# ultrarag - Doramagic AI Context Pack > 定位：安装前体验与判断资产。它帮助宿主 AI 有一个好的开始，但不代表已经安装、执行或验证目标项目。 ## 充分原则 - **充分原则，不是压缩原则**：AI Context Pack 应该充分到让宿主 AI 在开工前理解项目价值、能力边界、使用入口、风险和证据来源；它可以分层组织，但不以最短摘要为目标。 - **压缩策略**：只压缩噪声和重复内容，不压缩会影响判断和开工质量的上下文。 ## 给宿主 AI 的使用方式 你正在读取 Doramagic 为 ultrarag 编译的 AI Context Pack。请把它当作开工前上下文：帮助用户理解适合谁、能做什么、如何开始、哪些必须安装后验证、风险在哪里。不要声称你已经安装、运行或执行了目标项目。 ## Claim 消费规则 - **事实来源**：Repo Evidence + Claim/Evidence Graph；Human Wiki 只提供显著性、术语和叙事结构。 - **事实最低状态**：`supported` - `supported`：可以作为项目事实使用，但回答中必须引用 claim_id 和证据路径。 - `weak`：只能作为低置信度线索，必须要求用户继续核实。 - `inferred`：只能用于风险提示或待确认问题，不能包装成项目事实。 - `unverified`：不得作为事实使用，应明确说证据不足。 - `contradicted`：必须展示冲突来源，不得替用户强行选择一个版本。 ## 它最适合谁 - **AI 研究者或研究型 Agent 构建者**：README 明确围绕研究、实验或论文工作流展开。 证据：`README.md` Claim：`clm_0002` supported 0.86 ## 它能做什么 - **命令行启动或安装流程**（需要安装后验证）：项目文档中存在可执行命令，真实使用需要在本地或宿主环境中运行这些命令。 证据：`README.md` Claim：`clm_0001` supported 0.86 ## 怎么开始 - `pip install uv` 证据：`README.md` Claim：`clm_0003` supported 0.86 - `curl -LsSf https://astral.sh/uv/install.sh | sh` 证据：`README.md` Claim：`clm_0004` supported 0.86 - `git clone https://github.com/OpenBMB/UltraRAG.git --depth 1` 证据：`README.md` Claim：`clm_0005` supported 0.86 ## 继续前判断卡 - **当前建议**：先做研究框架试用 - **为什么**：这个项目面向研究工作流，核心风险是资料可信度和输出质量；先用 Prompt Preview 验证研究框架，再在隔离环境试装。 ### 30 秒判断 - **现在怎么做**：先做研究框架试用 - **最小安全下一步**：先用 Prompt Preview 验证研究框架；满意后再隔离试装 - **先别相信**：研究结论、引用和实验结果不能在安装前相信。 - **继续会触碰**：研究判断、命令执行、宿主 AI 配置 ### 现在可以相信 - **适合人群线索：AI 研究者或研究型 Agent 构建者**（supported）：有 supported claim 或项目证据支撑，但仍不等于真实安装效果。 证据：`README.md` Claim：`clm_0002` supported 0.86 - **能力存在：命令行启动或安装流程**（supported）：可以相信项目包含这类能力线索；是否适合你的具体任务仍要试用或安装后验证。 证据：`README.md` Claim：`clm_0001` supported 0.86 - **存在 Quick Start / 安装命令线索**（supported）：可以相信项目文档出现过启动或安装入口；不要因此直接在主力环境运行。 证据：`README.md` Claim：`clm_0003` supported 0.86 ### 现在还不能相信 - **研究结论、引用和实验结果不能在安装前相信。**（unverified）：研究 Skill 可以组织问题和路径，但不能替代真实资料检索、论文核验和实验复现。 - **是否适合你的具体研究领域不能直接相信。**（unverified）：Skill 覆盖很多研究主题，不代表对你的领域、资料要求和可信度标准足够。 - **真实输出质量不能在安装前相信。**（unverified）：Prompt Preview 只能展示引导方式，不能证明真实项目中的结果质量。 - **宿主 AI 版本兼容性不能在安装前相信。**（unverified）：Claude、Cursor、Codex、Gemini 等宿主加载规则和版本差异必须在真实环境验证。 - **不会污染现有宿主 AI 行为，不能直接相信。**（inferred）：Skill、plugin、AGENTS/CLAUDE/GEMINI 指令可能改变宿主 AI 的默认行为。 证据：`AGENTS.md`, `CLAUDE.md` - **可安全回滚不能默认相信。**（unverified）：除非项目明确提供卸载和恢复说明，否则必须先在隔离环境验证。 - **真实安装后是否与用户当前宿主 AI 版本兼容？**（unverified）：兼容性只能通过实际宿主环境验证。 - **项目输出质量是否满足用户具体任务？**（unverified）：安装前预览只能展示流程和边界，不能替代真实评测。 ### 继续会触碰什么 - **研究判断**：问题拆解、资料路径、实验路径、结论结构和可信度判断。 原因：研究型 Skill 可能让输出看起来更专业，但不能替代真实证据核验。 - **命令执行**：包管理器、网络下载、本地插件目录、项目配置或用户主目录。 原因：运行第一条命令就可能产生环境改动；必须先判断是否值得跑。 证据：`README.md` - **宿主 AI 配置**：Claude/Codex/Cursor/Gemini/OpenCode 等宿主的 plugin、Skill 或规则加载配置。 原因：宿主配置会改变 AI 后续工作方式，可能和用户已有规则冲突。 证据：`AGENTS.md`, `CLAUDE.md` - **本地环境或项目文件**：安装结果、插件缓存、项目配置或本地依赖目录。 原因：安装前无法证明写入范围和回滚方式，需要隔离验证。 证据：`README.md` - **宿主 AI 上下文**：AI Context Pack、Prompt Preview、Skill 路由、风险规则和项目事实。 原因：导入上下文会影响宿主 AI 后续判断，必须避免把未验证项包装成事实。 ### 最小安全下一步 - **先跑 Prompt Preview**：先验证它能否正确界定研究问题和证据边界，不要先相信研究输出。（适用：任何项目都适用，尤其是输出质量未知时。） - **只在隔离目录或测试账号试装**：避免安装命令污染主力宿主 AI、真实项目或用户主目录。（适用：存在命令执行、插件配置或本地写入线索时。） - **先备份宿主 AI 配置**：Skill、plugin、规则文件可能改变 Claude/Cursor/Codex 的默认行为。（适用：存在插件 manifest、Skill 或宿主规则入口时。） - **安装后只验证一个最小任务**：先验证加载、兼容、输出质量和回滚，再决定是否深用。（适用：准备从试用进入真实工作流时。） ### 退出方式 - **保留安装前状态**：记录原始宿主配置和项目状态，后续才能判断是否可恢复。 - **准备移除宿主 plugin / Skill / 规则入口**：如果试装后行为异常，可以把宿主 AI 恢复到试装前状态。 - **保留资料和结论核验清单**：如果后续发现引用或实验路径不可靠，可以回到证据边界阶段重新校验。 - **记录安装命令和写入路径**：没有明确卸载说明时，至少要知道哪些目录或配置需要手动清理。 - **如果没有回滚路径，不进入主力环境**：不可回滚是继续前阻断项，不应靠信任或运气继续。 ## 哪些只能预览 - 解释项目适合谁和能做什么 - 基于项目文档演示典型对话流程 - 帮助用户判断是否值得安装或继续研究 ## 哪些必须安装后验证 - 真实安装 Skill、插件或 CLI - 执行脚本、修改本地文件或访问外部服务 - 验证真实输出质量、性能和兼容性 ## 边界与风险判断卡 - **把安装前预览误认为真实运行**：用户可能高估项目已经完成的配置、权限和兼容性验证。 