裁剪｜Sia
前阵子，Claude Code 不测露出了 512，000 行 TypeScript 源码。
好家伙，Anthropic 这波莫不是把 Claude Code 的「底裤」皆泄漏来了？
AI 圈扒完之后发现，最稀薄义的地点不是模子，而是 Claude Code 这个 Coding Agent 外面那层运行系统。
露出的大部分代码，皆在处理这些事：什么时候读文献，什么时候调用用具，什么时候压缩高下文，什么时候连续下一步。
也等至今天越来越火的 Agent Harness。
一次不测，也算给行业提了个醒。
Agent 时期，真是蹙迫的不仅仅模子智力，还有模子外面那套高下文组织、用具调用和任务轮回系统。
这套系统里，招引「模子」和「外部学问全国」的基础表情——RAG，也必须随着进化。
为啥嘞？
要是有东说念主想知说念「某条家具阶梯到底受谁影响？」，谜底可能藏在这样一条链里：
A 公司收购了 B 公司、B 公司的 CTO 其后加入了 C 技俩、 C 技俩又影响了某条家具阶梯。
三件事分开看，偶然皆和用户的问题畸形相似；只消把它们串起来，才是真是的谜底。
传统 RAG 不错速即在贵府库里找到几段「看起来最像」的文本，但偶然拧得清它们之间是啥关系。
对 Agent 来说，这就很要命。
因为， Agent 不仅仅问答，它还要基于检索成果连续推理、调用用具、作念下一步决策。第一步检索错了，后头就会一齐跑偏。
成果会有多离谱呢？
有计划发现，在医学临床文本生成中，传统 RAG 本事反而让大模子幻觉率，从基线气象的 5.0% 飙升至 43.6%。
原因等于，它仅仅找到了「看起来估量」的贵府，而不是循证的左证。
这亦然为什么，it’s time to 再行想考 RAG。
不预则废？Graph 也不是银弹啊
以微软 GraphRAG 为代表的决议，算是对传统 RAG 局限的一次蹙迫修正。
照旧上头阿谁问题：某条家具阶梯到底受谁影响？
GraphRAG 会先把 A 公司、B 公司、CTO、C 技俩、家具阶梯这些实体，以及它们之间的关系抽出来，作念成一张学问图谱。
再沿着「谁和谁关联」、「哪些事件属于归拢个主题」、「哪些信息共同指向一个论断」去组织谜底。
这一步很蹙迫。它让 RAG 检朴单的向量相似度匹配，向结构化关系推理迈出了一大步。
尤其是在全局贯串和主题总结上，GraphRAG 如实很管用。
引入学问图谱像是给 RAG 修了一座学问宫殿，漂亮也更有结构，但构建和悭吝起来却不胜重任。
抽三元组、合并实体、归一关系、建全局图、作念社区节录……每一步皆很贵，每一步皆可能出错。
更莫名的是，好禁绝易盖好了，一朝真是查询时，好多系统并莫得充分「沿着图里的关系去找谜底」，终末照旧归赵到「找几个相似节点 / 相似节录」老一套。
最要命的是，全国总在变。今天技俩负责东说念主换了、未来客户需求变了、后天某条家具阶梯又被推翻了……
预制的图谱，总不成每天推倒重建吧？
不久之后，另一条强阶梯 HippoRAG 2 登场了。
受海马体追悼启发，它但愿系统像东说念主脑回忆一样：从一个陈迹登程，沿着图里的关系扩散，激活更多估量追悼。
要是用户想知说念，某条家具阶梯到底受谁影响？
HippoRAG 2 会先识别关键实体和陈迹，比如 A 公司、B 公司、CTO。然后在图谱里激活相重要点。
接着用 Personalized PageRank 这类图排序算法，沿着关系连续扩散：从 B 公司找到 CTO、张三、 C 技俩，直到家具阶梯。终末，再把这些陈迹交给LLM 生成谜底。
2026美加墨世界杯中国认证平台通过把 RAG 连续推向「结构化追悼」和「多跳检索」，HippoRAG 2 如实有用连续了传统 RAG 在多跳推理和永久追悼上的一部分问题。
但也一样留住了稠密的工程挑战。
和 GraphRAG 一样，HippoRAG 2 也离不开一张离线构建的全局图。
而况，查询时还要在 graph 上跑 PageRank / Personalized PageRank 这类排序算法。
这套行为在 benchmark 边界下很强，一朝到了真实 Agent 场景，全局图的悭吝和排序就会变得很重。
脑补一下：每天皆要执续写入新文档、新实体、新别号、新关系......
