清华大学THUNLP实验室携手东北大学NEUIR实验室，联合OpenBMB及AI9Stars，近期隆重发布了UltraRAG2.0——一个开创性的检索增强生成（RAG）框架，该框架基于全新的Model Context Protocol（MCP）架构设计。
UltraRAG2.0的核心使命在于，极大简化RAG系统的搭建流程，赋能科研人员迅速构建复杂的多阶段推理系统。这一创新框架的亮点在于，用户只需通过编写简单的YAML配置文件，即可轻松定义复杂的逻辑结构，如串行处理、循环执行和条件分支等，从而大幅削减代码编写量，显著降低开发难度。
在RAG技术不断演进的过程中，诸如DeepResearch和Search-o1等项目，纷纷融入了自适应知识组织、多轮推理及动态检索等高级特性。然而，这些特性的融入也带来了高昂的开发成本，限制了新想法的快速试验与验证。UltraRAG2.0正是在这一背景下应运而生，通过将RAG的核心组件模块化，并封装为独立的MCP服务器，实现了功能的灵活调用与高效扩展。
相较于传统的实现方式，UltraRAG2.0在代码简洁性方面取得了显著突破。以经典方法IRCoT为例，其官方实现需要接近900行代码，而采用UltraRAG2.0，仅需约50行代码即可完成同等功能。其中，超过半数的代码为用于流程编排的YAML配置，这一转变极大地降低了开发的技术门槛。UltraRAG2.0支持通过简洁的声明式方法构建多阶段推理流程，使得复杂的推理逻辑无需冗长的手动编码。
UltraRAG2.0还全面支持动态检索、条件判断及多轮交互等高级功能，使科研人员能够迅速搭建高性能的实验平台，轻松应对复杂的多跳问题。在性能表现上，UltraRAG2.0相较于传统的Vanilla RAG提升了约12%。这一设计旨在让研究者在工程实现上节省宝贵的时间和精力，从而将更多精力投入到算法创新和实验设计上。
UltraRAG2.0的MCP架构还具备出色的模块复用性和扩展性，支持不同模块间的无缝集成，并允许科研人员快速接入新的模型和算法。这一特性极大地提升了系统开发的效率，并增强了实验的可复现性。
感兴趣的读者可以通过以下链接获取更多关于UltraRAG2.0的信息：GitHub页面（https://github.com/OpenBMB/UltraRAG）和项目主页（https://openbmb.github.io/UltraRAG）。
亮点速览：
