由清华大学 THUNLP 实验室、东北大学 NEUIR 实验室联合 OpenBMB 与 AI9Stars 共同推出的 UltraRAG2.0，是业界首个基于 Model Context Protocol（MCP）架构构建的检索增强生成（RAG）框架。
该框架旨在降低 RAG 系统的开发复杂度，使研究人员能够快速构建包含多阶段推理逻辑的系统。其核心优势在于：用户仅需编写 YAML 配置文件，即可定义串行执行、循环结构和条件分支等复杂流程，从而大幅精简代码量，显著降低实现难度。
随着 RAG 技术的发展，越来越多的系统引入了自适应知识组织、动态检索与多轮推理等高级特性，如 DeepResearch 和 Search-o1 等代表性项目。然而，这些功能的集成往往伴随着巨大的工程开销，限制了新方法的快速验证与复现。UltraRAG2.0 正是为应对这一挑战而设计。它将 RAG 的各个核心组件封装为独立的 MCP 服务模块，支持灵活调用与功能扩展。
相较于传统实现方式，UltraRAG2.0 在开发效率上实现了质的飞跃。以经典方法 IRCoT 为例，其原始实现需近 900 行代码，而在 UltraRAG2.0 框架下，仅需约 50 行代码即可实现相同功能，其中约一半为用于流程编排的 YAML 声明式配置，极大简化了开发流程。通过这种声明式编程模式，复杂的多步推理逻辑得以高效构建，无需繁琐的手动编码。
该框架还全面支持动态检索、条件判断和多轮交互等高级能力，助力研究人员在短时间内搭建高性能实验系统，有效应对多跳推理等复杂任务。实验表明，其整体性能相比基础 Vanilla RAG 提升约 12%。UltraRAG2.0 的设计目标是减少科研人员在工程实现上的投入，使其能更专注于算法创新与实验设计。
值得一提的是，得益于 MCP 架构的模块化设计，UltraRAG2.0 实现了组件间的高度解耦与无缝复用，支持便捷地接入新模型与新算法，极大提升了系统的可扩展性、开发效率与结果可复现性。
