Zleap-AI/SAG

A new SOTA for RAG — an original retrieval architecture and an open-source knowledge base for humans and agents.

解决的问题

SAG 解决了传统密集 RAG（主要依赖语义相似性）和 GraphRAG（需要昂贵的离线图构建和复杂的维护）的局限性。它提供了一种统一的检索架构，无需维护两个独立的系统即可处理语义搜索和关系推理。

工作原理

SAG 使用一种独特的数据模型，将文档解析为语义完整的“事件”和轻量级的“实体”。它不是预先构建全局知识图谱，而是使用 SQL join，根据特定查询连接共享实体的事件，从而创建“查询时动态超边”。

过程分为两个阶段：

  1. 离线索引：将文档分块，提取事件和实体，并将其存储在关系型存储（SQLite/PostgreSQL）和向量索引（LanceDB/pgvector）中。
  2. 在线检索：系统寻找种子事件和实体，通过 SQL join 扩展候选空间，并返回原始证据块用于生成和引用。

适用对象

  • 个人用户：想要为自己的文档构建具有来源追踪和引用回答功能的本地优先知识库的用户。
  • AI Agent：正在构建需要通过 API 或 Model Context Protocol (MCP) 访问结构化、可搜索知识库的 Agent 的开发者。
  • 开发者：正在寻找可嵌入自身应用程序的高性能 RAG 引擎（zleap-sag Python package）的人员。

亮点

  • SOTA 性能：在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 数据集的 9 项 Recall 指标中有 8 项优于 HippoRAG 2。
  • 本地优先：捆绑的桌面应用无需安装外部数据库；默认使用 SQLite 和 LanceDB。
  • 来源可追溯性：每个检索结果和引用都直接映射回原始来源块。
  • 集成就绪：包含与 OpenAI 兼容的聊天端点以及用于 Claude Code 等 Agent 的官方 MCP Skill。
  • 交互式探索：具有“探索模式”，可以将知识库可视化为事件和实体的交互式宇宙。