] 🎉 AgentCPM-Report 模型发布！深度研究终于实现本地化：8B 规模的设备端写作代理 AgentCPM-Report 已开源 👉 🤗 模型

往期新闻

• [2025.11.11] 🎉 UltraRAG 2.1 发布：增强知识摄入与多模态支持，并配备更完善的统一评估体系！
• [2025.09.23] 每日 RAG 论文摘要更新，每天都有新内容 👉 📖 论文
• [2025.09.09] 发布轻量级深度研究流水线本地搭建教程 👉 📺 bilibili · 📖 博客
• [2025.09.01] 发布 UltraRAG 安装及完整 RAG 演示视频 👉 📺 bilibili · 📖 博客
• [2025.08.28] 🎉 UltraRAG 2.0 发布！UltraRAG 2.0 全面升级：只需几十行代码即可构建高性能 RAG，让研究人员专注于创意与创新！我们保留了 UltraRAG v2 的代码，可在 v2 查看。
• [2025.01.23] UltraRAG 正式发布！使大型模型能够更好地理解并利用知识库。UltraRAG 1.0 的代码仍可在 v1 获取。

---

💡 关于 UltraRAG

UltraRAG 是首个基于 模型上下文协议（MCP） 架构设计的轻量级 RAG 开发框架，由清华大学 THUNLP、东北大学 NEUIR、OpenBMB 和 AI9stars 联合推出。

UltraRAG 专为科研探索和工业原型开发而设计，将 RAG 的核心组件（检索器、生成器等）标准化为独立的 MCP 服务器，并结合 MCP 客户端 强大的工作流编排能力。开发者仅需通过 YAML 配置即可实现对条件分支、循环等复杂控制结构的精准编排。

🖥️ UltraRAG UI

UltraRAG UI 超越了传统聊天界面的界限，演变为一个集编排、调试和演示于一体的可视化 RAG 集成开发环境（IDE）。

该系统内置强大的流水线构建工具，支持“画布构建”与“代码编辑”之间的双向实时同步，允许用户在线精细调整流水线参数和提示词。此外，它还引入了智能 AI 助手，赋能从流水线结构设计到参数调优、提示词生成的整个开发周期。一旦构建完成，逻辑流程只需点击一下即可转换为交互式对话系统。系统无缝集成知识库管理组件，使用户能够构建用于文档问答的自定义知识库。这真正实现了从底层逻辑构建、数据治理到最终应用部署的一站式闭环。

https://github.com/user-attachments/assets/fcf437b7-8b79-42f2-bf4e-e3b7c2a896b9

✨ 核心亮点

🚀 复杂工作流的低代码编排 推理编排：原生支持顺序、循环和条件分支等控制结构。开发者只需编写 YAML 配置文件，即可用数十行代码实现复杂的迭代式 RAG 逻辑。	⚡ 模块化扩展与复用 原子级 Server：基于 MCP 架构，将功能解耦为独立的 Server。新增功能只需注册为函数级别的 Tool，即可无缝集成到工作流中，实现极高的复用性。
📊 统一评估与基准对比 科研效率：内置标准化评估流程，开箱即用主流科研基准。通过统一的指标管理和基线集成，显著提升实验可重复性和对比效率。	🎯 快速生成交互式原型 一键交付：告别繁琐的 UI 开发。只需一条命令，即可将 Pipeline 逻辑即时转换为交互式对话式 Web UI，缩短算法到演示的距离。

