近日，針對以上痛點，清華大學 THUNLP 團隊聯合東北大學 NEUIR 、面壁智慧及 9#AISoft 團隊共同推出了 UltraRAG 框架，該框架革新了傳統 RAG 系統的開發與配置方式，極大降低了學習成本和開發週期。UltraRAG 不僅具備滿足專業使用者需求的“單反相機”級精細化配置能力，同時也提供類似“卡片機”的一鍵式便捷操作，讓 RAG 系統的構建變得極簡且高效。

更重要的是，相比傳統 RAG 系統，UltraRAG 支援自動化地將模型適配到使用者提供的知識庫，有效避免了在“模型選型”時的反覆糾結；同時，其 模組化設計 又能為科研需求快速賦能，幫助研究者在多種場景下自由組合、快速迭代。透過 UltraRAG，使用者可以輕鬆完成從資料到模型的全流程管理，不論是要開展深度科研探索，還是進行快速業務落地，都能“隨心所欲，得心應手”。

Github 地址：

https://github.com/OpenBMB/UltraRAG

UltraRAG 以其極簡的 WebUI 作為核心優勢之一，即便是無程式設計經驗的使用者，也能輕鬆完成 模型的構建、訓練與評測。無論是快速開展實驗，還是進行個性化定製，UltraRAG 均能提供直觀且高效的支援。該框架集成了多種預設工作流，使用者可根據具體需求靈活選擇最優路徑，無需編寫繁瑣程式碼，即可完成從資料處理到模型最佳化的全流程操作。

以下是操作演示：

UltraRAG 以自研的 KBAlign、DDR 等方法為核心，提供一鍵式系統化資料構建，結合檢索與生成模型的多樣化微調策略，助力效能全面最佳化。在資料構造方面，UltraRAG 覆蓋從檢索模型到生成模型的全流程資料構建方案，支援基於使用者匯入的知識庫自動生成訓練資料，顯著提升場景問答的效果與適配效率。在模型微調方面，UltraRAG 提供了完備的訓練指令碼，支援 Embedding 模型訓練及 LLM 的 DPO/SFT 微調，幫助使用者基於資料構建更強大、更精準的模型。

UltraRAG 以自研的 UltraRAG-Eval 方法為核心，融合針對有效與關鍵資訊的多階段評估策略，顯著提升模型評估的穩健性，覆蓋從檢索模型到生成模型的多維評估指標，支援從整體到各環節的全面評估，確保模型各項效能指標在實際應用中得到充分驗證。透過關鍵資訊點錨定，UltraRAG 有效增強評估的穩定性與可靠性，同時提供精準反饋，助力開發者持續最佳化模型與方法，進一步提升系統的穩健性與實用性。

UltraRAG 內建 THUNLP-RAG 組自研方法及其他前沿 RAG 技術，支援整個模組化的持續探索與研發。UltraRAG 不僅是一個技術框架，更是科研人員與開發者的得力助手，助力使用者在多種任務場景中高效尋優。隨著功能的不斷完善與升級，UltraRAG 將在更廣泛的領域和應用場景中發揮關鍵作用，持續拓展 RAG 技術的應用邊界，推動從學術研究到商業應用的全面發展。其 簡潔、高效、靈活且易於上手 的特性，使 RAG 框架的部署與應用更加便捷，顯著降低科研與專案開發的技術複雜度，幫助使用者專注於創新與實踐。

UltraRAG 系列引入多項創新技術，優化了檢索增強生成中的知識適配、任務適應和資料處理，提升了系統的智慧性和高效性。

UltraRAG 各方法在國內外 AI 社群中享有一定的影響力和知名度，例如部分模型擁有三十萬次下載量，有的曾在領域內頂尖機構受邀進行學術報告，還有的曾位居中文模型下載量榜首。