事情是这样的。最近在 GitHub 上闲逛看到一个叫 SAG 的项目star 数涨得有点不讲道理我点进去一看简介就一句话A new SOTA for RAG一套全新的检索架构。再往下读越读越觉得这事情不简单它说它不是 RAG 和 GraphRAG 的融合而是要把这两个都给替代掉。替代 RAG我当时就愣住了RAG 这玩意不是行业标配吗谁来替代它这口气有点大啊朋友们。先把 RAG 这个词拆开看看RAG 这几年有多火不用我多说检索增强生成大模型不懂的、记不住的、会编的东西都靠它兜底。企业要做 AI 应用第一件事几乎都是搭知识库搭知识库几乎都是上 RAG。它成了标配成了默认选项成了没人质疑的基建。但用过的人心里都有数RAG 没宣传里那么美好。最典型的翻车场景我见过太多次了你问它一个需要把两篇文档的信息串起来的问题它给你答得驴唇不对马嘴。比如你问公司新产品的上市时间和定价逻辑有什么关系文档 A 里有时间文档 B 里有定价传统 RAG 把它们各自切成几百个碎片语义相近的碎片才能被召回两片隔着十万八千里的内容它根本不知道要串在一起。这就是 RAG 的天花板它擅长找相似的不擅长找相关的。相似和关联这是两码事。你长得像我不代表你跟我有关系文字上挨得近不代表逻辑上连得起来。传统 RAG 用向量算相似度算的是文字表面的像不像它看不到实体和实体之间那层关系谁在什么时候做了什么、影响了什么这种结构化的东西它一概看不见。GraphRAG 补上了关系但代价有点大后来大家也意识到这个问题了于是有了 GraphRAG 这个方向微软牵头搞的思路很简单先把文档里的实体和关系抽出来建成一张图再在图上做推理。关系问题解决了但是它引入了另一堆问题。建图这一步贵。要把整库文档离线抽一遍三元组实体合并、关系归一、全局维护每一步都是计算量和人工调参。而且最要命的是增量更新你今天加了一份新文档理论上整个图谱都得重算一遍因为新文档里的实体可能跟旧图里的实体是同一个你不重新跑一遍全局关系就对不上。文档越多这个重算的成本越吓人。所以现实里 GraphRAG 的落地情况是要么是数据量小、场景简单的团队在玩要么是财大气粗、能养得起算力的大厂在玩中间那批普通用户看看热闹然后继续用回传统 RAG。两套系统一个懂语义不懂关系一个懂关系但太贵。你选一个就得忍受另一个的短板你两个都上就得维护两套检索管线拼两路召回结果还得写一堆胶水代码让它们别打架。这就是 RAG 生态过去一年的真实状态一个两难选择。SAG 的解法是把图搬到查询的时候再画SAG 全称是 SQL-Retrieval Augmented GenerationSQL 检索增强生成论文挂在 arXiv 上编号 2606.15971。它做的事概括起来就一句话用一种叫查询时动态超边的机制让语义检索和关系推理在同一个系统里完成而且不需要预先建图。听不懂没关系我用大白话拆一遍。传统 RAG 的工作流是文档进来切成块每块算个向量存起来。查询来了算查询的向量找最像的块。就这些。GraphRAG 的工作流是文档进来抽实体抽关系建一张全局大图存起来。查询来了在图上做推理。就这些。SAG 的工作流是文档进来切块每块提炼成一个事件同时从块里抽出几个实体事件和实体之间建立关联存进 SQL。查询来了先用语义找到几个种子然后沿着共享的实体用 SQL 把相关的事件串起来现场织一张只属于这次查询的局部网。关键就在最后一步这张网是查询的时候才现织的查完就散下次查询再按需重织。而且它把检索拆成了两种模式。快速模式走纯向量召回响应快适合日常随手一搜。精确模式走 multi 策略把实体关系和 LLM 精排都用上结果更完整适合问复杂问题。界面里就两个按钮不复杂但背后是两套完全不同的执行路径快速模式不碰图精确模式才现织超边。这种设计很克制简单题别浪费算力难题才上重武器。这个设计妙在哪妙在它把建图的成本从离线搬到了在线而且是按需在线。GraphRAG 是预先建好一张全世界的地图SAG 是每次出门的时候只画出你当前需要的这张局部地图。地图只画一次全局的要花大价钱每次只画局部的增量更新就变得极其便宜新文档进来只需要给新块建事件、建实体、建关联旧图完全不用动因为根本没有一张需要维护的旧图。为什么说这是更聪明的一种懒惰我特别喜欢这个设计里那种「偷懒」的哲学。人类的记忆其实也是这样运作的。你脑子里并没有一张把所有事情都预先连接好的巨型网络你回忆一件事的时候是沿着线索现找的。有人提到一个名字你顺着这个名字想起那家公司想起那家公司又想起某个项目想起项目又想起当时的场景这一路是当场串起来的不是提前背好的。SAG 把这种当场串联的逻辑搬进了知识库。事件是完整的记忆单元实体是线索查询时动态超边是把线索当场串成链子那一下。不需要的关联它一个都不建需要的关联它一条都不会少。这种设计还有个隐藏的好处就是可解释性。因为每个事件都对应着原文的一个 chunk所以任何一条检索结果、任何一个引用都能一路回溯到原始文档。知识库的回答不是凭空长出来的每一个字都有出处这正好治大模型最爱犯的毛病一本正经地胡说八道。这一点我觉得比召回率本身更重要召回率再高答完你没法核验那这个答案的价值就打了折扣。能点回原文的答案才是真的可以用的答案。增量更新这块也顺手说一句。老方案里加一篇文档整个图谱要么重算要么挂着不管时间一长新旧信息就打架。SAG 这边新文档进来只给新块建事件、建实体、建关联写进 SQL 就完事查询时动态超边会自动把新旧事件连起来不用你操心一致性。