处理方式：明确区分 prompt_preview_can_do 与 runtime_required。 Claim：`clm_0006` inferred 0.45 - **命令执行会修改本地环境**：安装命令可能写入用户主目录、宿主插件目录或项目配置。 处理方式：先在隔离环境或测试账号中运行。 证据：`README.md` Claim：`clm_0007` supported 0.86 - **待确认**：真实安装后是否与用户当前宿主 AI 版本兼容？。原因：兼容性只能通过实际宿主环境验证。 - **待确认**：项目输出质量是否满足用户具体任务？。原因：安装前预览只能展示流程和边界，不能替代真实评测。 - **待确认**：安装命令是否需要网络、权限或全局写入？。原因：这影响企业环境和个人环境的安装风险。 ## 开工前工作上下文 ### 加载顺序 - 先读取 how_to_use.host_ai_instruction，建立安装前判断资产的边界。 - 读取 claim_graph_summary，确认事实来自 Claim/Evidence Graph，而不是 Human Wiki 叙事。 - 再读取 intended_users、capabilities 和 quick_start_candidates，判断用户是否匹配。 - 需要执行具体任务时，优先查 role_skill_index，再查 evidence_index。 - 遇到真实安装、文件修改、网络访问、性能或兼容性问题时，转入 risk_card 和 boundaries.runtime_required。 ### 任务路由 - **命令行启动或安装流程**：先说明这是安装后验证能力，再给出安装前检查清单。 边界：必须真实安装或运行后验证。 证据：`README.md` Claim：`clm_0001` supported 0.86 ### 上下文规模 - 文件总数：271 - 重要文件覆盖：40/271 - 证据索引条目：80 - 角色 / Skill 条目：10 ### 证据不足时的处理 - **missing_evidence**：说明证据不足，要求用户提供目标文件、README 段落或安装后验证记录；不要补全事实。 - **out_of_scope_request**：说明该任务超出当前 AI Context Pack 证据范围，并建议用户先查看 Human Manual 或真实安装后验证。 - **runtime_request**：给出安装前检查清单和命令来源，但不要替用户执行命令或声称已执行。 - **source_conflict**：同时展示冲突来源，标记为待核实，不要强行选择一个版本。 ## Prompt Recipes ### 适配判断 - 目标：判断这个项目是否适合用户当前任务。 - 预期输出：适配结论、关键理由、证据引用、安装前可预览内容、必须安装后验证内容、下一步建议。 ```text 请基于 ultrarag 的 AI Context Pack，先问我 3 个必要问题，然后判断它是否适合我的任务。回答必须包含：适合谁、能做什么、不能做什么、是否值得安装、证据来自哪里。所有项目事实必须引用 evidence_refs、source_paths 或 claim_id。 ``` ### 安装前体验 - 目标：让用户在安装前感受核心工作流，同时避免把预览包装成真实能力或营销承诺。 - 预期输出：一段带边界标签的体验剧本、安装后验证清单和谨慎建议；不含真实运行承诺或强营销表述。 ```text 请把 ultrarag 当作安装前体验资产，而不是已安装工具或真实运行环境。 请严格输出四段： 1. 先问我 3 个必要问题。 2. 给出一段“体验剧本”：用 [安装前可预览]、[必须安装后验证]、[证据不足] 三种标签展示它可能如何引导工作流。 3. 给出安装后验证清单：列出哪些能力只有真实安装、真实宿主加载、真实项目运行后才能确认。 4. 给出谨慎建议：只能说“值得继续研究/试装”“先补充信息后再判断”或“不建议继续”，不得替项目背书。 硬性边界： - 不要声称已经安装、运行、执行测试、修改文件或产生真实结果。 - 不要写“自动适配”“确保通过”“完美适配”“强烈建议安装”等承诺性表达。 - 如果描述安装后的工作方式，必须使用“如果安装成功且宿主正确加载 Skill，它可能会……”这种条件句。 - 体验剧本只能写成“示例台词/假设流程”：使用“可能会询问/可能会建议/可能会展示”，不要写“已写入、已生成、已通过、正在运行、正在生成”。 - Prompt Preview 不负责给安装命令；如用户准备试装，只能提示先阅读 Quick Start 和 Risk Card，并在隔离环境验证。 - 所有项目事实必须来自 supported claim、evidence_refs 或 source_paths；inferred/unverified 只能作风险或待确认项。 ``` ### 角色 / Skill 选择 - 目标：从项目里的角色或 Skill 中挑选最匹配的资产。 - 预期输出：候选角色或 Skill 列表，每项包含适用场景、证据路径、风险边界和是否需要安装后验证。 ```text 请读取 role_skill_index，根据我的目标任务推荐 3-5 个最相关的角色或 Skill。每个推荐都要说明适用场景、可能输出、风险边界和 evidence_refs。 ``` ### 风险预检 - 目标：安装或引入前识别环境、权限、规则冲突和质量风险。 - 预期输出：环境、权限、依赖、许可、宿主冲突、质量风险和未知项的检查清单。 ```text 请基于 risk_card、boundaries 和 quick_start_candidates，给我一份安装前风险预检清单。不要替我执行命令，只说明我应该检查什么、为什么检查、失败会有什么影响。 ``` ### 宿主 AI 开工指令 - 目标：把项目上下文转成一次对话开始前的宿主 AI 指令。 - 预期输出：一段边界明确、证据引用明确、适合复制给宿主 AI 的开工前指令。 ```text 请基于 ultrarag 的 AI Context Pack，生成一段我可以粘贴给宿主 AI 的开工前指令。这段指令必须遵守 not_runtime=true，不能声称项目已经安装、运行或产生真实结果。 ``` ## 角色 / Skill 索引 - 共索引 10 个角色 / Skill / 项目文档条目。 - **Contributing**（project_doc）：When contributing to this repository, please first discuss the change you wish to make via issue, email, or any other method with the owners of this repository before making a change. Please note we have a code of conduct CODE OF CONDUCT.md , please follow it in all your interactions with the project. 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`docs/CONTRIBUTING.md` - **AGENTS.md**（project_doc）：This document is the primary engineering guide for autonomous coding agents working in the UltraRAG repository. 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`AGENTS.md` - **Claude**（project_doc）： 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`CLAUDE.md` - **💡 About UltraRAG**（project_doc）：Less Code, Lower Barrier, Faster Deployment 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`README.md` - **UltraRAG Frontend ui/frontend**（project_doc）：React + TypeScript frontend for UltraRAG, built with Vite. 