UltraRAG 上手指南用 YAML 编排 RAG Pipeline 的低代码 MCP 框架【免费下载链接】UltraRAGA Low-Code MCP Framework for Building Complex and Innovative RAG Pipelines项目地址: https://gitcode.com/GitHub_Trending/ul/UltraRAGUltraRAG 是一个基于 Model Context ProtocolMCP架构的低代码框架核心功能是把 RAG Pipeline 的每个环节——检索、重排、生成、提示词——拆成独立的 MCP Server再让你用几十行 YAML 配置把它们编排成完整流程支持循环、条件分支这类复杂控制结构无需写胶水代码。第一步把 UltraRAG 装起来两种安装方式安装只需二选一源码安装推荐用uv管理依赖或 Docker 容器。装完跑一条自带命令即可验证环境。源码安装推荐先安装uv若已安装可跳过pip install uv0.12.0然后克隆代码并同步依赖。只体验核心功能如 UltraRAG UI用uv sync即可需要完整的检索、生成、语料、评测能力时加上--all-extras只跑某个模块可用--extra按需安装例如uv sync --extra retriever。git clone https://gitcode.com/GitHub_Trending/ul/UltraRAG.git --depth 1 cd UltraRAG uv sync --all-extras source .venv/bin/activate # Windows 下改用 .venv\Scripts\activateDocker 部署不想配 Python 环境的话拉取镜像直接跑容器启动后 UI 会自动运行浏览器打开http://localhost:5050即可docker pull hdxin2002/ultrarag:v0.3.0-base-cpu docker run -it -p 5050:5050 hdxin2002/ultrarag:v0.3.0-base-cpu验证安装执行下面这条命令看到Hello, UltraRAG v3!输出即说明环境正常ultrarag run examples/experiments/sayhello.yaml一个标准 RAG 流程10 行 YAML 就能跑通RAG Pipeline 的最小完整形态可以直接打开 examples/demos/RAG.yaml 参考。整个 pipeline 只有 7 步加载数据、初始化检索器和生成器、检索、给引用分配编号、渲染提示词、生成答案。servers: benchmark: servers/benchmark retriever: servers/retriever prompt: servers/prompt generation: servers/generation custom: servers/custom pipeline: - benchmark.get_data - retriever.retriever_init - generation.generation_init - retriever.retriever_search - custom.assign_citation_ids - prompt.qa_rag_boxed - generation.generate这里的关键约定是每一行都是「某 Server 上的某个 Tool」。retriever.retriever_search就是调用 servers/retriever 目录下的检索工具prompt.qa_rag_boxed则渲染 prompt/qa_rag_boxed.jinja 模板。每个 Server 的行为由其目录下的parameter.yaml决定例如 servers/retriever/parameter.yaml 里可以配置corpus_path语料路径仓库自带示例 data/corpus_example.jsonlbackendembedding 后端支持sentence_transformers、openai、bm25等index_backend索引后端支持faiss、milvus、qdranttop_k每次检索返回的段落数也就是说换语料、换模型、换索引引擎都只是改配置不碰 pipeline 逻辑。不写 Python给 Pipeline 加循环和条件分支当流程不再是一条直线时比如先出计划再逐页检索补内容直到全部写完UltraRAG 在 YAML 中原生支持loop和branch结构不需要自己写循环代码。打开 examples/demos/LightResearch.yaml 可以看到完整写法pipeline: - benchmark.get_data - retriever.retriever_init - generation.generation_init - custom.init_citation_registry - prompt.webnote_gen_plan - generation.generate: output: ans_ls: plan_ls - prompt.webnote_init_page - generation.generate: output: ans_ls: page_ls - loop: times: 10 steps: - branch: router: - router.webnote_check_page branches: incomplete: - prompt.webnote_gen_subq - generation.generate: output: ans_ls: subq_ls - retriever.retriever_search: input: query_list: subq_ls output: ret_psg: psg_ls - custom.assign_citation_ids_stateful: input: ret_psg: psg_ls output: ret_psg: psg_ls - prompt.webnote_fill_page - generation.generate: output: ans_ls: page_ls complete: [] - prompt.webnote_gen_answer - generation.generate这段配置读起来就是一篇伪代码先让模型生成研究计划webnote_gen_plan再初始化报告页面然后进入最多 10 轮的循环。每轮由router.webnote_check_page判断页面是否完整——分支incomplete成立时生成子问题、检索相关段落、把带引用编号的内容填进页面直至所有页面写完才退出循环最后生成总答案。想改流程风格时改的是 prompt/ 目录下的 Jinja 模板webnote_gen_plan.jinja管计划怎么定、webnote_gen_subq.jinja管子问题怎么拆、webnote_fill_page.jinja管页面怎么写。模板名到模板文件的映射写在对应 demo 的参数文件里见 examples/demos/parameter/LightResearch_parameter.yaml。可视化调试UltraRAG UI 把编排变成画布命令行改 YAML 之外仓库自带一套 Web UIui/目录容器部署时访问 5050 端口即可打开源码安装后按 ui/frontend/README.md 启动前端。UI 里几个对新手最实用的能力Pipeline Builder画布拖拽与代码编辑双向实时同步在画布上连一条线等价于在 YAML 里加一行知识库管理直接上传文档建立知识库用于文档问答场景一键转对话系统编好的 Pipeline 逻辑可以一键转成交互式 Web 对话演示不用自己写 UICase 追踪逐步查看每个节点的中间输出方便定位答案为什么不对UI 相关实现位于 ui/backend/app.py 与 ui/frontend/src/想二次开发前端时可以从这里入手。本地化 DeepResearch自动跑通调查报告生成 DeepResearch 是仓库的旗舰场景给定一个研究主题系统自动规划、多轮检索、逐页撰写产出带引用的长报告。本地版由 8B 的 AgentCPM-Report 模型驱动整套流程就是上面 LightResearch Pipeline 加上对应参数。落地时只需三个文件Pipeline 定义examples/demos/LightResearch.yaml即上文循环 分支那个例子参数文件examples/demos/parameter/LightResearch_parameter.yaml指定生成/检索后端、模板映射与语料路径示例数据 data/sample_nq_10.jsonlPrompt 模板prompt/webnote_gen_report.jinja 控制最终报告的成文结构想改报告风格从这里改跑起来之后在 UI 里选择对应 Pipeline输入研究主题即可自动开始生成过程中可以随时对话提出修改意见系统基于反馈迭代报告内容。下一步从文档、排障到贡献入口按你的角色选择入口读文档docs/ 目录含调试手册 docs/debug_rag_workflows_zh.md按输入与检索 / 推理与规划 / 状态与上下文 / 部署与运行时四层定位问题和中文说明 docs/README_zh.md搭演示系统从 examples/demos/RAG.yaml 起步再对照 examples/demos/LightResearch.yaml 学循环与分支做研究实验examples/experiments/ 下有 TREC 评测、混合检索、多轮对话等约 30 个实验配置评测数据格式参考 data/参与贡献流程遵循 Fork 仓库 → 提 Issue → 提交 PR规范见 docs/CONTRIBUTING.md行为准则与安全问题说明分别在 docs/CODE_OF_CONDUCT.md 与 docs/SECURITY.md遇到问题优先查 Issue也可以扫码加入 docs/wechat_qr.png 或 docs/feishu_qr.png 对应的社群交流【免费下载链接】UltraRAGA Low-Code MCP Framework for Building Complex and Innovative RAG Pipelines项目地址: https://gitcode.com/GitHub_Trending/ul/UltraRAG创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考