那有莫得一种主义：
既要结构，又不要一上来就修一座学问宫殿；
既要多跳，又不要每次皆在全局图上跑一遍复杂排序；
既要撑执 Agent 永久使用，又不成每来一批新数据，就把整张图推倒重建；
……
目下，轮到广州智跃深空东说念主工智能科技有限公司 Zleap AI 冷落的 SAG（SQL-Retrieval Augmented Generation） 出场了。
SAG：用超边结构重构 Agent 数据底座
其实，名字照旧点题了——不是 Graph、Hippo，而是 SQL-Retrieval。
它的中枢主张是在离线阶段，SAG 先把原始文本先整理成「事项 + 实体」的数据库结构。等查询来了，再围绕现时问题，用 SQL 动态串出一张局部陈迹网。
举例，一些洽商《给阿嬷的情书》的原始 chunk 如下。
传统三元组会把这段完整事件链，拆成好多条 「主体 - 关系 – 客体」：
侨批 — 具有 — 家信属性
侨批 — 具有 — 汇款凭证属性
深圳企业 — 投资 — 《给阿嬷的情书》
影片 — 使用 — 方言
但一段话往往不是一个苟简关系，而是一件完整的事。强行拆成好多三元组，就像把一篇新闻剪成碎纸条，关系词抽错小数，整条陈迹就断了。
SAG 改成：
也等于说，一个 chunk 对应一个完整的 event。一个 event 不错招引多个 entity。
反过来，一个 entity 也可能出目下多个 event 里。
一个 event，把多个 entities 绑在了一说念，在图结构上，这更像「超边（many-to-many hyperedge）」。
这些皆会被写进 SQL 和向量索引里。查询时，系统通过分享实体把估量事项临时连起来。
SAG结构表露图，离线写入。
当用户想知说念，为什么会有东说念主投资《给阿嬷的情书》？
SAG 会先让 LLM 从查询中识别实体，比如投资方、深圳企业、资金开始、投资决策。然后，兵分两路。
第一条路，是结构旅途。
系统会去 SQL 中查询：哪些事项卡和这些实体关联？它可能率先找到「深圳企业投资《给阿嬷的情书》」这张事项卡（ event )。
这张卡能讲解投资方看中了影片的社会传播和市集扩散后劲，但还不成完整回应「为什么值得投」。
于是，SAG 会连续读取 event 里的 entities。举例：深圳企业、潮汕、侨乡经济、华情面感、家庭不雅影、社会传播，再通过 SQL 反查其他包含这些 entities 的 event 。
这样，系统会进一步找到「侨批题材带来文化价值」这张卡（ event ）；再沿着侨批、地域文化、国外华东说念主、人人文化价值等 entities，找到「主创教育和中小资本制作裁汰投资风险」这张卡（ event ) 。
悉数这个词经由骨子上是 SQL join，不是全局图推理。最终，原分内布在不同 chunk 里的信息被串成一条链。
SAG结构表露图，在线检索。
第二条路，是语义旅途。
SAG 也不会完全肃清传统向量检索，它会同期用 query 的 embedding，径直去 chunk 索引里找语义上最相似的文本。
是以，SAG 终末拿到其实是两批候选。
系统此时会作念一轮相似渡过滤，再让 LLM 在更小的候选集里挑出最关键的 event。
终末，再把这些 event 映射回原始 chunk，和径直向量调回的 chunk 合并，变成最终给 LLM 看的左证。
终末你获得的谜底，可能是这样：
投资东说念主之是以烦扰投资《给阿嬷的情书》，并不是因为它一启动就具备传统交易大片的外不雅。相悖，这个技俩名义上有不少风险，斗鱼体育DOUYU中国官网比如方言抒发、非流量演员、弱交易类型。但也有几个上风，投资东说念主投《给阿嬷的情书》，骨子上是在投一个文化辨识度强、资本风险可控、情感共识有扩散后劲的电影技俩。