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`ui/frontend/README.md` - **Contributor Covenant Code of Conduct**（project_doc）：Contributor Covenant Code of Conduct 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`docs/CODE_OF_CONDUCT.md` - **💡 关于 UltraRAG**（project_doc）：- 2026.01.23 🎉 UltraRAG 3.0 发布：拒绝"盲盒"开发，让每一行推理逻辑都清晰可见 👉 📖 博客 https://github.com/OpenBMB/UltraRAG/blob/page/project/blog/cn/ultrarag3 0.md - 2026.01.20 🎉 发布 AgentCPM-Report 模型！DeepResearch 终于本地化了：8B 端侧写作智能体 AgentCPM-Report 开源 👉 🤗 模型 https://huggingface.co/openbmb/AgentCPM-Report 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`docs/README_zh.md` - **Security Policy**（project_doc）：If there are any vulnerabilities in UltraRAG , don't hesitate to report them . 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`docs/SECURITY.md` - **面向 UltraRAG 工作流的结构化排障指南**（project_doc）：本文档提供一套面向 UltraRAG 工作流的结构化排查方法，用于分析以下常见情况： 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`docs/debug_rag_workflows_zh.md` - **Frontend Mobile Optimization Baseline Chat + Common Menus**（project_doc）：Frontend Mobile Optimization Baseline Chat + Common Menus 激活提示：当用户需要理解项目结构、安装方式或边界时参考。 证据：`docs/frontend_mobile_chat_baseline.md` ## 证据索引 - 共索引 80 条证据。 - **Contributing**（documentation）：When contributing to this repository, please first discuss the change you wish to make via issue, email, or any other method with the owners of this repository before making a change. Please note we have a code of conduct CODE OF CONDUCT.md , please follow it in all your interactions with the project. 证据：`docs/CONTRIBUTING.md` - **AGENTS.md**（documentation）：This document is the primary engineering guide for autonomous coding agents working in the UltraRAG repository. 证据：`AGENTS.md` - **Claude**（documentation）：AGENTS.md 证据：`CLAUDE.md` - **💡 About UltraRAG**（documentation）：Less Code, Lower Barrier, Faster Deployment 证据：`README.md` - **UltraRAG Frontend ui/frontend**（documentation）：React + TypeScript frontend for UltraRAG, built with Vite. 证据：`ui/frontend/README.md` - **Package**（package_manifest）：{ "name": "frontend", "private": true, "version": "0.0.0", "type": "module", "scripts": { "dev": "vite", "build": "tsc -b && vite build", "typecheck": "tsc -b", "lint": "eslint .", "preview": "vite preview", "check": "npm run lint && npm run typecheck && npm run build" }, "dependencies": { "@radix-ui/react-dialog": "^1.1.15", "@radix-ui/react-dropdown-menu": "^2.1.16", "@radix-ui/react-select": "^2.2.6", "@radix-ui/react-slot": "^1.2.4", "@radix-ui/react-tabs": "^1.1.13", "@tanstack/react-query": "^5.90.21", "@xyflow/react": "^12.10.1", "class-variance-authority": "^0.7.1", "clsx": "^2.1.1", "dompurify": "^3.4.0", "highlight.js": "^11.11.1", "js-yaml": "^4.1.1", "katex": "^0.16.33", "lucide… 证据：`ui/frontend/package.json` - **Contributor Covenant Code of Conduct**（documentation）：Contributor Covenant Code of Conduct 证据：`docs/CODE_OF_CONDUCT.md` - **💡 关于 UltraRAG**（documentation）：- 2026.01.23 🎉 UltraRAG 3.0 发布：拒绝"盲盒"开发，让每一行推理逻辑都清晰可见 👉 📖 博客 https://github.com/OpenBMB/UltraRAG/blob/page/project/blog/cn/ultrarag3 0.md - 2026.01.20 🎉 发布 AgentCPM-Report 模型！DeepResearch 终于本地化了：8B 端侧写作智能体 AgentCPM-Report 开源 👉 🤗 模型 https://huggingface.co/openbmb/AgentCPM-Report 证据：`docs/README_zh.md` - **Security Policy**（documentation）：If there are any vulnerabilities in UltraRAG , don't hesitate to report them . 