Zleap-AI/SAG

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

解決的問題

SAG 解決了傳統密集 RAG（主要依賴語義相似性）與 GraphRAG（需要昂貴的離線圖構建與複雜的維護）的局限性。它提供了一種統一的檢索架構，無需維護兩個獨立的系統即可處理語義搜尋與關係推理。

工作原理

SAG 使用一種獨特的數據模型，將文件解析為語義完整的「事件」與輕量級的「實體」。它不是預先構建全域知識圖譜，而是使用 SQL join，根據特定查詢連接共享實體的事件，從而創建「查詢時動態超邊」。

過程分為兩個階段：

  1. 離線索引：將文件分塊，提取事件與實體，並將其儲存在關係型儲存（SQLite/PostgreSQL）與向量索引（LanceDB/pgvector）中。
  2. 在線檢索：系統尋找種子事件與實體，透過 SQL join 擴展候選空間，並回傳原始證據塊用於生成與引用。

適用對象

  • 個人用戶：想要為自己的文件構建具有來源追蹤與引用回答功能的本地優先知識庫的用戶。
  • AI Agent：正在構建需要透過 API 或 Model Context Protocol (MCP) 存取結構化、可搜尋知識庫之 Agent 的開發者。
  • 開發者：正在尋找可嵌入自身應用程式的高性能 RAG 引擎（zleap-sag Python package）的人員。

亮點

  • SOTA 性能：在 HotpotQA、2WikiMultiHopQA 與 MuSiQue 資料集的 9 項 Recall 指標中有 8 項優於 HippoRAG 2。
  • 本地優先：捆綁的桌面應用程式無需安裝外部資料庫；預設使用 SQLite 與 LanceDB。
  • 來源可追溯性：每個檢索結果與引用都直接映射回原始來源塊。
  • 整合就緒：包含與 OpenAI 相容的聊天端點以及用於 Claude Code 等 Agent 的官方 MCP Skill。
  • 互動式探索：具有「探索模式」，可以將知識庫視覺化為事件與實體的互動式宇宙。