UltraRAG：清华大学开发的零代码RAG框架，革新AI知识增强应用开发

Introduction

构建和优化检索增强生成（RAG）系统是一项复杂的工程任务。它通常涉及多个关键阶段，包括基准制定、检索优化和模型微调。这种复杂的工作流程常常构成较高的入门门槛，使得研究人员和从业者都难以着手。

为了应对这些挑战，清华大学THUNLP团队联合东北大学NEUIR、面壁智能以及9#AISoft团队，推出了 UltraRAG 框架。该框架革新了传统RAG系统的开发和配置流程，显著降低了学习成本和开发周期。UltraRAG既提供了专家用户所需的、“单反相机”级别的精细化配置能力，也提供了“卡片机”式的一键便捷操作。这种双重设计使得RAG系统的构建既简洁又高效。

更重要的是，与传统RAG系统相比，UltraRAG支持将模型自动适配到用户提供的知识库，有效避免了“模型选型”时的反复纠结。同时，其模块化设计又能为科研需求快速赋能，帮助研究者在多种场景下自由组合、快速迭代。通过UltraRAG，用户可以轻松完成从数据到模型的全流程管理。无论是开展深度科研探索，还是进行快速业务落地，UltraRAG都旨在提供一种“随心所欲，得心应手”的体验。

GitHub 地址: https://github.com/OpenBMB/UltraRAG

Core Features and Capabilities

No-Code WebUI for Accessible Development

UltraRAG的核心优势之一是其极简的WebUI，即使是没有编程经验的用户，也能轻松完成模型的构建、训练与评估。

无论是快速开展实验，还是进行个性化定制，UltraRAG均能提供直观且高效的支持。该框架集成了多种预设工作流，用户可根据具体需求灵活选择最优路径。从数据处理到模型优化，全流程操作都无需编写代码。

One-Click Synthetic Data Generation and Model Fine-Tuning

以自研的 KBAlign、DDR 等方法为核心，UltraRAG提供一键式系统化数据构建，并结合检索与生成模型的多样化微调策略，助力性能全面优化。

*   **数据构造：** UltraRAG覆盖从检索模型到生成模型的全流程数据构建方案，支持基于用户导入的知识库自动生成训练数据，显著提升场景问答的效果与适配效率。
*   **模型微调：** UltraRAG提供了完备的训练脚本，支持Embedding模型训练及大语言模型的 **DPO/SFT** 微调，帮助用户基于构建的数据打造更强大、更精准的模型。

Research-Friendly, Integrated Exploration Toolkit

UltraRAG内置THUNLP-RAG组自研方法及其他前沿RAG技术，支持整个模块化的持续探索与研发。UltraRAG不仅是一个技术框架，更是科研人员与开发者的得力助手，助力用户在多种任务场景中高效寻优。

随着功能的不断完善与升级，UltraRAG将在更广泛的领域和应用场景中发挥关键作用，持续拓展RAG技术的应用边界，推动从学术研究到商业应用的全面发展。

其简洁、高效、灵活且易于上手的特性，使RAG框架的部署与应用更加便捷，显著降低科研与项目开发的技术复杂度，帮助用户专注于创新与实践。

The UltraRAG Technology Suite

UltraRAG系列引入多项创新技术，优化了检索增强生成中的知识适配、任务适应和数据处理，提升了系统的智能性和高效性。

*   **UltraRAG-KBAlign：** 提升大语言模型自适应知识库的能力，优化知识检索与推理过程。一个24亿参数的模型通过自标注达到了与GPT-4o相当的标注性能，并在多个实验中超越了GPT-4o本身。
*   **UltraRAG-Embedding：** 出色的中英文检索能力，支持长文本与稀疏检索。性能超过bge-m3 10%以上。
*   **UltraRAG-Vis：** 提出了纯视觉的RAG流程，通过引入视觉语言模型对文档进行编码，避免了文档解析造成的信息丢失。相比传统的文本RAG流程，部分任务的端到端性能提升25-39%。
*   **UltraRAG-Adaptive-Note：** 通过动态记忆管理和信息收集，提升复杂问答任务中的解答质量。在GPT-3.5-turbo、Llama3-8B、Qwen2-7B等多个前沿模型上的实验表明，这种自适应的动态记忆管理和信息收集策略相较基础检索增强生成模型可实现3%～13.9%的性能提升，并且尤其擅长处理具有复杂信息检索需求的问题。
*   **UltraRAG-DDR：** 基于可微调数据奖励优化检索增强生成，提升任务特定场景的系统性能。在MiniCPM-2.4B、Llama3-8B等多个前沿模型上的实验表明，DDR优化策略相较原始检索增强生成模型可实现7%以上的性能提升。
*   **UltraRAG-Eval：** 针对RAG场景设计的高效评测方案。通过少量种子文档，快速自动生成专业领域的RAG评测数据，并提供稳健的模型驱动评测指标与方法。

Summary

总而言之，UltraRAG是一个集知识库管理、检索、生成、测评于一体的自研一体化工具包。其性能表现、易用性以及为科研设计的模块化特性构成了其主要优势，使其成为降低高级RAG系统开发与实验门槛的一项重要贡献。