这个名为 UltraRAG 的开源项目，已在 GitHub 上获得了超过 4600 个 Star。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 等机构联合发布，是首个基于 MCP 的轻量级 RAG 开发框架。其核心在于：通过 YAML 配置逻辑，利用 MCP 构建组件，并通过 UI 打通从“算法”到“应用”的最后一公里。

近期，项目团队发布了 UltraRAG 3.0 版本，其定位非常明确：拒绝“黑盒”开发，让每一行推理逻辑都清晰可见。如果你正在开发知识库问答、深度研究或多轮复杂推理应用，并对各种 Agent + RAG 的“黑盒”流水线感到困扰，那么 UltraRAG 3.0 值得你深入了解。

目前，该项目已登上 GitHub 开源热榜的 TOP 3。

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

UltraRAG 3.0 发布

下面重点介绍 3.0 版本的主要更新，整体功能相当强大。

① 逻辑即应用

简单来说，开发者无需再自行编写对话界面的 UI。传统流程是：构思算法 → 编写 pipeline → 调试通过 → 开发前端 UI 包装 → 调整交互细节。

在 UltraRAG 3.0 中，流程被大大简化：编写 YAML 或绘制流程图 → 一键构建 → 自动生成对话式 Web 界面。

只需定义好 YAML pipeline，框架就能自动将其转化为一个标准的交互演示界面。开发者可以在 UI 上拖拽、连线组件，像搭积木一样构建流程。直接修改 YAML 文件，画布视图也能实时同步更新。直观的感受是：你编写的逻辑本身就是一个可运行的产品雏形，而不仅仅是伪演示。

② 全链路白盒化

“展示思考过程”，将每一步的推理细节清晰地呈现出来。UltraRAG 3.0 将聊天界面升级为一个推理过程观察窗口。它提供了一个“展示思考”面板，可以流式展示每个步骤，例如：哪次检索召回了哪些文档片段、哪个工具被调用了多少次、在多轮循环中分支走向了哪一边。整个过程结构化、时序清晰。

对于多轮查询改写、多次检索、多工具协作等复杂流程，以往很难一眼看清全貌。现在，借助这个能力，问题定位变得非常直接。过去发现答案错误时，需要通过打日志或其他方式排查是检索问题还是模型幻觉，现在直接在界面上观察即可。这对于复杂任务（如深度研究场景）尤其有价值。UltraRAG 3.0 将整个“思考过程”完全展开，确实方便了许多。

③ 内置智能开发助手

UltraRAG 3.0 将开发文档和最佳实践直接集成到了一个内置的智能助手中。这省去了从查阅文档 → 理解 → 翻译成配置的整个心智负担。

下图展示了内置开发助手可以完成的一些任务：

如何使用

如果你是第一次接触 UltraRAG，可以按照以下路线进行：

第一步：安装与验证

本地安装（推荐使用 uv）：

“`bash
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

运行一个最简单的例子

ultrarag run examples/sayhello.yaml

预期输出：Hello, UltraRAG v3!

“`

使用 Docker 快速体验 UI：

“`bash

拉取镜像 / 或本地构建

docker build -t ultrarag:v0.3.0 .

运行容器（默认端口 5050）

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

浏览器打开 http://localhost:5050

“`

建议先尝试运行几个官方示例 pipeline，感受一下“展示思考”和可视化构建器的功能。

第二步：学会读写简单的 YAML Pipeline

你至少需要掌握：

• servers 部分：声明将使用哪些 MCP 服务器（如检索器、生成器、评估器等）。
• pipeline 部分：声明执行的步骤，以及循环/分支逻辑。

一个典型的结构如下所示：

“`yaml
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 中使用画布模式拖拽出一个流程，再查看同步生成的 YAML 文件。对于任何不理解的字段，可以直接询问内置智能助手，这比翻阅文档更快。

完成以上步骤后，你就可以将已有的 RAG 逻辑迁移到 UltraRAG 框架中。

关注“鲸栖”小程序，掌握最新AI资讯