清华及东北大学携手发布 UltraRAG 2.0：以50行代码构建高效检索增强生成平台
发布时间：2025-09-02 18:02:01 | 责任编辑：张毅 | 浏览量：22 次
近日，清华大学 THUNLP 实验室、东北大学 NEUIR 实验室与 OpenBMB 及 AI9Stars 联合发布了 UltraRAG2.0，这是首个基于 Model Context Protocol（MCP）架构设计的检索增强生成(RAG)框架。
该框架致力于简化 RAG 系统的构建过程，使科研人员可以在短时间内实现复杂的多阶段推理系统。UltraRAG2.0的亮点在于用户只需通过编写 YAML 文件，即可轻松声明复杂的逻辑，如串行、循环和条件分支，从而显著减少代码量，降低实现的门槛。
在当前的 RAG 发展趋势中，许多系统逐渐融入了自适应知识组织、多轮推理及动态检索等复杂特性，代表项目包括 DeepResearch 和 Search-o1。然而，这些复杂特性也给开发者带来了高昂的工程成本，制约了新想法的快速迭代与复现。UltraRAG2.0应运而生，它通过将 RAG 的核心组件封装为独立的 MCP 服务器，实现了功能的灵活调用和扩展。
具体而言，与以往的实现方式相比，UltraRAG2.0在代码量上大幅减少。例如，经典方法 IRCoT 的官方实现需要近900行代码，而使用 UltraRAG2.0只需约50行代码就能完成同等功能。其中一半的代码是用于流程编排的 YAML 伪代码，极大降低了开发门槛。框架支持通过简洁的声明式方式来构建多阶段推理流程，使得复杂的推理逻辑不再需要冗长的手动编码。
UltraRAG2.0还支持动态检索、条件判断及多轮交互等高级功能，科研人员可以在短时间内搭建出高性能的实验平台，满足复杂多跳问题的需求。其性能较传统的 Vanilla RAG 提升约12%。该系统的设计旨在让研究者在工程实现方面节省时间和精力，将更多的注意力放在算法创新和实验设计上。
此外，UltraRAG2.0的 MCP 架构允许不同模块间的无缝复用，并支持模块的灵活扩展和接入，方便科研人员快速适配新的模型和算法。这一设计极大提升了系统开发的效率和可复现性。
项目主页:https://openbmb.github.io/UltraRAG
划重点:
🌟 UltraRAG2.0由清华与东北大学联合推出，旨在简化复杂的 RAG 系统构建过程。
🛠️ 用户通过编写 YAML 文件即可实现复杂推理逻辑，大幅降低代码量与开发门槛。
📈 相较于传统方法，UltraRAG2.0在性能上提升约12%，适用于多轮推理和动态检索等高级功能。
GitHub
核心亮点
-
极简开发：基于 Model Context Protocol（MCP）架构，用户只需编写 YAML 文件即可定义复杂逻辑（如串行、循环、条件分支），实现多阶段推理系统。
-
代码量对比：传统方法如 IRCoT 官方实现需近 900 行代码，FlashRAG 需 110 行，而 UltraRAG 2.0 仅需约 50 行代码（其中一半为 YAML 配置）。
-
性能提升：在复杂多跳问题上，性能较传统 Vanilla RAG 提升约 12%。
-
模块化设计：核心组件（检索、生成等）被封装为独立 MCP Server，支持灵活调用与扩展，可“热插拔”新模块。
开发体验
-
声明式编程：通过 YAML 文件定义流程，避免繁琐的手动编码，支持动态检索、多轮交互等高级功能。
-
零门槛上手：提供 WebUI 与开箱即用的模板，零编程经验用户也能快速搭建系统。
获取资源
- GitHub：OpenBMB/UltraRAG
- 教程与文档：https://ultrarag.openbmb.cn/
- 开源数据集：Hugging Face - UltraRAG_Benchmark
本网站(https://aigc.izzi.cn)刊载的所有内容，包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。除此以外，将本网站任何内容或服务用于其他用途时，须征得本网站及相关权利人的书面许可，并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站，予以删除。
