Zleap-AI/SAG

它解决的问题

传统 RAG 主要依靠语义相似度检索文本块，而 GraphRAG 增加了昂贵的离线图构建，包括三元组提取、实体合并、关系归一化和困难的增量更新。SAG 用一套原创的检索架构取代了这两者，用户无需维护两套 RAG 系统或合并两条检索路径，即可在单一系统中获得语义检索和关系推理。它还提供了一个面向个人和智能体的完整知识库应用：上传文档、获取结构化知识、跨来源搜索并追溯来源、带引用提问，并通过 API 或 MCP 复用知识。

工作原理

SAG 基于 SAG 架构（SQL 检索增强生成与查询时动态超边）。在索引时，每个文档块被解析为一个语义完整的事件和多个索引实体；事件、实体及其关联被持久化到关系存储中，而块/事件/实体的表示则进入向量/全文索引。在查询时，它利用语义和词汇信号找到种子实体和事件，通过共享实体上的 SQL 连接扩展到局部候选空间，仅实例化与当前查询相关的超边（无需全局图遍历或重建），然后选择最强的事件和直接块候选，返回原始证据块。增量写入是自然的，因为新块只需添加自身的事件/实体/关联，无需重新计算全局图。系统从 SQLite 和 LanceDB 开始，无需外部数据库，并有通往 PostgreSQL/pgvector 的生产路径。

适用人群

适用于希望拥有自托管、本地优先知识库并获得有依据、带引用答案的个人和智能体。它通过桌面应用（macOS 和 Windows）或 Docker 自托管部署服务最终用户，也通过 REST/OpenAPI、兼容 OpenAI 的聊天端点、MCP 集成、CLI、Python 包和 DeepSeek Harness 插件服务开发者或智能体框架。用户需要配置一个 LLM 用于事件提取、查询理解和生成，以及用于索引/向量检索的嵌入模型。

亮点

• 原创检索架构，不是 RAG 和 GraphRAG 的融合；论文在 arXiv 上，基准测试可复现。
• 事件承载完整的块含义，不会碎片化为三元组；实体是轻量级索引和扩展点。
• 查询时动态超边通过共享实体上的 SQL 连接在本地创建，避免全局图维护。
• 每个检索结果和引用都映射回原始块，便于来源追溯和检查。
• 桌面应用捆绑了 Web 工作区和本地后端；无需安装 Python、Node 或数据库。
• 支持跨来源或来源限定搜索、事件-实体图探索（2D 和 3D）以及交互式探索模式。
• 集成包括通过 CLI 挂载 MCP、兼容 OpenAI 的端点，以及带技能的 DeepSeek Harness 插件。
• 在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 上报告了最先进的结果，平均 Recall@5 为 90.07%，F1 为 72.96%，分别比基线高出 6.79 和 4.33 个百分点。
• 可选的解析器灵活性：MinerU 用于 PDF，本地 MarkItDown，或 AnyDoc 用于本地转换和 CSV 编码检测。