RAG 新 SOTA 到了
说了这样多，SAG 到底有莫得用？ Zleap AI 拿了三个经典多跳问答数据集来测：
HotpotQA、2WikiMultiHopQA、MuSiQue。
它们皆在考系统会不会「蔓引牵缠」。尤其是 MuSiQue，最多要作念 4 跳推理，基本等于 RAG 里的硬骨头。
敌手 HippoRAG 2 ，也裕如不是软柿子。
成果，在合伙竖立下：
SAG 的平均 Recall@2 / Recall@5 达到：79.3% / 88.2%。
HippoRAG 2 是：68.2% / 83.3%。
SAG 在前 2 条成果里掷中关键左证的能力，径直跳跃了 11.1 个百分点。越早掷中，后头的 token 越省，蔓延越低，推理链也越禁绝易跑偏。
最难的 MuSiQue，也很能阐发问题。
SAG 的 Recall@5 是 80.0%，HippoRAG 2 是 65.1%，差了快要 15 个百分点。
可见，在越需要多跳推理的场景里，SAG 的「事项 + 实体 + SQL 推广」越能施展作用。
消融实践进一步撑执了辅助来自结构自身的判断。
MuSiQue测试集，三元组版 SAG 的 Recall@5 是 77.1%，超边版是 80.0%；
关闭查询时推广后，Recall@5 从 80.0% 降到 69.4%；
用轻量 reranker 替代 Qwen3.6-Flash 作念最终选用，Recall@5 从 80.0% 降到 62.2%。
论文还考证了 SAG 对 embedding 模子不解锐。
换成更强的 NV-Embed-v2 后：
SAG 在 MuSiQue 上 Recall@5 从 80.0% 到 81.7%，变化不大。
HippoRAG 2 对 embedding 更明锐，从 BGE 竖立下的 65.1% 到 NV-Embed-v2 下的 74.6%。
真是起作用的，是底层结构变了，而不是堆更强 embedding 。
新 SOTA，还能工业落地，也就它了
据 Zleap AI 显现，SAG 照旧在约 5 亿条数据边界的坐蓐环境中部署，且数据边界还在执续增长，在线检索蔓延保执在秒级以内。
刷新 SOTA，还能如斯边界化落地的 RAG，推断也就 SAG 了。
SAG 能在大边界数据下保管低蔓延，关键在于单干。
慢活儿，离线作念。用 LLM 作念结构化抽取，把 chunk 变成 event 和entity；
昂扬儿，在线作念。用 SQL、向量索引和全文索引快速调回。只让 LLM 判断很小的候选集。
SAG 也比 GraphRAG 更扛增长。
因为，chunk 是自然的并发单位，每个 chunk 皆不错安谧处理。
每当新网页、新文档、新技俩进来，无须再行算计全局关系，径直把新增内容变成新的 event 和 entity 并入索引体系即可。
它不是一张每天皆要重修的学问图谱，更像一套能执续助长的陈迹档案库，这使得增量处理和执续推广，皆成了我方的上风。
虽然，好多东说念主会问实体越来越多，合并会不会很复杂？
会复杂，但 SAG 莫得把「圆善实体合并」放在主链路里。这点也和 GraphRAG 很不一样。
GraphRAG 把实体当成图里的中枢节点，实体合并错了，整张图皆会被欺侮。分手并，旅途又会断掉。是以，必须矜重作念实体消歧，工程量也会越来越大。
但 SAG 不错给与一定进程的「不圆善合并」。
因为 entity 不是谜底自身，更像是「路标」；event 才是那张写明晰事情经过的卡片。
比如，归拢家公司被写成几个不同名字，系统不一定要在入库时坐窝判断它们是不是归拢个实体。
