README

用户1214

用户5006

用户7130

用户7864

用户4311

2025年2月27日修改

common.docs_name - LarkCCM_Docs_Menu_Image

概述

UltraRAG 框架由清华大学THUNLP联合东北大学NEUIR、面壁智能及9#AISoft 团队共同提出，基于敏捷化部署与模块化构造，引入了自动化的“数据构建-模型微调-推理评测”知识适配技术体系，提供了一站式、科研与开发双重友好的 RAG 系统解决方案。UltraRAG 显著简化了 RAG 系统在领域适配过程中，从数据构建到模型微调的全流程，助力科研人员与开发者高效应对复杂任务：​

•
零代码编程WebUI支持：零编程经验用户亦可上手操作全链路搭建和优化过程，包括多模态RAG方案VisRAG；​

•
合成与微调一键式解决：以自研KBAlign、RAG-DDR等方法为核心，一键式系统化数据构建 + 检索、生成模型多样微调策略支持下的性能优化；​

•
多维多阶段稳健式评估：以自研RAGEval方法为核心，融入面向有效/关键信息的多阶段评估方法，显著提升“模型评估”的稳健性；​

•
科研友好探索工作集成：内置THUNLP-RAG组自研方法及其他前沿RAG方法，支持模块级持续探索与研发。​

以上全部功能，都可以直接通过 web 前端快速实现。

快速开始

环境依赖

CUDA 版本在12.2及以上

Python 版本在3.10及以上

快速部署

你可以通过以下几种方式部署 UltraRAG，运行前端页面：

1.
通过docker部署​

运行以下命令，然后在浏览器访问“http://localhost:8843"。

代码块

docker-compose up --build -d

2.
通过conda部署​

运行以下命令，然后在浏览器访问“http://localhost:8843"。

代码块

# 创建conda环境​
conda create -n ultrarag python=3.10​
​
#激活conda环境​
conda activate ultrarag​
​
# 安装相关依赖​
pip install -r requirements.txt​
​
# 运行以下脚本下载模型，默认下载到resources/models目录下​
# 下载的模型列表在resources/models/model_list.txt中​
python scripts/download_models.py​
​
# 运行demo页面​
streamlit run ultrarag/webui/webui.py --server.fileWatcherType none​

简单上手

README​

README