UltraRAG

1. 项目/产品概览

图：UltraRAG 整体架构 —— Pipeline（流程定义）、Client（调度中枢）、Server（功能执行）、UI（交互演示）四层协同

2. 它主要能做什么（低代码 MCP RAG Pipeline 架构详解、组件化设计）

2.1 MCP 架构核心思想

UltraRAG 的最大差异化是将 RAG 系统完完全全"MCP 化"。基于 Anthropic 提出的 Model Context Protocol 标准协议，UltraRAG 将 RAG 的各功能模块标准化封装为独立的 MCP Server，每个 Server 对外暴露函数级 Tool 接口。通过 MCP Client 调度这些 Server，开发者只需编写 YAML 配置即可完成复杂流程编排。

四大核心角色：

• 📑 Pipeline（流程定义）：YAML 编写任务逻辑，定义各组件执行顺序与业务逻辑，实现推理流程的配置化。
• 🕹️ Client（调度中枢）：解析 Pipeline 配置，统一协调各 Server 间工具调用与数据传递，确保流程精准执行。
• ⚙️ Server（功能执行）：将核心功能标准化封装为独立服务，支持通过简单接口实现新模块快速扩展。
• 🖥️ UI（交互演示）：将 YAML 定义的逻辑一键转化为直观的对话式 Web 界面，显著提升调试效率与演示效果。

2.2 内置 MCP Server 组件全览

2.3 UltraRAG 3.0 三大核心突破

（1）从逻辑到原型的一键飞跃

提供"所见即所得"的 Pipeline Builder，自动处理繁琐的接口封装。开发者专注逻辑编排，静态代码瞬间变成可交互 Demo 系统。YAML 写完即应用，无需额外写 UI 代码。

（2）全链路白盒透明——推理追踪可视化

传统 RAG 框架中，多轮动态决策的推理链长达数百步，出错后只能翻后端日志排查。UltraRAG 3.0 通过"Show Thinking"面板，实时呈现每个循环、分支和工具调用的中间状态，结构化流式展示。当出现 Bad Case 时，直接在界面对比检索切片与最终答案，快速判断是"数据层噪声"还是"模型层幻觉"。

（3）内置智能开发助手

嵌入理解框架的 AI 助手，通过自然语言交互辅助生成 Pipeline 配置、优化 Prompt、解释参数含义。例如："帮我修改当前 Pipeline，增加一个 Citation 模块做事实核查"、"把生成模型后端切到 OpenAI，模型换成 qwen3-32b"——助手自动生成相应 YAML 配置。

2.4 可视化 RAG IDE

UltraRAG UI 不只是聊天界面，而是一个集编排、调试、演示为一体的 RAG 集成开发环境：

• Canvas 模式：通过 UI 组件直观拖拽组装 Loop、Branch 等复杂逻辑，像搭积木
• Code 模式：直接编辑 YAML 配置文件，Canvas 画布实时同步渲染
• 一键 Build & Verify：构建时自动逻辑自检和语法校验，动态生成参数配置面板
• 知识库管理：内建文档上传、解析、索引管理组件，支持构建自定义知识库

2.5 多模态能力（v2.1 引入）

• VisRAG Pipeline：基于 VisRAG 论文（ICLR 2025），实现从本地 PDF 索引到多模态检索生成的完整闭环。联合建模文档图像信息（图表、公式、布局结构）与文本内容，显著提升复杂科学文档的 QA 能力。
• 统一多模态接口：Retriever、Generation、Evaluation 三大 Server 均支持多模态任务，可灵活对接各类视觉、文本或跨模态模型。