证据：`docs/SECURITY.md` - **面向 UltraRAG 工作流的结构化排障指南**（documentation）：本文档提供一套面向 UltraRAG 工作流的结构化排查方法，用于分析以下常见情况： 证据：`docs/debug_rag_workflows_zh.md` - **Frontend Mobile Optimization Baseline Chat + Common Menus**（documentation）：Frontend Mobile Optimization Baseline Chat + Common Menus 证据：`docs/frontend_mobile_chat_baseline.md` - **Deploy Retriever Config**（structured_config）：{ "model name or path": "openbmb/MiniCPM-Embedding-Light", "corpus path": "data/corpus example.jsonl", "collection name": "ultrarag embeddings", 证据：`script/deploy_retriever_config.json` - **Tsconfig.App**（structured_config）：{ "compilerOptions": { "tsBuildInfoFile": "./node modules/.tmp/tsconfig.app.tsbuildinfo", "target": "ES2022", "useDefineForClassFields": true, "lib": "ES2022", "DOM", "DOM.Iterable" , "module": "ESNext", "types": "vite/client" , "skipLibCheck": true, "baseUrl": ".", "paths": { "@/ ": "./src/ " }, 证据：`ui/frontend/tsconfig.app.json` - **Tsconfig**（structured_config）：{ "files": , "references": { "path": "./tsconfig.app.json" }, { "path": "./tsconfig.node.json" } } 证据：`ui/frontend/tsconfig.json` - **Tsconfig.Node**（structured_config）：{ "compilerOptions": { "tsBuildInfoFile": "./node modules/.tmp/tsconfig.node.tsbuildinfo", "target": "ES2023", "lib": "ES2023" , "module": "ESNext", "types": "node" , "skipLibCheck": true, 证据：`ui/frontend/tsconfig.node.json` - **Git and editor**（source_file）：Git and editor .git .gitignore .vscode .idea 证据：`.dockerignore` - **.Env**（source_file）：LLM API KEY= RETRIEVER API KEY= TAVILY API KEY= EXA API KEY= ZHIPUAI API KEY= 证据：`.env.dev` - **macOS system files**（source_file）：Python cache and temporary files pycache / .pyc .npy .index 证据：`.gitignore` - **Dockerfile**（source_file）：FROM node:22-bookworm-slim AS frontend-builder 证据：`Dockerfile` - **Dockerfile**（source_file）：COPY --from=ghcr.io/astral-sh/uv:latest /uv /uvx /bin/ 证据：`Dockerfile.base-cpu` - **Dockerfile**（source_file）：FROM nvidia/cuda:13.1.1-base-ubuntu24.04 证据：`Dockerfile.base-gpu` - **License**（source_file）：Apache License Version 2.0, January 2004 http://www.apache.org/licenses/ 证据：`LICENSE.txt` - **get data**（source_file）：This file is a merged representation of the entire codebase, combining all repository files into a single document. Generated by Repopack on: 2026-01-18T09:46:51.430Z 证据：`docs/llms.txt` - **Ultrarag**（source_file）： 证据：`docs/ultrarag.svg` - **Ultrarag Dark**（source_file）： 证据：`docs/ultrarag_dark.svg` - **Ircot**（source_file）：You serve as an intelligent assistant, adept at facilitating users through complex, multi-hop reasoning across multiple documents. This task is illustrated through demonstrations, each consisting of a document set paired with a relevant question and its multi-hop reasoning thoughts. Your task is to generate one thought for current step, DON'T generate the whole thoughts at once! If you reach what you believe to be the final step, start with "So the answer is:". 证据：`prompt/IRCoT.jinja` - **Iterretgen Rag**（source_file）：Please answer the following question based on the given documents. Think step by step. 证据：`prompt/IterRetGen_rag.jinja` - **Rankcot Knowledge Refinement**（source_file）：Passages:{{documents}} Based on these passages, answer the question below. Question:{{question}} Let's think step by step. 证据：`prompt/RankCoT_knowledge_refinement.jinja` - **Rankcot Question Answering**（source_file）：Task Description: 1. Read the given question and related chain of thought to gather relevant information. 2. The content of the chain of thought is the thinking process that may be used to answer the question. 3. If the chain of thought don't work, please answer the question based on your own knowledge. 