在实际应用中，用户提出的问题往往包含模糊、泛化或需要多轮知识补充的信息点，传统的一次性检索 + 生成（RAG）流程难以准确作答。为了解决这一问题，DeepResearch 提出了一种更具“研究式思考”特征的 RAG 工作流：模型在回答前会先进行规划，主动识别缺失信息，分阶段生成子问题，并通过多轮“搜索 - 推理 - 页面更新”构建完整的信息框架，最终生成高质量的答案。 本节我们将基于 UltraRAG 框架实现一个 DeepResearch-like 系统。该系统引导模型根据原始问题生成整体结构规划（Plan）和初始页面（Page），随后通过多轮子查询生成与检索，对页面逐步填充、精化，构建出与问题密切相关的知识页面。

​
Step 1：明确工作流结构

该算法包含以下关键阶段：

​
Step 1.1：初始化规划与页面结构

大模型基于原始问题生成一个完整的 Plan（结构化的页面规划），并构建带有 [待补充] 占位符的初始页面。 示例输入： 
Question: 《夜之摇滚人》的演唱者在《欲望的旋律》中饰演了谁？
示例 Plan： 
{
  "mainTitle": "识别《夜之摇滚人》的演唱者及其在《欲望的旋律》中的角色",
  "sections": [
    {
      "title": "了解歌曲及其演唱者",
      "focus": "本节将识别《夜之摇滚人》这首歌的演唱者，并提供关于该艺术家的背景信息。",
      "subtopics": [
        "《夜之摇滚人》歌曲概述",
        "与该歌曲相关的演唱者身份确认"
      ]
    }...
初始页面： 
# 识别《夜之摇滚人》的演唱者及其在《欲望的旋律》中的角色
## 了解歌曲及其演唱者
[待补充]
## 《欲望的旋律》概览
[待补充]
## 演唱者在《欲望的旋律》中的角色
[待补充]

​
Step 1.2：进入迭代流程

每一轮中，模型：
  • 拆解当前待补充内容，生成子问题（Sub-question）
  • 对子问题进行检索，返回文档
  • 基于当前 Plan、页面与文档内容更新页面中对应段落
该过程会持续进行，直到：
  • 页面中已无 [待补充] 内容
  • 或达到最大迭代轮数（默认 10 轮）

​
Step 2：实现必要 Tool

​
Step 2.1：实现 prompt server 用到的函数

提示模版位于 prompt/ 目录，函数实现于 servers/prompt/src/prompt.py，每个函数绑定一个模板文件，需在 parameter.yaml 中单独注册字段（避免冲突）：
servers/prompt/src/prompt.py
@app.prompt(output="q_ls,plan_ls,webnote_init_page_template->prompt_ls")
def webnote_init_page(
    q_ls: List[str],
    plan_ls: List[str],
    template: str | Path,
) -> List[PromptMessage]:
    template: Template = load_prompt_template(template)
    all_prompts = []
    for q, plan in zip(q_ls, plan_ls):
        p = template.render(question=q, plan=plan)
        all_prompts.append(p)
    return all_prompts

@app.prompt(output="q_ls,webnote_gen_plan_template->prompt_ls")
def webnote_gen_plan(
    q_ls: List[str],
    template: str | Path,
) -> List[PromptMessage]:
    template: Template = load_prompt_template(template)
    all_prompts = []
    for q in q_ls:
        p = template.render(question=q)
        all_prompts.append(p)
    return all_prompts

@app.prompt(output="q_ls,plan_ls,page_ls,webnote_gen_subq_template->prompt_ls")
def webnote_gen_subq(
    q_ls: List[str],
    plan_ls: List[str],
    page_ls: List[str],
    template: str | Path,
) -> List[PromptMessage]:
    template: Template = load_prompt_template(template)
    all_prompts = []
    for q, plan, page in zip(q_ls, plan_ls, page_ls):
        p = template.render(question=q, plan=plan, page=page)
        all_prompts.append(p)
    return all_prompts

@app.prompt(output="q_ls,plan_ls,page_ls,subq_ls,psg_ls,webnote_fill_page_template->prompt_ls")
def webnote_fill_page(
    q_ls: List[str],
    plan_ls: List[str],
    page_ls: List[str],
    subq_ls: List[str],
    psg_ls: List[Any],
    template: str | Path,
) -> List[PromptMessage]:
    template: Template = load_prompt_template(template)
    all_prompts = []
    for q, plan, page, subq, psg in zip(q_ls, plan_ls, page_ls, subq_ls, psg_ls):
        p = template.render(question=q, plan=plan, page=page, subq=subq, psg=psg)
        all_prompts.append(p)
    return all_prompts

