檢索增強生成（RAG）技術迎來重大突破。由清華大學THUNLP實驗室、東北大學NEUIR實驗室、OpenBMB與AI9Stars聯合開發的UltraRAG2.1正式發布，成為全球首個基于Model Context Protocol(MCP)架構的開源RAG框架。該版本徹底簡化多模態智能檢索系統的構建流程——研究人員僅需編寫幾行YAML配置文件，即可實現多階段推理、生成與評估，無需一行代碼，大幅降低技術門檻。

三大核心升級，定義下一代RAG標準

原生多模態支持，打通圖文檢索閉環

UltraRAG2.1內置Retriever-Generation-evaluation一體化流水線，不僅支持文本，還能處理圖像、PDF等多模態數據。其創新性VisRAG Pipeline可直接解析本地PDF文檔，自動提取文字與圖表，構建跨模態索引，實現“問圖答文、以文搜圖”的混合檢索，適用于科研論文分析、技術手冊問答等高價值場景。

知識庫構建全自動，MinerU深度集成

框架支持Word、PDF、Markdown等多種格式的智能解析與語義分塊，并無縫集成開源文檔處理工具MinerU，可一鍵構建企業級私有知識庫。用戶無需手動清洗或標注數據，系統自動完成結構化處理，讓知識管理效率提升數倍。

統一工作流 + 標準化評估，結果可解釋、可優化

UltraRAG2.1提供全鏈路可視化RAG工作流，兼容多種檢索引擎（如Elasticsearch、FAISS）與生成模型(Llama、Qwen、Kimi等)，并引入標準化評估體系，從相關性、忠實度、流暢性等維度量化結果質量。開發者可直觀定位瓶頸，快速迭代優化。

MCP架構:讓RAG真正“可組合、可擴展”

區別于傳統RAG的硬編碼模式，UltraRAG2.1基于模型上下文協議（MCP），將檢索、推理、生成等模塊解耦為標準化“智能體”，通過YAML聲明式配置即可靈活組裝復雜任務流。例如，僅需幾行配置，即可實現“先檢索技術文檔→再調用代碼生成模型→最后用評估模塊校驗輸出”的三階段工作流。

AIbase認為，UltraRAG2.1的發布標志著RAG技術從“工具拼接”邁向“工程化范式”。當多模態理解、知識構建與效果評估被統一納入一個輕量、開源、低代碼的框架，企業與研究者將能更高效地將大模型能力落地到真實業務場景。這場由中文社區主導的技術革新，正為全球RAG生態注入新動能。

項目地址：https://github.com/OpenBMB/UltraRAG