这个叫 UltraRAG 的开源项目，已经在 GitHub 上获得 4600+ 的 Star 了。

它由清华大学 THUNLP 实验室、东北大学 NEUIR 实验室、OpenBMB 、面壁智能与 AI9Stars 等联合发布的，是首个基于 MCP 的轻量级 RAG 开发框架。

简单总结就是用 YAML 配置逻辑，用 MCP 做组件，用 UI 打通从「算法」到「应用」的最后一公里。
**

最近，它们发布了 UltraRAG 3.0。

直接把定位写得非常激进：拒绝“盲盒”开发，让每一行推理逻辑都清晰可见。

如果你正在做知识库问答、DeepResearch、多轮复杂推理，又被各种 Agent + RAG 的黑盒流水线折磨，UltraRAG 3.0 值得你认真看一眼。

而且目前已经登上了 GitHub 开源热榜的 TOP 3 了。

开源地址：https://github.com/OpenBMB/UltraRAG

01

UltraRAG 3.0 发布了

下面就重点看看刚更新的 3.0 有哪些东西，整体来说还是比较顶的。

① 逻辑即应用

说白了就是不需要你自己写对话界面的 UI 了。以前是：

想一个算法 → 写个 pipeline → 跑通 → 再自己写个前端 UI 包一层 → 再调交互细节。

在 UltraRAG 3.0 里，不用这么麻烦了：

写 YAML / 画流程 → 一键 Build → 自动生成对话式 Web 界面。

可以看到，你只需定义好 YAML pipeline，框架就能自动把它变成一套标准交互 demo。

在 UI 上拖拽、连线组件，像搭积木一样画流程。直接改 YAML，画布视图也能实时跟进。

直观感受：你写好的逻辑，本质上就是一个可运行的产品雏形，不再只是伪 demo。

② 全链路白盒化

Show Thinking，把每一步想法摊开给你看。

UltraRAG 3.0 把 Chat 界面升级成了一个 推理过程观察窗。它有一个 Show Thinking 面板，可以流式展示每个 Step：

比如哪次检索召回了哪些 chunk、哪个 Tool 被调用了几次，在第几轮循环里分支走向了哪边。

结构化、时间顺序很清晰。

多轮查询改写、多次检索、多工具协作，以前真的很难一眼看全流程，有了这个能力，问题定位变得非常直接。

之前发现答案错了，需要通过打 log 或者其它办法来看是检索问题还是模型幻觉。

现在直接在界面上看就行了。对复杂任务尤其有价值，比如 DeepResearch 场景。UltraRAG 3.0 把整个「思考过程」完全展开出来，确实方便很多。

③ 内置智能开发助手

UltraRAG 3.0 直接把开发文档和最佳实践塞进了一个内置的智能助手里。

从看文档→理解→翻译成配置这一整段心智负担都帮你省了。

下面这个图就是内置的开发助手能做的一些事情：

02

如何使用

如果你是第一次接触 UltraRAG，可以按这条路线来：

第一步：安装 & 验证

本地安装，推荐 uv：

git clone https://github.com/OpenBMB/UltraRAG.git --depth 1
cd UltraRAG
# 同步全部依赖
uv sync --all-extras
# 激活环境（以 macOS/Linux 为例）
source .venv/bin/activate
# 跑个最简单的例子
ultrarag run examples/sayhello.yaml
# 预期输出：Hello, UltraRAG v3!

Docker 快速体验 UI：

# 拉镜像 / 或者本地构建
docker build -t ultrarag:v0.3.0 .
# 跑起来（默认 5050 端口）
docker run -it --gpus all -p 5050:5050 ultrarag:v0.3.0
# 浏览器打开 http://localhost:5050

先随便玩几个官方示例 pipeline，感受一下「Show Thinking」和可视化 builder 的味道。

第二步：学会读/写一份简单的 YAML Pipeline

你至少要掌握：

servers: 部分：声明你会用到哪些 MCP Servers（retriever / generation / evaluation…）

pipeline: 部分：声明执行的步骤，以及循环/分支逻辑

典型结构大概是这样的：

servers:
- name: generation
type: generation
params:
model: qwen3-7b
- name: retriever
type: retriever
params:
index: milvus
pipeline:
- name: init_query
server: generation
input: user_question
- name: search_loop
loop:
times: 5
steps:
- server: retriever
- server: generation
- name: decide
branch:
condition: "{{need_more}}"
true: search_loop
false: final_answer

可以先在 UI 里用画布模式拖出一个流程，再去看同步生成的 YAML 长什么样。有任何不懂的字段，直接问内置智能助手，比翻文档快。

接下来，你就能把你已有的 RAG 逻辑迁到 UltraRAG。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】