SAG 不错先保守处理：入库前作念苟简字符串归一和 SQL 查询，在归拢个 source 下，要是同类型、同名字的实体照旧存在，就径直复用。莫得，就插入为新实体。
后续查询时，再通过向量检索、全文检索和 LLM 重排把估量陈迹补归来。
为了让用户更直不雅地体验这套机制，Zleap AI 还作念了一个 Wikipedia 搜索 demo。咱们也苟简问了个问题：
与《给阿嫲的情书》主题相似的电影，还有哪些呢？
很快，它就放出一段基于十几条成果的总结。底下是被调回的左证卡片，比如《亲爱的奶奶》、《阿嬷的梦中情东说念主》、《情书》。
体验地址：https://wiki.zleap.com/search
点开《亲爱的奶奶》，右侧还能看到这条成果为什么被调回，以及它对应的原始左证。
左边复返了《亲爱的奶奶》《阿嬷的梦中情东说念主》《情书》这些成果，而是右边展示了每条成果为什么被调回。
这等于 SAG 的可回想性。Agent 不仅仅要拿到谜底，还要知说念谜底从哪来；不仅仅要回应现时问题，还要知说念下一步该沿着哪条陈迹连续查。
最稀薄义的是 View Graph。
它不是一张提前建好的学问图谱，而是 SAG 针对这一次问题，临时张开的一张局部陈迹网。
图里的节点，等于系统围绕现时问题调回出来的一批事项卡（ event ）。用户问亲情电影，系统就围绕亲情、书信、家庭、回忆这些陈迹推广
要是问「收购 Instagram 的公司，其首创东说念主上过哪所大学」，系统又会围绕 Instagram、Facebook、首创东说念主、大学这些实体和关系再行推广。
也等于说，SAG 不是提前把全全国的关系皆算好，再等用户来查。它是在问题发生时，只激活现时问题需要的局部关系。
这恰是它能妥当大边界 RAG、并与传统 RAG、GraphRAG 拉开差距的关键。
不啻是学问，还有追悼
对 Agent 来说，真是的数据底座，其实还要能承载追悼。
除了知说念外部全国发生了什么，Agent 还需要知说念：用户偏好什么抒发形式，某个技俩鼓舞到了哪一步，上一次任务查到了什么论断，哪个旧判断其后又被新信息推翻。
这些内容要是只按豪迈 RAG 的形式存成文本块，系统就只可找回一段相似聊天记载，却偶然知说念哪条是历史布景，哪条是现时气象，哪条照旧失效。
SAG 刚好提供了一个更当然的组织形式。
每笔追悼皆不错被写成一个 event：谁，在什么时候，对什么对象，作念了什么事，产生了什么气象变化；估量的东说念主、技俩、任务、偏好，可手脚 entity 招引起来。
这样一来，Agent 的追悼就不再是一堆松散的历史对话，而是一套不错执续写入、按陈迹找回、随问题动态张开的事项档案。
虽然，论文也提到，真是面向永久 Agent Memory，还需要进一步加入版块化和时辰感知能力。但这亦然它手脚 Agent 数据底座最值得期待的地点。
从这个角度看，SAG 真是指向的是一种新的数据组织范式：学问不错被执续写入，追悼不错被沿陈迹找回，气象变化也有契机被永久跟踪。
这或者亦然下一代 Agent 数据基座真是需要补上的一课。
参考相连
1、开源技俩地址：
https://github.com/Zleap-AI/SAG
2、论文地址：
https://arxiv.org/abs/2606.15971
3、关联医疗AI幻觉的论文：
Representation Before Retrieval: Structured Patient Artifacts Reduce Hallucination in Clinical AI Systems斗鱼体育DOUYU
上一篇：斗鱼体育DOUYU 《歌手2026》口碑着落, 那英走了苏醒顶上, 不雅众骂着却充了会员? 下一篇：没有了
备案号: