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
这个开源项目的核心思路是把 RAG 的核心组件封装为标准化的独立 MCP Server，提供函数级 Tool 接口支持灵活调用，借助 MCP 客户端建立简洁的链路搭建。这种设计让想使用 RAG 系统的人只需编写 YAML 配置文件，就能直接声明复杂逻辑，大大降低了技术门槛。
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：
ruby
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_Benchmark02、实际效果
先来看看效果，基于这个开源项目搭建的 RAG 系统的真实示例。比如第一个 Case：基于论文《Attention is All You Need》咨询一个问题，论文中的表 4 具体说了什么，帮忙解释一下。
AI 可以直接解析表格内容，给出如下回答，还是挺清晰的。
这是因为刚刚升级的 2.0 可以统一处理文本和图像数据。上传的 PDF 文档，它不仅能读取文字，还能分析里面的图表和公式，实现真正的多模态检索和生成。这避免了以前需要切换不同工具的麻烦。
第二个 Case：基于麦肯锡的《生成式人工智能的经济潜力》报告。让 AI 基于里面的内容，输出生成式 AI 最有潜力的企业职能有哪些？请结合图表和正文说明它们在组织生产力中的影响。
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：
另外一种部署方式是通过 Docker：
接下来就能可以基于 UltraRAG 运行一个完整的 RAG Pipeline 了。使用流程主要包括以下三个阶段：
- 编写 Pipeline 配置文件
- 编译 Pipeline 并调整参数
- 运行 Pipeline
这里不详细展开，可以直接看下面这个文档，写的很详细。
ruby
https://ultrarag.openbmb.cn/pages/cn/getting_started/quick_start你不需要写代码，配置一个 YMAL 文件就行了。而且开源项目内置了 Case Study Viewer 界面，可以对结果进行交互式浏览与分析。 就是下面这样的界面。
