UltraRAG 3.0 发布：拒绝“盲盒”开发，让每一行推理逻辑都清晰可见

“验证算法原型只需一周，构建可用系统却耗时数月。” 这句看似调侃的“吐槽”，却是每一位算法工程师不得不面对的真实困境。

今天，清华大学 THUNLP 实验室、东北大学 NEUIR 实验室、OpenBMB 、面壁智能与 AI9Stars 联合发布 UltraRAG 3.0 ，针对上述痛点，为科研工作者与开发者打造更懂开发者的技术框架，具备 3 大核心优势：

• 从逻辑到原型的一键跨越，让算法工程师回归“算法”：提供“所见即所得”的 Pipeline 构建器，自动接管繁琐的界面封装。只需专注于逻辑编排，即可让静态代码即刻变身为可交互的演示系统。
• 全链路白盒化，推理轨迹的“像素级”可视化： 打造“透明化”的推理验证窗口，实时呈现模型在复杂长链条任务中的每一次循环、分支与决策细节。
• 内置智能开发助手，你的“交互式开发指南”： 内嵌懂框架的 AI 助手，通过自然语言交互辅助生成 Pipeline 配置与优化 Prompt，大幅降低上手门槛。

30 秒快速上手 ， 一键启动 UltraRAG UI

 代码仓库 

🔗https://github.com/OpenBMB/UltraRAG

 教程文档 

🔗 https://ultrarag.openbmb.cn/

逻辑即应用

从编排到交互的「零距离」体验

让算法的终点不再是冷冰冰的控制台日志。UltraRAG 3.0 通过自动化处理繁琐的界面封装与参数对接，确保在逻辑编排完成的一刻，便已同步生成了可交互的演示界面：

• 配置即应用：只需定义 Pipeline 的 YAML 配置文件，框架即可将其自动解析并转化为标准的交互式 Demo。

• 双模式构建器：为了平衡易用性与灵活性，我们打造了可视化与代码实时同步的构建引擎：

• 画布模式：通过 UI 组件，像搭积木一样直观组装 Loop（循环）、Branch（分支）等复杂逻辑。

• 代码模式：直接编辑 YAML 配置文件，画布视图实时渲染更新，满足开发者对参数微调的精准控制需求。

• 一键编译验证：构建完成后，点击顶部的 “Build” 按钮，系统自动执行逻辑自检与语法校验，并动态生成参数配置面板。参数就绪的瞬间，静态的算法逻辑即刻变身可交互的系统，真正实现“所写即所得，所得即所用”。

UltraRAG Pipeline Builder —— 实现从 Pipeline 搭建、参数配置到交互式验证的无缝流转

拒绝「黑盒」

让复杂 RAG 的推理脉络清晰可见

随着 RAG 技术从简单的单次检索向多轮动态决策演进，推理链路往往长达上百个 Step。在缺乏中间态监控的情况下，调试过程就如同在迷雾中从头再来，错误定位全靠“猜”。

UltraRAG 3.0 重新定义了 Chat 界面——它不仅是用户交互的入口，更是 逻辑验证的窗口。我们深知，对于开发者而言，知道“结果是什么”远远不够，看清“结果怎么来的”才是优化的关键。

我们通过“Show Thinking”面板，对系统“思考”的全过程进行了像素级的实时可视化——从复杂的循环分支到具体的工具调用，所有中间状态均以结构化的形式流式呈现。即使是 DeepResearch 这样复杂的长流程任务，开发者也能实时掌握执行进度，让过程不再是漆黑的等待。当 Bad Case 出现时，开发者无需再后台翻找日志，只需在界面上直接比对检索切片与最终答案，快速判断问题是出在“数据层的噪声”还是“模型层的幻觉”，极大地缩短了优化迭代的周期。

这里选取了 AgentCPM-Report 工作流的两个典型场景来展示“白盒化”调试的实际效果：

Case 1：医疗问诊

Case 2：三国史实分析

解放定制开发的「框架桎梏」

想要尝试一个新的算法逻辑，往往需要深入框架底层，重写大量继承类。为了实现 10% 的核心算法创新，却不得不背负 90% 的框架学习成本。

UltraRAG 3.0 将整套开发文档与最佳实践内嵌到了框架自带的智能助手中。它或许无法像 Cursor 那样帮你写完整个项目，但它绝对是最懂 UltraRAG 的高效辅助工具。通过自然语言交互，它能帮你彻底抹平“阅读文档”与“编写配置”之间的认知阻力：

配置生成：你只管描述需求（例如：“我要一个带多路召回和重排序的流程”），助手即可自动生成标准的 Pipeline 结构草稿，只需微调即可直接使用。

Prompt 调优：助手能根据当前任务上下文，提供针对性的 Prompt 优化建议，快速适配特定业务场景。

辅助理解：看不懂某个参数或逻辑？无需跳转浏览器翻阅官网文档，直接提问即可获得开发建议与代码示例，让编码过程不再中断。 

实战演示：它能帮你做什么？

我们在此展示了四个真实的交互场景，看看它是如何将自然语言转化为“可执行逻辑”的：

1. 结构调整：一句话修改 Pipeline

User：“请帮我修改当前的 Pipeline，增加一个引用（Citation）功能模块，以便对生成内容进行事实核查。”

2. 场景适配：针对性优化 Prompt

User: “我需要针对 法律场景 优化当前的 Prompt。请调整提示词，使其生成的回答在该领域的术语使用和逻辑推演上更加专业和准确。”

3. 配置调整：轻松修改底层参数

User: “我要切换生成后端的配置。请将生成模型后端改为 OpenAI，模型名更改为 qwen3-32b，API 服务部署在端口 65503 上。”

4. 自由调优：从概念到实现的捷径

User: “我想参考这篇论文：https://arxiv.org/pdf/2410.08821 (DeepNote)，来重新设计我的 RAG 流程。请分析文章中的核心思想，并帮我搭建一套类似的 Pipeline 架构。”

智能助手辅助开发全流程演示

团队简介&欢迎共创

THUNLP 知识增强研究组 由清华大学自然语言处理实验室、东北大学 NEUIR 实验室、OpenBMB 、面壁智能与 AI9Stars 的研究员、工程师和同学共同组成，是一群对 RAG 技术充满热情的探索者，欢迎更多同学加入我们！

https://nlp.csai.tsinghua.edu.cn/job/29

开源的生命力在于社区。无论你是想吐槽 bug，还是有大胆的新 feature 想法，欢迎加入我们的开发者社群，一起把 RAG 开发变得更酷、更简单！

文章来自于微信公众号 “OpenBMB开源社区”，作者 “OpenBMB开源社区”