4. Please answer the question and only output the answer. Question:{{question}} Chain of Thought:{{CoT}} 证据：`prompt/RankCoT_question_answering.jinja` - **Check Passages**（source_file）：Based on all the retrieved passages D and the original question Q , decide whether the current passages provide enough information to fully answer Q. 证据：`prompt/check_passages.jinja` - **Evisrag**（source_file）：You are an AI Visual QA assistant. I will provide you with a question and several images. Please follow the four steps below: Step 1: Observe the Images First, analyze the question and consider what types of images may contain relevant information. Then, examine each image one by one, paying special attention to aspects related to the question. Identify whether each image contains any potentially relevant information. Wrap your observations within tags. Step 2: Record Evidences from Images After reviewing all images, record the evidence you find for each image within tags. If you are certain that an image contains no relevant information, record it as: i : no relevant information where i de… 证据：`prompt/evisrag.jinja` - **Gen Subq**（source_file）：Based on all the retrieved documents D and the original question Q , think about what parts of the answer are still unclear or missing. Generate ONE new sub-question that would help clarify or complete the understanding of Q. 证据：`prompt/gen_subq.jinja` - **Infovqa**（source_file）：Answer the question using a single word or phrase. Question: {{question}} Answer: 证据：`prompt/infovqa.jinja` - **Multimodal Qa Boxed**（source_file）：Please answer the following question. Think step by step. Please also refer to the provided images when forming your answer. Provide your final answer in the format \boxed{YOUR ANSWER}. 证据：`prompt/multimodal_qa_boxed.jinja` - **Pairwise Evaluation Boxed Prompt1**（source_file）：System Please act as an impartial judge and evaluate the quality of the responses provided by two AI assistants to the user question displayed below. Your evaluation should consider correctness and helpfulness. You will be given a reference answer, assistant A’s answer, and assistant B’s answer. Your job is to evaluate which assistant’s answer is better. Begin your evaluation by comparing both assistants’ answers with the reference answer. Identify and correct any mistakes. Avoid any position biases and ensure that the order in which the responses were presented does not influence your decision. Do not allow the length of the responses to influence your evaluation. Do not favor certain name… 证据：`prompt/pairwise_evaluation_boxed_prompt1.jinja` - **Pairwise Evaluation Boxed Prompt2**（source_file）：system Please act as an impartial judge and evaluate the quality of the responses provided by two AI assistants to the user prompt displayed below. You will be given user question, reference answer, assistant A's answer and assistant B's answer. Your job is to evaluate which assistant's answer is better. Begin your evaluation by generating your own answer to the prompt. You must provide your answers before judging any answers. When evaluating the assistants' answers, compare both assistants' answers with your answer. You must identify and correct any mistakes or inaccurate information. Then consider if the assistant's answers are helpful, relevant, and concise. Helpful means the answer corr… 证据：`prompt/pairwise_evaluation_boxed_prompt2.jinja` - **Pointwise Evaluation Boxed**（source_file）：System Please act as an impartial judge and evaluate the quality of the response provided by an AI assistant to the user question and reference answer displayed below. Your evaluation should consider factors such as the helpfulness, relevance, accuracy, depth, creativity, and level of detail of the response. Be as objective as possible. Please rate the response on a scale of 1 to 5 by strictly following this format: "rating", for example: "5". Do NOT provide any explanation for your choice. You should answer using ONLY an integer from 1 to 5 and provide your final answer in the format \boxed{answer}. Do NOT output any other words. 