更少的代码、更低的门槛、更快的部署

最新动态 🔥

• 2026.01.23 🎉 UltraRAG 3.0 发布：告别“黑箱”开发——让每一行推理逻辑都清晰可见 👉 | 📖 博客
• 2026.01.20 🎉 AgentCPM-Report 模型发布！DeepResearch终于本地化：8B 端设备写作代理 AgentCPM-Report 开源 👉 | 🤗 模型

关于UltraRAG

UltraRAG是第一个基于模型上下文协议（MCP）架构设计的轻量级RAG开发框架，由清华大学的THUNLP、东北大学的NEUIR、OpenBMB和AI9stars联合推出。

UltraRAG旨在进行研究探索和工业原型开发，标准化了核心RAG组件（检索、生成等），作为独立的MCP服务器，与强大的工作流编排能力相结合，开发者可以通过YAML配置简单实现复杂控制结构的精确编排，如条件分支和循环。

UltraRAG UI

UltraRAG UI超越了传统聊天界面的局限，演变为一个可视化的RAG集成开发环境（IDE），结合了编排、调试和演示。系统具有强大的内置管道构建器，支持“画布构建”和“代码编辑”之间的双向实时同步，实现管道参数和提示的精细在线调整。此外，系统还引入了智能AI助手，帮助开发生命周期全程，从管道结构设计到参数调优和提示生成。一旦构建，逻辑流可以一键转化为互动对话系统，完美整合知识库管理组件，用户可以构建自定义知识库进行文档问答，真正实现从底层逻辑构建和数据治理到最终应用部署的一站式闭环。

主要亮点

• 🚀 低代码的复杂工作流编排

  • 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配置文件即可用几十行代码实现复杂的迭代RAG逻辑。

• ⚡ 模块化扩展与复用

  • 原子服务器：基于MCP架构，功能解耦为独立服务器。新特性只需注册为功能级工具即可无缝集成到工作流，实现极高的可复用性。

• 📊 统一评估与基准比较

  • 研究效率：内置标准化评估工作流，现成可用的主流研究基准。通过统一的指标管理和基线集成，显著提高实验的可重复性和比较效率。

• ✨ 快速互动原型生成

  • 一键交付：告别繁琐的UI开发。仅需一条命令，管道逻辑可以瞬间转化为互动对话Web UI，缩短算法到演示的距离。

安装指南

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

方法一：源代码安装

强烈建议使用 uv 管理Python环境和依赖，以显著提高安装速度。

准备环境

如果尚未安装uv，请执行：

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

下载源代码

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

安装依赖

根据用例选择一种模式安装依赖：

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：如果只需运行基本核心功能，例如仅使用UltraRAG UI：

  uv sync
  

• 完整安装：如果希望全面体验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：如果只需运行特定模块，保持相应的 --extra 选项，例如：

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

一旦安装完成，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 将UltraRAG安装到当前活动的Python环境中，使用 uv pip：

# 核心依赖
uv pip install -e .

# 完整安装
uv pip install -e ".[all]"

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

方法二：Docker容器部署

如果您不希望配置本地Python环境，可以使用Docker进行部署。

获取代码和镜像

# 1. 克隆代码库
git clone https://github.com/OpenBMB/UltraRAG.git --depth 1
cd UltraRAG

# 2. 准备镜像（选择一种）
# 选项A：从Docker Hub拉取
docker pull hdxin2002/ultrarag:v0.3.0-base-cpu # 基础版本（CPU）
docker pull hdxin2002/ultrarag:v0.3.0-base-gpu # 基础版本（GPU）
docker pull hdxin2002/ultrarag:v0.3.0          # 完整版本（GPU）

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

启动容器

# 启动容器（端口5050自动映射）
docker run -it --gpus all -p 5050:5050 

注意：容器启动后，将自动运行UltraRAG UI。您可以直接在浏览器中访问 http://localhost:5050 来使用。

验证安装

安装完成后，运行以下示例命令检查环境是否正常：

ultrarag run examples/sayhello.yaml

如果看到以下输出，说明安装成功：

Hello, UltraRAG v3!

快速入门

我们提供完整的新手到进阶的教程示例。无论您是在进行学术研究，还是构建工业应用，您都可以在此找到指导。欢迎访问文档以获取更多细节。

研究实验

为研究人员设计，提供数据、实验工作流和可视化分析工具。

• 入门指南：了解如何快速运行基于UltraRAG的标准RAG实验工作流。
• 评估数据：下载RAG领域常用的公共评估数据集和大规模检索语料，直接用于研究基准测试。
• 案例分析：提供可视化案例研究接口，深入追踪工作流的每个中间输出，辅助分析和错误归因。
• 代码集成：了解如何直接在Python代码中调用UltraRAG组件，实现更灵活的定制开发。

演示系统

为开发者和最终用户设计，提供完整的UI交互和复杂的应用案例。

• 快速入门：了解如何启动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，涵盖检索、生成模型（LLM）和Milvus向量数据库的搭建。
• 深度研究：旗舰案例，部署一个深度研究管道。结合AgentCPM-Report模型，能自动执行多步骤检索和整合，生成数万字的调查报告。

同类项目比较

在当前的RAG（Retrieval-Augmented Generation）领域，还有其他优秀的开源项目，例如：

1. Haystack: 作为一个强大的NLP框架，Haystack支持构建搜索引擎和问答系统，允许用户灵活地选择不同的后端模型，具有优越的文档检索能力。

2. LangChain: LangChain更注重于构建复杂的链式应用，通过多种工具与API整合，实现更加灵活的查询和任务执行。

3. Rasa: Rasa专注于构建对话系统，提供全面的开发工具和定制能力，使用户能够创建智能、可交互的聊天机器人。

这些项目各有特色，适用于不同的应用场景，用户可以根据具体需求选择最合适的框架。