SAG: クエリ時動的ハイパーエッジを介して意味的検索と関係的推論を組み合わせる検索アーキテクチャ

何を解決するか

SAGは、従来のRAG（意味的類似性に依存）およびGraphRAG（高コストなオフライングラフ構築と複雑なメンテナンスが必要）の限界に対処します。2つの別々のシステムやグローバルな知識グラフを維持する必要なしに、意味的検索と関係的推論の両方を処理できるシステムを提供します。

仕組み

SAGは、「SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges」に基づく新しい検索アーキテクチャを導入します。

1. Indexing: ドキュメントはチャンクにパースされます。各チャンクに対して、システムは1つの「event」と複数の「entities」を抽出します。これらはベクトル埋め込みとともにリレーショナルストレージに保存されます。
2. Retrieval: グローバルなグラフを事前に構築する代わりに、SAGは意味的シグナルを使用してシードエンティティとイベントを見つけます。次に、共有エンティティを介したSQL joinを使用して、クエリ時にローカルに検索空間を拡張し、関連するデータに対してのみ「dynamic hyperedges」を作成します。
3. Evidence: 最終的な出力は、トレーサビリティと引用を確保するために、常に元のソースチャンクにマッピングされます。

対象ユーザー

• Individuals: 分散したドキュメントを整理し、引用を用いてそれらとチャットするためのローカルファーストな知識ベースを求めるユーザー。
• AI Agents: APIまたはModel Context Protocol (MCP)を介して、構造化され、検索可能で、トレーサブルな知識ベースを必要とするエージェントを構築する開発者。
• Developers: 自身のサービスに統合するために、高性能なRAGエンジン (zleap-sag Python package) を探している人々。

ハイライト

• SOTA Performance: マルチホップ検索ベンチマーク (HotpotQA, 2WikiMultiHopQA, MuSiQue) において HippoRAG 2 を凌駕します。
• Local-First: SQLite と LanceDB で開始でき、初期セットアップに外部データベースを必要としません。
• Traceability: すべての結果と引用は、正確な元のテキストチャンクに遡って追跡可能です。
• Extensible Integration: OpenAI互換のチャットエンドポイントと、Claude Code や Codex といったエージェントとの統合のための MCP をサポートしています。
• Flexible Storage: PostgreSQL/pgvector や Elasticsearch を含む複数のバックエンドをサポートしています。