SAG: 一种通过查询时动态超边结合语义搜索与关系推理的检索架构

它解决了什么问题

SAG 解决了传统 RAG（依赖语义相似度）和 GraphRAG（需要昂贵的离线图构建和复杂的维护）的局限性。它提供了一个既能处理语义检索又能处理关系推理的系统，而无需维护两个独立的系统或一个全局知识图谱。

工作原理

SAG 引入了一种基于“带有查询时动态超边的 SQL-检索增强生成”的新型检索架构。

1. 索引：文档被解析为块（chunks）。对于每个块，系统会提取一个“事件”（完整含义）和多个“实体”（轻量级索引点）。这些内容连同它们的向量嵌入（vector embeddings）一起存储在关系型存储中。
2. 检索：SAG 不预先构建全局图，而是使用语义信号寻找种子实体和事件。然后，它在查询时通过共享实体的 SQL joins 来在局部扩展搜索空间，仅为相关数据创建“动态超边”。
3. 证据：最终输出总是映射回原始源块，以确保可追溯性和引用。

适用人群

• 个人用户：希望拥有本地优先的知识库，以整理零散文档并使用引用进行对话的用户。
• AI Agents：需要通过 API 或 Model Context Protocol (MCP) 获取结构化、可搜索且可追溯的知识库的开发者。
• 开发者：正在寻找高性能 RAG 引擎（zleap-sag Python 包）并将其集成到自身服务中的用户。

亮点

• SOTA 性能：在多跳检索基准测试（HotpotQA, 2WikiMultiHopQA, MuSiQue）上表现优于 HippoRAG 2。
• 本地优先：从 SQLite 和 LanceDB 开始，初始设置无需外部数据库。
• 可追溯性：每个结果和引用都可以追溯到确切的原始文本块。
• 可扩展集成：支持 OpenAI 兼容的聊天端点和 MCP，以便与 Claude Code 或 Codex 等 Agent 集成。
• 灵活的存储：支持多种后端，包括 PostgreSQL/pgvector 和 Elasticsearch。