📦 安装

我们提供两种安装方式：本地源码安装（推荐使用 uv 进行包管理）和 Docker 容器部署。

方法一：源码安装

我们强烈建议使用 uv 来管理 Python 环境和依赖，它能极大提升安装速度。

准备环境

如果您尚未安装 uv，请执行：

## 直接安装
pip install uv
## 下载
curl -LsSf https://astral.sh/uv/install.sh | sh

下载源码

git clone https://github.com/OpenBMB/UltraRAG.git --depth 1
cd UltraRAG

安装依赖

根据您的使用场景，选择以下任一模式安装依赖：

A：创建新环境 使用 uv sync 自动创建虚拟环境并同步依赖：

• 核心依赖：如果您仅需运行基础核心功能，例如仅使用 UltraRAG UI：

  uv sync
  

• 全量安装：如果您希望全面体验 UltraRAG 的检索、生成、语料处理和评估功能，请运行：

  uv sync --all-extras
  

• 按需安装：如果您仅需运行特定模块，可根据需要保留相应的 --extra 参数，例如：

  uv sync --extra retriever   # 仅检索模块
  uv sync --extra generation  # 仅生成模块
  

安装完成后，激活虚拟环境：

# Windows CMD
.venv\Scripts\activate.bat

# Windows Powershell
.venv\Scripts\Activate.ps1

# macOS / Linux
source .venv/bin/activate

B：安装到现有环境 若要将 UltraRAG 安装到您当前活动的 Python 环境中，请使用 uv pip：

# 核心依赖
uv pip install -e .

# 全量安装
uv pip install -e ".[all]"

# 按需安装
uv pip install -e ".[retriever]"

方法二：Docker 容器部署

如果您不想配置本地 Python 环境，也可以使用 Docker 进行部署。

获取代码和镜像

# 1. 克隆仓库
git clone https://github.com/OpenBMB/UltraRAG.git --depth 1
cd UltraRAG

# 2. 准备镜像（任选其一）
# 选项 A：从 Docker Hub 拉取
docker pull hdxin2002/ultrarag:v0.3.0-base-cpu # 基础版（CPU）
docker pull hdxin2002/ultrarag:v0.3.0-base-gpu # 基础版（GPU）
docker pull hdxin2002/ultrarag:v0.3.0          # 完整版（GPU）

# 选项 B：本地构建
docker build -t ultrarag:v0.3.0 .

# 3. 启动容器（自动映射端口 5050）
docker run -it --gpus all -p 5050:5050 <docker_image_name>

启动容器

# 启动容器（默认映射端口 5050）
docker run -it --gpus all -p 5050:5050 <docker_image_name>

注意：容器启动后，UltraRAG UI 将自动运行。您可以在浏览器中直接访问 http://localhost:5050 使用。

验证安装

安装完成后，运行以下示例命令以检查环境是否正常：

ultrarag run examples/experiments/sayhello.yaml

如果看到以下输出，则表示安装成功：

Hello, UltraRAG v3!

🚀 快速入门

我们提供了从入门到进阶的完整教程示例。无论您是进行学术研究还是构建工业应用，都能在这里找到指导。欢迎访问 文档 获取更多详情。

🔬 科研实验

专为研究人员设计，提供数据、实验流程和可视化分析工具。

• 快速入门：学习如何基于 UltraRAG 快速运行标准 RAG 实验流程。
• 评估数据：下载 RAG 领域最常用的公开评估数据集和大规模检索语料库，直接用于科研基准测试。
• 案例分析：提供可视化的 Case Study 界面，深入跟踪工作流中的每个中间输出，辅助分析和错误定位。
• 代码集成：学习如何在 Python 代码中直接调用 UltraRAG 组件，实现更灵活的定制化开发。

🛠️ 演示系统

专为开发者和最终用户设计，提供完整的 UI 交互和复杂应用案例。

• 快速入门：学习如何启动 UltraRAG UI，并熟悉管理员模式下的各种高级配置。
• 部署指南：详细的生产环境部署教程，涵盖 Retriever、生成模型（LLM）以及 Milvus 向量数据库的搭建。
• 深度研究：旗舰案例，部署 Deep Research Pipeline。结合 AgentCPM-Report 模型，可自动执行多步检索与整合，生成数万字的调研报告。

🤝 贡献

感谢以下贡献者提供的代码提交和测试。我们也欢迎新成员加入我们，共同构建一个全面的 RAG 生态系统！

您可以通过标准流程进行贡献：Fork 本仓库 → 提交 Issue → 创建 Pull Request (PR)。

⭐ 支持我们

如果您觉得本仓库对您的研究有所帮助，请考虑给我们点个 star，以表示您的支持。

💬 联系我们

• 如遇技术问题或功能需求，请使用 GitHub Issues。
• 如有关于使用、反馈或其他与 RAG 技术相关的问题，欢迎您加入我们的 微信群、飞书群 和 Discord，与我们交流讨论。
• 如果您有任何疑问、建议或想与我们取得联系，请随时通过电子邮件 yanyk.thu@gmail.com 与我们沟通。

微信群

飞书群

Discord

📖 出版物

论文

1. Shi Yu, Chaoyue Tang, Bokai Xu, Junbo Cui, Junhao Ran, Yukun Yan, Zhenghao Liu, Shuo Wang, Xu Han, Zhiyuan Liu, Maosong Sun. (2025) VisRAG: 基于视觉的多模态文档检索增强生成。arXiv:2410.10594 和 第十三届国际学习表征会议（ICLR 2025）论文集。

2. Xinze Li, Sen Mei, Zhenghao Liu, Yukun Yan, Shuo Wang, Shi Yu, Zheni Zeng, Hao Chen, Ge Yu, Zhiyuan Liu, Maosong Sun, Chenyan Xiong. (2025) RAG-DDR: 利用可微数据奖励优化检索增强生成。arXiv:2410.13509 和 第十三届国际学习表征会议（ICLR 2025）论文集。

3. Kunlun Zhu, Yifan Luo, Dingling Xu, Yukun Yan, Zhenghao Liu, Shi Yu, Ruobing Wang, Shuo Wang, Yishan Li, Nan Zhang, Xu Han, Zhiyuan Liu, Maosong Sun. (2025) RAGEval: 场景特定的 RAG 评估数据集生成框架。arXiv:2408.01262 和 第63届计算语言学协会年会（ACL 2025）论文集。