证据：`prompt/pointwise_evaluation_boxed.jinja` - **Qa Answered**（source_file）：The User asks a question, and the Assistant solves it. The Assistant first thinks about the reasoning process in the mind and then only provides the User with the short final answer. The output format of the final answer is enclosed within tags, i.e., "reasoning process here only the short final answer here ". 证据：`prompt/qa_answered.jinja` - **Qa Boxed**（source_file）：Please answer the following question. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. 证据：`prompt/qa_boxed.jinja` - **Qa Boxed Fever**（source_file）：Decide whether the claim should be classified as "SUPPORTS" or "REFUTES". Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. Your final answer should be either "SUPPORTS" or "REFUTES" only, DO NOT include any answer content. 证据：`prompt/qa_boxed_fever.jinja` - **Qa Boxed Multiple Choice**（source_file）：Please answer the following multiple-choice question. Think step by step. Provide your final choice in the format \boxed{YOUR CHOICE}. Your final choice should be one of the letters, DO NOT include any answer content. 证据：`prompt/qa_boxed_multiple_choice.jinja` - **Qa Boxed Strategyqa**（source_file）：Please answer the following question. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. Your final answer should be either "True" or "False" only, DO NOT include any answer content. 证据：`prompt/qa_boxed_strategyqa.jinja` - **Qa Boxed Trex**（source_file）：Given the input format "Subject Entity SEP Relationship Type", predict the target entity. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. 证据：`prompt/qa_boxed_trex.jinja` - **Qa Boxed Wow**（source_file）：Please continue the conversation. Conversation: {{question}} 证据：`prompt/qa_boxed_wow.jinja` - **Qa Rag Answered**（source_file）：The User asks a question, and the Assistant solves it. The system will provide the Assistant with retrieved documents. The assistant should answer the question by combining the retrieved documents with its internal knowledge. If the retrieved documents contain no useful information or include noise, the assistant should disregard them and rely on its internal knowledge. The Assistant first thinks about the reasoning process in the mind and then only provides the User with the short final answer. The output format of the final answer is enclosed within tags, i.e., "reasoning process here only the short final answer here ". 证据：`prompt/qa_rag_answered.jinja` - **Qa Rag Boxed**（source_file）：Please answer the following question based on the given documents. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. 证据：`prompt/qa_rag_boxed.jinja` - **Qa Rag Boxed Both**（source_file）：Please answer the following question based on the given documents and your internal knowledge. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. 证据：`prompt/qa_rag_boxed_both.jinja` - **Qa Rag Boxed Fever**（source_file）：Decide whether the claim should be classified as "SUPPORTS" or "REFUTES" based on the given documents. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. Your final answer should be either "SUPPORTS" or "REFUTES" only, DO NOT include any answer content. 证据：`prompt/qa_rag_boxed_fever.jinja` - **Qa Rag Boxed Fever Both**（source_file）：Decide whether the claim should be classified as "SUPPORTS" or "REFUTES" based on the given documents and your internal knowledge. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. Your final answer should be either "SUPPORTS" or "REFUTES" only, DO NOT include any answer content. 证据：`prompt/qa_rag_boxed_fever_both.jinja` - **Qa Rag Boxed Multiple Choice**（source_file）：Please answer the following multiple-choice question based on the given documents. Think step by step. Provide your final choice in the format \boxed{YOUR CHOICE}. Your final choice should be one of the letters, DO NOT include any answer content. 证据：`prompt/qa_rag_boxed_multiple_choice.jinja` - **Qa Rag Boxed Multiple Choice Both**（source_file）：Please answer the following multiple-choice question based on the given documents and your internal knowledge. Think step by step. Provide your final choice in the format \boxed{YOUR CHOICE}. Your final choice should be one of the letters, DO NOT include any answer content. 证据：`prompt/qa_rag_boxed_multiple_choice_both.jinja` - **Qa Rag Boxed Strategyqa**（source_file）：Please answer the following question based on the given documents. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. Your final answer should be either "True" or "False" only, DO NOT include any answer content. 证据：`prompt/qa_rag_boxed_strategyqa.jinja` - **Qa Rag Boxed Strategyqa Both**（source_file）：Please answer the following question based on the given documents and your internal knowledge. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. Your final answer should be either "True" or "False" only, DO NOT include any answer content. 证据：`prompt/qa_rag_boxed_strategyqa_both.jinja` - **Qa Rag Boxed Trex**（source_file）：Given the input format "Subject Entity SEP Relationship Type", predict the target entity based on the given documents. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. 证据：`prompt/qa_rag_boxed_trex.jinja` - **Qa Rag Boxed Trex Both**（source_file）：Given the input format "Subject Entity SEP Relationship Type", predict the target entity based on the given documents and your internal knowledge. Think step by step. Provide your final answer in the format \boxed{YOUR ANSWER}. 证据：`prompt/qa_rag_boxed_trex_both.jinja` - **Qa Rag Boxed Wow**（source_file）：Please continue the conversation based on the given documents. 证据：`prompt/qa_rag_boxed_wow.jinja` - **Qa Rag Boxed Wow Both**（source_file）：Please continue the conversation based on the given documents and your internal knowledge. 证据：`prompt/qa_rag_boxed_wow_both.jinja` - **Qa Rag Citation**（source_file）：Please answer the user's question strictly based on the following reference documents. 证据：`prompt/qa_rag_citation.jinja` - **角色设定**（source_file）：角色设定 你是一位具备高级上下文感知、长期记忆与项目记忆检索能力的专属 AI 助手。你的目标是基于提供的记忆上下文和参考文档，提供高度个性化、信息准确且带有严格引用的回答。 证据：`prompt/qa_rag_with_memory.jinja` - **Qa Simple**（source_file）：Please answer the following question. 证据：`prompt/qa_simple.jinja` - 其余 20 条证据见 `AI_CONTEXT_PACK.json` 或 `EVIDENCE_INDEX.json`。 ## 宿主 AI 必须遵守的规则 - **把本资产当作开工前上下文，而不是运行环境。**：AI Context Pack 只包含证据化项目理解，不包含目标项目的可执行状态。 证据：`docs/CONTRIBUTING.md`, `AGENTS.md`, `CLAUDE.md` - **回答用户时区分可预览内容与必须安装后才能验证的内容。**：安装前体验的消费者价值来自降低误装和误判，而不是伪装成真实运行。 证据：`docs/CONTRIBUTING.md`, `AGENTS.md`, `CLAUDE.md` ## 用户开工前应该回答的问题 - 你准备在哪个宿主 AI 或本地环境中使用它？ - 你只是想先体验工作流，还是准备真实安装？ - 你最在意的是安装成本、输出质量、还是和现有规则的冲突？ ## 验收标准 - 所有能力声明都能回指到 evidence_refs 中的文件路径。 - AI_CONTEXT_PACK.md 没有把预览包装成真实运行。 - 用户能在 3 分钟内看懂适合谁、能做什么、如何开始和风险边界。 --- ## Doramagic Context Augmentation 下面内容用于强化 Repomix/AI Context Pack 主体。Human Manual 只提供阅读骨架；踩坑日志会被转成宿主 AI 必须遵守的工作约束。 ## Human Manual 骨架 使用规则：这里只是项目阅读路线和显著性信号，不是事实权威。具体事实仍必须回到 repo evidence / Claim Graph。 宿主 AI 硬性规则： - 不得把页标题、章节顺序、摘要或 importance 当作项目事实证据。 - 解释 Human Manual 骨架时，必须明确说它只是阅读路线/显著性信号。 - 能力、安装、兼容性、运行状态和风险判断必须引用 repo evidence、source path 或 Claim Graph。 - **UltraRAG 框架总览与安装**：importance `high` - source_paths: README.md, pyproject.toml, Dockerfile, Dockerfile.base-cpu, Dockerfile.base-gpu - **MCP 服务架构与 Pipeline 编排（含 API 封装）**：importance `high` - source_paths: src/ultrarag/server.py, src/ultrarag/client.py, src/ultrarag/api.py, src/ultrarag/utils.py, src/ultrarag/mcp_exceptions.py - **UltraRAG UI 可视化 RAG IDE**：importance `high` - source_paths: ui/backend/app.py, ui/backend/auth.py, ui/backend/chat_store.py, ui/backend/kb_visibility_store.py, ui/backend/pipeline_manager.py - **RAG 工作流、记忆系统与部署**：importance `high` - source_paths: examples/experiments/ircot.yaml, examples/experiments/iterretgen.yaml, examples/experiments/rankcot.yaml, examples/experiments/search_r1.yaml, examples/experiments/r1_searcher.yaml ## Repo Inspection Evidence / 源码检查证据 - repo_clone_verified: true - repo_inspection_verified: true - repo_commit: `f334fa7edfa8525fe2d58f12b38f39d19ff14db5` - inspected_files: `uv.lock`, `Dockerfile`, `pyproject.toml`, `README.md`, `docs/CODE_OF_CONDUCT.md`, `docs/debug_rag_workflows_zh.md`, `docs/CONTRIBUTING.md`, `docs/README_zh.md`, `docs/frontend_mobile_chat_baseline.md`, `docs/SECURITY.md`, `examples/experiments/load_data.yaml`, `examples/experiments/rag_deploy.yaml`, `examples/experiments/rag_loop.yaml`, `examples/experiments/vanilla_vlm.yaml`, `examples/experiments/build_text_corpus.yaml`, `examples/experiments/evisrag.yaml`, `examples/experiments/rag_branch.yaml`, `examples/experiments/eval_trec.yaml`, `examples/experiments/milvus_index.yaml`, `examples/experiments/evaluate_results.yaml` 宿主 AI 硬性规则： - 没有 repo_clone_verified=true 时，不得声称已经读过源码。 - 没有 repo_inspection_verified=true 时，不得把 README/docs/package 文件判断写成事实。 - 没有 quick_start_verified=true 时，不得声称 Quick Start 已跑通。 ## Doramagic Pitfall Constraints / 踩坑约束 这些规则来自 Doramagic 发现、验证或编译过程中的项目专属坑点。宿主 AI 必须把它们当作工作约束，而不是普通说明文字。 ### Constraint 1: 能力判断依赖假设 - Trigger: README/documentation is current enough for a first validation pass. - Host AI rule: 将假设转成下游验证清单。 - Why it matters: 假设不成立时，用户拿不到承诺的能力。 - Evidence: capability.assumptions | https://github.com/OpenBMB/UltraRAG | README/documentation is current enough for a first validation pass. - Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。 ### Constraint 2: 维护活跃度未知 - Trigger: 未记录 last_activity_observed。 - Host AI rule: 补 GitHub 最近 commit、release、issue/PR 响应信号。 - Why it matters: 新项目、停更项目和活跃项目会被混在一起，推荐信任度下降。 - Evidence: evidence.maintainer_signals | https://github.com/OpenBMB/UltraRAG | last_activity_observed missing - Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。 - Trigger: no_demo - Evidence: downstream_validation.risk_items | https://github.com/OpenBMB/UltraRAG | no_demo; severity=medium - Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。 ### Constraint 4: 存在评分风险 - Trigger: no_demo - Why it matters: 风险会影响是否适合普通用户安装。 - Evidence: risks.scoring_risks | https://github.com/OpenBMB/UltraRAG | no_demo; severity=medium - Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。 ### Constraint 5: issue/PR 响应质量未知 - Trigger: issue_or_pr_quality=unknown。 - Host AI rule: 抽样最近 issue/PR，判断是否长期无人处理。 - Why it matters: 用户无法判断遇到问题后是否有人维护。 - Evidence: evidence.maintainer_signals | https://github.com/OpenBMB/UltraRAG | issue_or_pr_quality=unknown - Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。 ### Constraint 6: 发布节奏不明确 - Trigger: release_recency=unknown。 - Host AI rule: 确认最近 release/tag 和 README 安装命令是否一致。 - Why it matters: 安装命令和文档可能落后于代码，用户踩坑概率升高。 - Evidence: evidence.maintainer_signals | https://github.com/OpenBMB/UltraRAG | release_recency=unknown - Hard boundary: 不要把这个坑点包装成已解决、已验证或可忽略，除非后续验证证据明确证明它已经关闭。