3. 适用场景

4. 不太适合的场景

5. 核心能力清单

6. 架构/部署/集成方式

6.1 部署方式

方式一：源码安装（推荐）

# 安装 uv（快速 Python 包管理器）
pip install uv

# 克隆仓库
git clone https://github.com/OpenBMB/UltraRAG.git --depth 1
cd UltraRAG

# 核心依赖（仅 UI 等基础功能）
uv sync

# 全功能安装（检索+生成+语料+评测）
uv sync --all-extras

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

# 激活虚拟环境
source .venv/bin/activate

方式二：Docker 部署

# 拉取镜像（可选择 CPU / GPU / 全功能版本）
docker pull hdxin2002/ultrarag:v0.3.0-base-cpu
docker pull hdxin2002/ultrarag:v0.3.0-base-gpu
docker pull hdxin2002/ultrarag:v0.3.0

# 启动容器（默认映射 5050 端口）
docker run -it --gpus all -p 5050:5050 <镜像名>
# 浏览器访问 http://localhost:5050 即可使用 UI

6.2 集成生态

6.3 架构图

图：UltraRAG 四层架构 —— Pipeline 定义业务流程，Client 解析配置并调度，Server 层包含 Retrieval/Generation/Corpus/Prompt/Benchmark 等独立服务，UI 层提供对话式 Web 交互

7. 怎么用

7.1 最简 Hello World

# examples/sayhello.yaml
name: sayhello
pipeline:
  - step:
      name: greet
      server: sayhello
      tool: greet

# 运行 Pipeline
ultrarag run examples/sayhello.yaml

# 输出：Hello, UltraRAG v3!

7.2 自定义 MCP Server（以 SayHello 为例）

# servers/sayhello/src/sayhello.py
from typing import Dict
from ultrarag.server import UltraRAG_MCP_Server

app = UltraRAG_MCP_Server("sayhello")

@app.tool(output="name->msg")
def greet(name: str) -> Dict[str, str]:
    ret = f"Hello, {name}!"
    app.logger.info(ret)
    return {"msg": ret}

if __name__ == "__main__":
    app.run(transport="stdio")

# servers/sayhello/parameter.yaml
name: UltraRAG v3

7.3 复杂 Pipeline 示例：多路召回 + 重排序 + 生成

name: advanced_rag
pipeline:
  - step:
      name: dense_retrieve
      server: retriever
      tool: search_dense
  - step:
      name: sparse_retrieve
      server: retriever
      tool: search_sparse
  - step:
      name: merge_rerank
      server: reranker
      tool: rerank
      inputs:
        - dense_retrieve.results
        - sparse_retrieve.results
  - step:
      name: condition_check
      server: router
      tool: check_confidence
  - step:
      name: generate_with_context
      server: generation
      tool: generate
      inputs:
        - merge_rerank.top_results
      condition: "condition_check.confidence > 0.7"
  - step:
      name: iterative_search
      server: retriever
      tool: iterative_search
      condition: "condition_check.confidence <= 0.7"
      loop:
        max_iterations: 3
        condition: "not_enough_context"

7.4 启动可视化 UI

# 启动 UltraRAG UI（管理员模式）
ultrarag show ui --admin

# 浏览器访问 http://localhost:5050
# 可在 Canvas 和 Code 模式间切换，可视化管理 Pipeline

7.5 评测流程

# 下载评测数据集
# 配置 Benchmark Pipeline
ultrarag run examples/experiments/eval_benchmark.yaml

# 查看 Case Study 可视化分析
# 在 UI 中深度追踪每个中间输出，辅助分析归因

8. 售前可以怎么讲

8.1 一句话定位

UltraRAG = 清华出品、全球首个 MCP 架构低代码 RAG 框架，用 YAML 编排代替硬编码，让 RAG 开发从"写工程代码"回归"设计算法逻辑"。

8.2 客户痛点 → 解决方案

8.3 差异化卖点

vs LangChain / LlamaIndex

vs RAGFlow / Dify / MaxKB

UltraRAG 独一无二的三张牌：

1. MCP 原生架构：行业中唯一一个全面拥抱 MCP 协议的 RAG 框架，抢占了技术范式转移的制高点
2. 学术界最强公信力：清华 THUNLP + OpenBMB（MiniCPM / ChatDev 团队）+ 5 篇顶会，学术信誉无出其右
3. 算法到 Demo 零距离：Pipeline Builder + AI 助手 + 一键 UI 生成，打通"论文算法 → 可演示系统"的最后一公里

8.4 客户价值故事线

故事线 A——面向高校 / 实验室负责人：

"您的博士生正在研究新的 RAG 算法，但每次想验证一个 idea，需要花 80% 时间搭工程框架、对接检索库、写前端 Demo，只剩 20% 时间做真正的算法创新。用 UltraRAG 之后：YAML 编排逻辑 + MCP Server 注册新组件 + 一键生成演示 UI，把 80% 的工程时间还给算法研究。而且内置评测基准，论文实验复现和横向对比不再是噩梦。这是清华团队自己的提效工具。"

故事线 B——面向企业 AI 团队技术负责人：

"你们团队有不少 RAG 场景要探索：内部知识库问答、多模态文档理解、Deep Research 报告生成……但每个场景都从零搭建成本太高。UltraRAG 的 MCP Server 是'插件式'的——知识库对接一次，检索策略配 YAML 即可切换，生成模型换个 API Key 即变更。更关键的是，Pipeline 的每一步推理都可视、可追踪，出现幻觉能快速定位问题。这对需要向业务方解释系统行为的场景特别有价值。"

9. 常见客户问题

10. PoC 建议

10.1 PoC 目标设定

10.2 推荐的 PoC 场景

场景 1：科研 RAG 评测 PoC

• 用 UltraRAG 内置 Benchmark 跑标准评测
• 展示 Case Study 可视化分析界面
• 重点展示白盒推理追踪能力
• 客户价值：让研究人员直观感受"实验→评测→分析"一站式体验

场景 2：多模态文档 QA PoC

• 用 VisRAG Pipeline 处理含图表/公式的 PDF 文档
• 展示图文联合检索和答案生成
• 客户价值：演示多模态 RAG 的独特能力

场景 3：Deep Research Demo PoC

• 部署 Deep Research Pipeline + AgentCPM-Report
• 输入一个研究课题，自动生成万字调研报告
• 客户价值：展示"从问题到报告"的全自动化能力，冲击力强

10.3 PoC 关键指标

10.4 PoC 成功标准

• ✅ UltraRAG 成功安装在客户环境（本地或 Docker）
• ✅ 用客户提供的文档（≥ 50 份 PDF）构建知识库并完成 QA
• ✅ 客户团队独立完成一次 Pipeline 修改（如增加重排序步骤）
• ✅ 客户认可白盒调试价值（对比传统日志排查方式）

11. 风险和注意事项

12. 我的售前判断

12.1 综合推荐度

12.2 客户画像

核心目标客户：

1. 高校 NLP/IR 实验室：需要标准化的 RAG 实验框架 + 评测系统 + 论文复现工具
2. 企业 AI 研究院 / 创新实验室：需要快速将算法 idea 转化为可演示系统的团队
3. 以 RAG 为核心产品的创业团队：需要灵活的 Pipeline 编排能力 + 白盒调试来优化产品效果
4. 关注 MCP 生态的技术决策者：作为 MCP 协议在 RAG 领域的最佳实践参考

不太适合直接推荐的客户：

• 纯粹以"搭建一个知识库 Q&A 系统"为目标、对算法无要求的企业 IT 部门
• 技术储备有限的传统企业

12.3 策略建议

• 短期（2026 H2）：以"科研 RAG 实验平台"切入高校和企业研究院，避开与 RAGFlow/Dify 在生产场景的正面对抗
• 中期（2027）：如果 MCP 协议持续升温，UltraRAG 可能成为"MCP RAG 标准"；建议在客户技术选型中植入"MCP 原生架构"的认知
• 长期：关注 OpenBMB 团队是否会推出商业化版本（面壁智能 ModelBest 已有商业服务体系）

13. 参考资料

分析日期：2026-07-02