SAG: 一種透過查詢時動態超邊（dynamic hyperedges）結合語義搜尋與關聯推理的檢索架構

它解決了什麼問題

SAG 解決了傳統 RAG（依賴語義相似度）和 GraphRAG（需要昂貴的離線圖建構與複雜維護）的局限性。它提供了一個既能處理語義檢索又能處理關聯推理的系統，而無需維護兩個獨立的系統或一個全域知識圖譜。

運作方式

SAG 引入了一種基於「具備查詢時動態超邊的 SQL-檢索增強生成（SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges）」的新型檢索架構。

1. 索引（Indexing）：文件被解析成區塊（chunks）。對於每個區塊，系統會提取一個「事件（event）」（完整的含義）和多個「實體（entities）」（輕量級索引點）。這些會連同其向量嵌入（vector embeddings）一起儲存在關聯式儲存中。
2. 檢索（Retrieval）：SAG 不預先建構全域圖，而是利用語義訊號尋找種子實體與事件。接著，它在查詢時透過共享實體的 SQL joins 來局部擴展搜尋空間，僅針對相關數據建立「動態超邊（dynamic hyperedges）」。
3. 證據（Evidence）：最終輸出總是會映射回原始來源區塊，以確保可追溯性與引用。

對象是誰

• 個人用戶：想要建立一個「本地優先（local-first）」知識庫，用以整理零散文件並透過引用進行對話的用戶。
• AI Agent：需要透過 API 或 Model Context Protocol (MCP) 獲取結構化、可搜尋且可追溯知識庫的開發者。
• 開發者：正在尋找高效能 RAG 引擎（zleap-sag Python package）以整合進自身服務的人士。

重點亮點

• SOTA 性能：在多跳檢索（multi-hop retrieval）基準測試（HotpotQA, 2WikiMultiHopQA, MuSiQue）中表現優於 HippoRAG 2。
• 本地優先：從 SQLite 和 LanceDB 開始，初始設定不需要外部資料庫。
• 可追溯性：每個結果與引用都可以追溯回確切的原始文本區塊。
• 可擴展整合：支援 OpenAI 相容的聊天端點以及 MCP，以便與 Claude Code 或 Codex 等 Agent 進行整合。
• 靈活的儲存：支援多種後端，包括 PostgreSQL/pgvector 和 Elasticsearch。