在 UR-2.0 中，Pipeline 通过变量名实现数据绑定：每个工具在注册时都会声明自身的输入参数与输出变量，而 Pipeline 在执行时，会依靠这些变量名在各步骤之间传递与共享数据。
这种机制简单直观，便于构建顺序化的数据流。但在多轮调用或复杂控制结构中，可能会出现变量名冲突或数据覆盖的问题。为此，UR-2.0 提供了参数重写机制，允许开发者在 Pipeline 灵活重命名变量而无需修改源码。
数据如何流动？
每个工具在注册时都会声明自身的输入与输出变量名，从而确定数据流的入口与出口。例如：
def __init__(self, mcp_inst):
mcp_inst.tool(
self.retriever_search,
output="q_ls,top_k->ret_psg",
)
def retriever_search(self, q_ls, top_k) -> ...
...
return {"ret_psg": ...}
- 工具接收两个输入变量：
q_ls 和 top_k
- 工具返回一个输出变量：
ret_psg
如果你多次调用同一个工具（如 retriever_search），并希望传入不同的数据变量（例如第一次为 q_ls，第二次为 subq_ls），
就需要一种方式告诉 Pipeline：这些变量其实是 “同义词”。
参数重命名机制
为了解决变量名冲突与绑定歧义问题，UR-2.0 提供了灵活的 参数重命名机制。
你可以直接在 pipeline.yaml 中使用 input: 与 output: 字段，
显式指定参数与变量的映射关系——无需修改 Server 内部代码，即可完成数据绑定重定向。
- module.tool:
input:
函数形参名: Pipeline里的变量名
output:
Tool输出键: Pipeline里的变量名
input: 映射函数的入参名，output: 映射工具注册时定义的输出键。
最简单的方式：在函数定义与工具注册时保持输入、输出参数名一致，可直接避免区分上述两种绑定规则。
示例1：输入变量重命名
假设工具函数声明如下：
async def retriever_search(
self,
query_list: List[str],
top_k: Optional[int] | None = None,
query_instruction: str = "",
use_openai: bool = False,
) -> Dict[str, List[List[str]]]:
- retriever.retriever_search:
input:
query_list: sub_q_ls
query_list 的输入参数，但我们通过 input: 将其映射为 Pipeline 中的变量 sub_q_ls，从而实现无缝绑定。
示例2：输出变量重命名
假设该工具在注册时定义如下：
mcp_inst.tool(
self.retriever_search,
output="q_ls,top_k,query_instruction,use_openai->ret_psg",
)
- retriever.retriever_search:
output:
ret_psg: round1_result
ret_psg，
该结果都会被映射为 round1_result，供后续步骤使用。
如果下游模块依赖该输出结果：
@app.prompt(output="q_ls,ret_psg,template->prompt_ls")
def qa_rag_boxed(
q_ls: List[str], ret_psg: List[str | Any], template: str | Path
) -> list[PromptMessage]:
- prompt.qa_rag_boxed:
input:
ret_psg: round1_result
qa_rag_boxed 原本期望的输入 ret_psg 就会从上一步的 round1_result 中读取，实现数据传递。
示例3：同时重写输入输出
- retriever.retriever_search:
input:
q_ls: round1_query
output:
ret_psg: round1_result
合理使用参数重命名，可以在不修改源码的情况下让你的 RAG 流程在多轮迭代、动态分支等复杂场景下保持整洁与可控。
