简体中文 | English
更新日志 🔥
- [2026.01.23] 🎉 UltraRAG 3.0 发布：拒绝"盲盒"开发，让每一行推理逻辑都清晰可见 👉 📖 博客
- [2026.01.20] 🎉 发布 AgentCPM-Report 模型！DeepResearch 终于本地化了：8B 端侧写作智能体 AgentCPM-Report 开源 👉 🤗 模型
历史更新
- [2025.11.11] 🎉 UltraRAG 2.1 更新：强化知识接入与多模态支持，完善统一评估体系！
- [2025.09.23] 新增每日 RAG 论文分享，每日更新最新前沿 RAG 工作 👉 📖 论文
- [2025.09.09] 发布轻量级 DeepResearch Pipeline 本地搭建教程 👉 📺 bilibili · 📖 博客
- [2025.09.01] 发布 UltraRAG 安装与完整 RAG 跑通视频 👉 📺 bilibili · 📖 博客
- [2025.08.28] 🎉 发布 UltraRAG 2.0！UltraRAG 2.0 全新升级：几十行代码实现高性能 RAG，让科研专注思想创新！我们保留了 UltraRAG v2 的代码，可以点击 v2 查看。
- [2025.01.23] 发布 UltraRAG！让大模型读懂善用知识库！我们保留了UltraRAG 1.0的代码，可以点击 v1 查看。
UltraRAG 是由清华大学 THUNLP 实验室、东北大学 NEUIR 实验室、OpenBMB 与 AI9stars 联合推出的首个基于 Model Context Protocol (MCP) 架构设计的轻量级 RAG 开发框架。
专为科研探索与工业原型设计打造，UltraRAG 将 RAG 中的核心组件（Retriever、Generation 等）标准化封装为独立的 MCP Server，配合 MCP Client 强大的流程调度能力，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确编排。
UltraRAG UI 突破了传统对话界面的边界，演进为集编排、调试与演示于一体的 可视化的 RAG 全流程集成开发环境。
系统内置强大的 Pipeline Builder，支持'画布搭建'与'代码编辑'的双向实时同步，并允许在线精细化调整 Pipeline 参数与 Prompt；更引入了 智能 AI 助手，深度辅助 Pipeline 结构设计、参数调优及 Prompt 生成的全开发流程。构建完成的逻辑流可 一键转化 为交互式对话系统，并无缝集成 知识库管理组件，支持用户构建专属知识库进行文档问答，真正实现了从底层逻辑构建、数据治理到应用部署的一站式闭环。
UltraRAG.mp4
|
🚀 低代码编排复杂流程 推理编排：原生支持串行、循环与条件分支等控制结构。开发者仅需编写 YAML 配置文件，即可在数十行代码内实现复杂的迭代式 RAG 逻辑。 |
⚡ 模块化扩展与复现 原子化 Server：基于 MCP 架构将功能解耦为独立 Server。新功能仅需以函数级 Tool 形式注册，即可无缝接入流程，实现极高的复用性。 |
|
📊 统一评测与基准对比 科研提效：内置标准化评测流程，开箱即用主流科研 Benchmark。通过统一指标管理与基线集成，大幅提升实验的可复现性与对比效率。 |
✨ 交互原型快速生成 一键交付：告别繁琐的 UI 开发。仅需一行命令，即可将 Pipeline 逻辑瞬间转化为可交互的对话式 Web UI，缩短从算法到演示的距离。 |
我们提供了两种安装方式：本地源码安装（推荐使用 uv 进行包管理）和 Docker 容器部署
我们强烈推荐使用 uv 来管理 Python 环境与依赖，它能极大地提升安装速度。
准备环境
如果您尚未安装 uv，请先执行：
## 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
请根据您的使用场景，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：如果您只需运行基础核心功能，如只使用 UltraRAG UI：
uv sync
-
全量安装：如果您希望完整体验 UltraRAG 的检索、生成、语料处理及评测功能，请运行：
uv sync --all-extras
-
按需安装：如果您只需运行指定模块，请保留对应
--extra，例如：uv sync --extra retriever # 检索模块 uv sync --extra generation # 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/activateB：安装至已有环境 如果您希望将 UltraRAG 安装到当前已激活的 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]"如果您不想配置本地 Python 环境，可以使用 Docker 一键启动。
获取代码与镜像
# 1. 下载代码
git clone https://github.com/OpenBMB/UltraRAG.git --depth 1
cd UltraRAG
# 2. 准备镜像 (二选一)
# 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 .
启动容器
# 启动容器（已自动映射 5050 端口）
docker run -it --gpus all -p 5050:5050 <docker_image_name>提示：容器启动后会自动运行 UltraRAG UI，您可以直接在浏览器访问 http://localhost:5050 使用。
安装完成后，运行以下示例命令来检查环境是否正常：
ultrarag run examples/experiments/sayhello.yaml看到以下输出即代表安装成功：
Hello, UltraRAG v3!
我们提供了从入门到进阶的完整教学示例，无论您是进行学术研究还是构建工业级应用，都能在这里找到指引。欢迎访问教程文档 获取更多细节。
专为研究人员设计，提供数据、实验流程与可视化分析工具。
- 实验上手：了解如何基于 UltraRAG 快速跑通标准的 RAG 实验流程。
- 评测数据：下载 RAG 领域最常用的公开评测数据集以及大规模检索语料库，直接用于科研基准测试。
- 案例分析：提供可视化的 Case Study 界面，深入追踪工作流的每一步中间输出，辅助分析与错误归因。
- 结构化排障指南：当回答结果可疑、检索命中不稳定、推理链路漂移或部署后行为异常时，可按输入与检索、推理与规划、状态与上下文、部署与运行四个层级进行快速排查。
- 代码集成：了解如何在 Python 代码中直接调用 UltraRAG 组件，实现更灵活的定制化开发。
专为开发者与最终用户设计，提供完整的 UI 交互与复杂应用案例。
- 快速启动：了解如何启动 UltraRAG UI，并熟悉管理员模式下的各项高级配置。
- 部署指南：详细的生产环境部署教程，涵盖检索器 (Retriever)、生成模型 (LLM) 以及 Milvus 向量库的搭建。
- 深度研究：旗舰案例，部署一个深度研究 Pipeline。配合 AgentCPM-Report 模型，可自动执行多步检索与整合，生成数万字的综述报告。
感谢以下贡献者在代码提交和测试中的付出。我们也欢迎新的成员加入，共同构建完善的 RAG 生态！
您可以通过以下标准流程来贡献：Fork 本仓库 → 提交 Issue → 发起 Pull Request (PR)。
如果您觉得本项目对您的研究有所帮助，欢迎点亮一颗 ⭐ 来支持我们！
- 关于技术问题及功能请求，请使用 GitHub Issues 功能。
- 关于使用上的问题、意见以及任何关于 RAG 技术的讨论，欢迎加入我们的微信群组，飞书群组和discord，与我们共同交流。
- 如果您有任何疑问、反馈或想与我们取得联系，请随时通过电子邮件发送至 yanyk.thu@gmail.com。
 微信群组 |
 飞书群组 |
Discord |