🔧 UltraRAG 2.0采用组件化封装，将RAG的核心组件（如检索、生成、评测）封装为标准化的独立MCP Server，实现模块间的解耦和灵活调用，提高了代码的可复用性和扩展性。
🔄 基于MCP架构和原生流程控制，UltraRAG 2.0支持串行、循环、条件分支等复杂逻辑，用户可通过YAML文件声明式地构建多阶段推理流程，降低了系统开发的复杂度。
🚀 UltraRAG 2.0显著降低了复杂RAG系统的技术门槛和学习成本，让科研人员能够将更多精力投入实验设计与算法创新，而不是陷入冗长的工程实现。
📊 框架内置17个主流benchmark任务和多种高质量baseline，配合统一的评测体系与知识库支持，进一步提升了系统开发的效率与实验的可复现性。
🤝 UltraRAG 2.0基于开放的MCP协议，使得遵循该协议开发的Server组件可以在不同系统间无缝复用，促进了RAG技术的交流与合作。
2025-09-02 23:59 湖北
检索增强生成系统（RAG）正从早期“检索+生成”的简单拼接，走向融合 自适应知识组织、多轮推理、动态检索 的复杂知识系统（典型代表如 DeepResearch、Search-o1）。但这种复杂度的提升，使科研人员在 方法复现、快速迭代新想法 时，面临着高昂的工程实现成本。
为了解决这一痛点，清华大学 THUNLP 实验室、东北大学 NEUIR 实验室、OpenBMB 与 AI9stars 联合推出 UltraRAG 2.0 （UR-2.0）—— 首个基于 Model Context Protocol (MCP) 架构设计的 RAG 框架。这一设计让科研人员只需编写 YAML 文件，就可以直接声明串行、循环、条件分支等复杂逻辑，从而以极低的代码量快速实现多阶段推理系统。
FlashRAG 与 UltraRAG 的代码实现对比其核心思路是：
组件化封装：将RAG 的核心组件封装为标准化的独立 MCP Server；
灵活调用与扩展：提供 函数级 Tool 接口，支持功能的灵活调用与扩展；
轻量流程编排：借助 MCP Client，建立自上而下的简洁化链路搭建；
与传统框架相比，UltraRAG 2.0 显著降低了复杂 RAG 系统的 技术门槛与学习成本，让研究者能够将更多精力投入到 实验设计与算法创新 上，而不是陷入冗长的工程实现。
秘诀：MCP 架构与原生流程控制在不同的 RAG 系统中，检索、生成等核心能力在功能上具有高度相似性，但由于开发者实现策略各异，模块之间往往缺乏统一接口，难以跨项目复用。Model Context Protocol (MCP) 作为一种开放协议，规范了为大型语言模型（LLMs）提供上下文的标准方式，并采用 Client–Server 架构，使得遵循该协议开发的 Server 组件可以在不同系统间无缝复用。
受此启发，UltraRAG 2.0 基于 MCP 架构，将 RAG 系统中的检索、生成、评测等核心功能抽象并封装为相互独立的 MCP Server，并通过标准化的函数级 Tool 接口实现调用。这一设计既保证了模块功能扩展的灵活性，又允许新模块以“热插拔”的方式接入，无需对全局代码进行侵入式修改。在科研场景中，这种架构让研究者能够以极低的代码量快速适配新的模型或算法，同时保持整体系统的稳定性与一致性。
复杂 RAG 推理框架的开发具有显著挑战，而 UltraRAG 2.0 之所以能够在低代码条件下支持复杂系统的构建，核心在于其底层对多结构 Pipeline 流程控制的原生支持。无论是串行、循环还是条件分支，所有控制逻辑均可在 YAML 层完成定义与调度，覆盖复杂推理任务所需的多种流程表达方式。在实际运行中，推理流程的调度由内置 Client 执行，其逻辑完全由用户编写的外部 Pipeline YAML 脚本 脚本描述，从而实现与底层实现的解耦。开发者可以像使用编程语言关键字一样调用 loop、step 等指令，以声明的方式快速构建多阶段推理流程。
通过将 MCP 架构 与 原生流程控制深度融合，UltraRAG 2.0 让复杂 RAG 系统的搭建像“编排流程”一样自然高效。此外，框架内置 17 个主流 benchmark 任务与多种高质量 baseline，配合统一的评测体系与知识库支持，进一步提升了系统开发的效率与实验的可复现性。
https://github.com/OpenBMB/UltraRAG推荐阅读
欢迎关注我的公众号“PaperAgent”，每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。
AI辅助创作，多种专业模板，深度分析，高质量内容生成。从观点提取到深度思考，FishAI为您提供全方位的创作支持。新版本引入自定义参数，让您的创作更加个性化和精准。
鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