@app.prompt(output="q_ls,plan_ls,page_ls,webnote_gen_answer_template->prompt_ls")
def webnote_gen_answer(
    q_ls: List[str],
    plan_ls: List[str],
    page_ls: List[str],
    template: str | Path,
) -> List[PromptMessage]:
    template: Template = load_prompt_template(template)
    all_prompts = []
    for q, plan, page in zip(q_ls, plan_ls, page_ls):
        p = template.render(question=q, plan=plan, page=page)
        all_prompts.append(p)
    return all_prompts
完整函数列表如下：
  • webnote_gen_plan：根据问题生成结构化 Plan
  • webnote_init_page：根据 Plan 构建初始页面
  • webnote_gen_subq：生成子查询
  • webnote_fill_page：结合子查询结果，填充页面内容
  • webnote_gen_answer：整合页面信息生成最终答案
每个函数都对应一个 .jinja 模板。除此之外，请确保在 servers/prompt/parameter.yaml 中新增以下参数配置，以显式指定各模板路径：
/images/yaml.svgservers/prompt/parameter.yaml
template: prompt/qa_boxed.jinja
webnote_gen_plan_template: prompt/webnote_gen_plan.jinja
webnote_init_page_template: prompt/webnote_init_page.jinja
webnote_gen_subq_template: prompt/webnote_gen_subq.jinja
webnote_fill_page_template: prompt/webnote_fill_page.jinja
webnote_gen_answer_template: prompt/webnote_gen_answer.jinja

​
Step 2.2：实现 Router Server

用于判断当前页面是否已完成填充。若仍存在 [to be filled] 等占位符，标记为 incomplete，继续循环，否则终止流程。
servers/router/src/router.py
@app.tool(output="page_ls->page_ls")
def webnote_check_page(page_ls: List[str]) -> Dict[str, List[Dict[str, str]]]:
    """Check if the page is complete or incomplete.
    Args:
        page_ls (list): List of pages to check.
    Returns:
        dict: Dictionary containing the list of pages with their states.
    """
    page_ls = [
        {
            "data": page,
            "state": "incomplete" if "to be filled" in page.lower() else "complete",
        }
        for page in page_ls
    ]
    return {"page_ls": page_ls}

​
Step 3：编写 Pipeline 配置文件

在 examples/webnote.yaml 中定义如下模块结构和执行流程：
/images/yaml.svgexamples/webnote.yaml
# WebNote demo

# MCP Server
servers:
  benchmark: servers/benchmark
  generation: servers/generation
  retriever: servers/retriever
  prompt: servers/prompt
  evaluation: servers/evaluation
  custom: servers/custom
  router: servers/router

# MCP Client Pipeline
pipeline:
- benchmark.get_data
# 初始化检索服务
- retriever.retriever_deploy_search
# 加载数据集

# 生成plan
- prompt.webnote_gen_plan
- generation.generate:
    output:
      ans_ls: plan_ls
# 初始化page
- prompt.webnote_init_page
- generation.generate:
    output:
      ans_ls: page_ls
# 循环，生成子问题，检索，逐步填充page
- loop:
    times: 10
    steps:
    # 触发器检查，判断page是否完成
    - branch:
        router:
        - router.webnote_check_page
        branches:
          # 如果page没有完成，继续
          incomplete:
          # 生成子问题
          - prompt.webnote_gen_subq
          - generation.generate:
              output:
                ans_ls: subq_ls
          # 检索答案
          - retriever.retriever_deploy_search:
              input:
                query_list: subq_ls
              output:
                ret_psg: psg_ls
          # 填充page
          - prompt.webnote_fill_page
          - generation.generate:
              output:
                ans_ls: page_ls
          # 如果page完成，结束
          complete: []
# 生成答案
- prompt.webnote_gen_answer
- generation.generate
# 评估结果
- custom.output_extract_from_boxed
- evaluation.evaluate

​
Step 4：配置 Pipeline 参数

执行以下命令构建参数模板： 
ultrarag build examples/webnote.yaml
webnote_parameter.yaml 的格式如下所示：
/images/yaml.svgexamples/webnote_parameter.yaml
benchmark:
  benchmark:
    key_map:
      gt_ls: golden_answers
      q_ls: question
    limit: 2
    name: asqa
    path: data/sample_asqa_5.jsonl
custom: {}
evaluation:
  metrics:
  - acc
  - f1
  - em
  - coverem
  - stringem
  - rouge-1
  - rouge-2
  - rouge-l
  save_path: output/nq.json
generation:
  base_url: http://localhost:8000/v1
  model_name: openbmb/MiniCPM4-8B
  sampling_params:
    extra_body:
      chat_template_kwargs:
        enable_thinking: false
      include_stop_str_in_output: true
      top_k: 20
    max_tokens: 2048
    temperature: 0.7
    top_p: 0.8
prompt:
  webnote_fill_page_template: prompt/webnote_fill_page.jinja
  webnote_gen_answer_template: prompt/webnote_gen_answer.jinja
  webnote_gen_plan_template: prompt/webnote_gen_plan.jinja
  webnote_gen_subq_template: prompt/webnote_gen_subq.jinja
  webnote_init_page_template: prompt/webnote_init_page.jinja
retriever:
  query_instruction: 'Query: '
  retriever_url: http://localhost:8080
  top_k: 5

​
Step 5：运行你的推理流程！

一切准备就绪后，执行以下命令启动推理流程： 
ultrarag run examples/webnote.yaml