检索增强生成（RAG）技术迎来重大突破。由清华大学THUNLP实验室、东北大学NEUIR实验室、OpenBMB与AI9Stars联合开发的UltraRAG2.1正式发布，成为全球首个基于Model Context Protocol(MCP)架构的开源RAG框架。该版本彻底简化多模态智能检索系统的构建流程——研究人员仅需编写几行YAML配置文件，即可实现多阶段推理、生成与评估，无需一行代码，大幅降低技术门槛。
三大核心升级，定义下一代RAG标准
原生多模态支持，打通图文检索闭环
UltraRAG2.1内置Retriever-Generation-Evaluation一体化流水线，不仅支持文本，还能处理图像、PDF等多模态数据。其创新性VisRAG Pipeline可直接解析本地PDF文档，自动提取文字与图表，构建跨模态索引，实现“问图答文、以文搜图”的混合检索，适用于科研论文分析、技术手册问答等高价值场景。
知识库构建全自动，MinerU深度集成
框架支持Word、PDF、Markdown等多种格式的智能解析与语义分块，并无缝集成开源文档处理工具MinerU，可一键构建企业级私有知识库。用户无需手动清洗或标注数据，系统自动完成结构化处理，让知识管理效率提升数倍。
统一工作流 + 标准化评估，结果可解释、可优化
UltraRAG2.1提供全链路可视化RAG工作流，兼容多种检索引擎（如Elasticsearch、FAISS）与生成模型(Llama、Qwen、Kimi等)，并引入标准化评估体系，从相关性、忠实度、流畅性等维度量化结果质量。开发者可直观定位瓶颈，快速迭代优化。
MCP架构:让RAG真正“可组合、可扩展”
区别于传统RAG的硬编码模式，UltraRAG2.1基于模型上下文协议（MCP），将检索、推理、生成等模块解耦为标准化“智能体”，通过YAML声明式配置即可灵活组装复杂任务流。例如，仅需几行配置，即可实现“先检索技术文档→再调用代码生成模型→最后用评估模块校验输出”的三阶段工作流。
AIbase认为，UltraRAG2.1的发布标志着RAG技术从“工具拼接”迈向“工程化范式”。当多模态理解、知识构建与效果评估被统一纳入一个轻量、开源、低代码的框架，企业与研究者将能更高效地将大模型能力落地到真实业务场景。这场由中文社区主导的技术革新，正为全球RAG生态注入新动能。
项目地址：https://github.com/OpenBMB/UltraRAG