逛 GitHub 挖到宝了，这个叫 UltraRAG 的开源项目是首个基于 MCP 的检索增强生成（RAG）框架，不写代码也能玩转。

用 YAML 文件轻松构建复杂 RAG 系统。

RAG 系统：简单来说，就是让 AI 模型能先检索相关信息，再生成答案，从而提高准确性。

UltraRAG 是由清华 THUNLP、东北大学 NEUIR、OpenBMB 等多方联合推出的开源项目。

它能让你更容易构建和测试复杂的 RAG 系统。

01

开源项目简介

新版版本升级，最新的 2.1 版本主要围绕以下三大核心方向进行了全面升级：

① 原生多模态

统一框架支持文本、图像的检索与生成，新增 VisRAG Pipeline 实现 PDF 到多模态问答的闭环。

而且内置的多模态 Benchmark 覆盖视觉问答等任务，并提供统一的评估体系，方便研究者快速对比实验效果。

② 知识接入与语料构建自动化

支持多格式文档，比如 Word、电子书、网页存档的自动解析与分块，不需要编写复杂脚本即可构建统一格式的知识库。

而且在 PDF 解析方面，它集成了 MinerU 工具，能高保真还原复杂版面与多栏结构，并支持将 PDF 按页转换为图像，保留视觉布局信息。

③ 统一工作流

通过 YAML 配置驱动检索、生成、评估全流程，支持多种引擎与可视化分析，提升实验复现效率。

开源项目链接和相关教程如下：

代码仓库：https://github.com/OpenBMB/UltraRAG教程文档：https://ultrarag.openbmb.cn/数据集：https://modelscope.cn/datasets/UltraRAG/UltraRAG_Benchmark

02

实际效果

03

如何使用

UltraRAG 支持两种部署方式，第一种是使用 Conda 创建虚拟环境：

• 编写 Pipeline 配置文件
• 编译 Pipeline 并调整参数
• 运行 Pipeline

https://ultrarag.openbmb.cn/pages/cn/getting_started/quick_start

04

点击下方卡片，关注逛逛 GitHub

这个公众号历史发布过很多有趣的开源项目，如果你懒得翻文章一个个找，你直接关注微信公众号：逛逛 GitHub ，后台对话聊天就行了：