4. Ruobing Wang, Qingfei Zhao, Yukun Yan, Daren Zha, Yuxuan Chen, Shi Yu, Zhenghao Liu, Yixuan Wang, Shuo Wang, Xu Han, Zhiyuan Liu, Maosong Sun. (2025) DeepNote: 以笔记为中心的深度检索增强生成。arXiv:2410.08821 和 计算语言学协会发现：EMNLP 2025。

模型

1. Yishan Li, Wentong Chen, Yukun Yan, Mingwei Li, Sen Mei, Xiaorong Wang, Kunpeng Liu, Xin Cong, Shuo Wang, Zhong Zhang, Yaxi Lu, Zhenghao Liu, Yankai Lin, Zhiyuan Liu, Maosong Sun. (2026) AgentCPM-Report: 针对开放式深度研究的草稿撰写与深入分析交织模型。arXiv:2602.06540。

2. OpenBMB. MiniCPM-Embedding-Light。Hugging Face 模型卡片。

UltraRAG 快速上手指南

UltraRAG 是由清华大学 THUNLP、东北大学 NEUIR、OpenBMB 等联合推出的首个基于 Model Context Protocol (MCP) 架构的轻量级 RAG 开发框架。它支持通过 YAML 配置实现复杂工作流的低代码编排，并提供可视化的 UI 界面进行调试与部署。

1. 环境准备

系统要求

• 操作系统: Linux, macOS, Windows (WSL 推荐)
• Python 版本: 3.9 - 3.12
• 硬件建议:
  • 基础运行：CPU 即可
  • 完整功能（检索/生成/评估）：建议配备 NVIDIA GPU (CUDA 支持)

前置依赖

推荐使用 uv 进行包管理，它能显著提升安装速度。如未安装，请先执行以下任一命令安装 uv：

# 方式一：通过 pip 安装
pip install uv

# 方式二：官方脚本安装 (Linux/macOS)
curl -LsSf https://astral.sh/uv/install.sh | sh

2. 安装步骤

方法一：源码安装（推荐）

1. 克隆项目

git clone https://github.com/OpenBMB/UltraRAG.git --depth 1
cd UltraRAG

2. 安装依赖 根据需求选择以下一种模式：

• 核心模式（仅运行基础功能或 UI）：

  uv sync
  

• 全量模式（包含检索、生成、数据处理及评估功能）：

  uv sync --all-extras
  

• 按需模式（例如仅安装检索模块）：

  uv sync --extra retriever
  

3. 激活虚拟环境 安装完成后，激活生成的 .venv 环境：

# Linux / macOS
source .venv/bin/activate

# Windows CMD
.venv\Scripts\activate.bat

# Windows PowerShell
.venv\Scripts\Activate.ps1

备选方案：直接安装到当前环境 若不希望使用虚拟环境，可使用 uv pip 直接安装：

uv pip install -e ".[all]"

方法二：Docker 部署

若不想配置本地 Python 环境，可直接使用 Docker。

1. 拉取镜像

# CPU 基础版
docker pull hdxin2002/ultrarag:v0.3.0-base-cpu

# GPU 完整版（推荐）
docker pull hdxin2002/ultrarag:v0.3.0

2. 启动容器

docker run -it --gpus all -p 5050:5050 hdxin2002/ultrarag:v0.3.0

启动后，直接在浏览器访问 http://localhost:5050 即可使用 UltraRAG UI。

3. 基本使用

验证安装

运行官方提供的 "Hello World" 示例，检查环境是否正常：

ultrarag run examples/experiments/sayhello.yaml

若终端输出以下内容，表示安装成功：

Hello, UltraRAG v3!

快速体验 UI 界面

UltraRAG 提供了可视化的 IDE 界面，支持画布编排与代码实时同步。

1. 确保已激活虚拟环境（源码安装用户）。
2. 在终端输入以下命令启动 UI 服务：

   ultrarag ui
   

   (注：具体启动命令可能随版本微调，若上述命令无效，请尝试直接运行 python -m ultrarag.ui 或参考启动日志)
3. 打开浏览器访问 http://localhost:5050。
4. 在界面中，您可以：
   • 使用 Pipeline Builder 拖拽组件构建 RAG 流程。
   • 编辑 YAML 配置文件 定义条件分支与循环逻辑。
   • 一键将构建好的流程转换为交互式对话应用。

运行研究实验

对于科研人员，可直接运行内置的基准测试工作流：

# 运行标准 RAG 实验流程
ultrarag run examples/experiments/standard_rag.yaml

更多高级用法（如自定义 MCP Server、复杂工作流编排）请参考 官方文档。