知识库越喂越大维护成本却不会跟着涨这一点对长期使用的人来说是实打实的省心。数字说话SAG 在 9 项指标里拿了 8 项第一当然光说理念不够得看疗效。SAG 论文在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 三个多跳问答数据集上用同样的 Embedding 模型和同样的 LLM跟 HippoRAG 2 对比9 项 Recall1/2/5 指标里拿了 8 项最佳。几个关键数字平均 Recall2 是 79.30%HippoRAG 2 是 68.14%。平均 Recall5 是 88.18%对手是 83.28%。多跳推理最难的 MuSiQue 数据集上Recall1 是 36.17%对手只有 30.65%Recall5 直接拉开到 80.04% 对 65.13%。看不懂指标的兄弟也不用纠结你就记住一句话专门考关系推理的题SAG 基本是碾压式的领先而且领先幅度在题目越难的时候越大。顺便说一句这种「更难的任务领先更多」的模式恰恰说明它的优势不是靠调参调出来的是架构本身带来的。传统 RAG 在简单题上本来就不差大家差距不大一到需要串多条线索的题SAG 的动态超边就显形了。从知识库到 Agent它把接口全都留好了文章写到这里可能有朋友要问了这东西怎么用是要自己搭一套什么重型系统吗不用。这也是我写这篇的重要原因之一SAG 做了个桌面客户端Windows 和 macOS 都有下载装上就能用本地起一个知识库把文档拖进去剩下的它自己处理不需要你装 Python、装 Node、装数据库一切开箱即用。想自托管的也有 Docker 一条命令。文档处理这块也值得一提PDF 解析优先用 MinerU没配置或者失败了自动回退 MarkItDownOffice 和文本格式默认走 MarkItDown。上传一次文档解析、分块、向量化、事件抽取、实体抽取全在后台跑你不用管中间过程等它状态变成就绪就能开始检索了。而且它默认就是本地优先数据存在本地用 SQLite 加 LanceDB 就能跑不依赖外部数据库这对有数据洁癖的朋友太友好了。想要生产环境的也有路PostgreSQL 加 pgvector 的路径是现成的改一行配置就能切换导入、抽取、检索的代码一行不用动。docker compose down 也不会丢数据我见过太多项目一重启数据就没了这种细节最见功夫。更骚的是它对 Agent 时代的准备。现在的知识库已经不只是给人检索的了AI Agent 也要用。SAG 直接开放了 OpenAI 兼容接口你的任何 Agent 都能把它当一个带引用的模型来调用。它还支持 MCP 协议官方出了个命令行工具 sag-cli一条命令就能把知识库挂载进 Codex 或者 Claude Code。说到这我得多讲两句这大概是目前所有开源知识库项目里对 AI 编程助手支持得最上心的一个。你想想Claude Code 这类工具干活的时候最缺的是什么是对你自己私有知识的访问公司的技术文档、你积累的笔记、过往项目的踩坑记录这些都在知识库里躺着以前想让它用上得各种折腾。现在一条命令Agent 直接能检索你的私有知识还带引用能点回原文核对。而且这个 CLI 设计得挺讲究它把 JWT 存到操作系统的凭据存储里而不是写进 Agent 的配置文件本地 Docker 路径全程不需要 JWT任何写入操作都能用 dry-run 预览。它还附带一个 Skill装完直接教会 Agent 怎么高效探索知识库不用手改任何配置。另外它还兼容 Dify 的外部知识库密钥、Docker 网络、Source ID 都有文档讲清楚。模型这边更自由它接的是 OpenAI 兼容接口理论上任何家的大模型和 Embedding 都能配不绑定任何厂商知识库是你自己的模型你想用哪家用哪家没有锁定。这种体验用过一次就回不去了。对了SAG 还做了个探索模式我一开始没当回事打开之后有点被惊艳到。它把整个知识库展开成一片可以漫游的知识宇宙同一张视图里既能搜事件、搜实体又能沿着关联关系一路走下去走到哪都能点开事件详情和原文。图谱也支持 3D 视图事件和实体像星空一样悬在空间里关联线从四面八方连过来那种感觉很难形容你的资料不是躺在一堆文件夹里的死文件而是长成了一片活的星图。这个探索模式看着像炫技其实特别有用。知识库里最值钱的往往不是你明确想找的那条而是你顺着一条线索漫游时撞见的那条SAG 把这种撞见变成了系统性的可能。查一个项目顺手看到它关联的三个竞品再顺着竞品看到一篇你早就忘了的调研报告这种偶遇传统 RAG 永远给不了你。一点不算成熟的看法我自己的感受是SAG 出现的时机挺有意思的。过去两年大家折腾 RAG折腾 GraphRAG其实是在给一个还没有标准答案的问题找答案知识库到底该怎么组织才能既扛得住语义检索又扛得住关系推理。SAG 给出的答案不是在这两个里面二选一也不是把它们强行缝在一起而是换了一套数据模型让一个问题只走一条路。这个思路本身比它拿到的那些 benchmark 名次更值得琢磨。对开发者来说还有更狠的SAG 把核心引擎做成了 Python 包 zleap-sagpip 装一下几行代码就能在自己的服务里跑完导入、抽取、检索全流程。想自己做个前端也行后端是 FastAPIAPI 文档开箱即用。它不是只能当成品用还能当积木拆这种开放性在开源知识库里不多见。往大了说SAG 背后的公司是 Zleap 智跃做的是企业级 Agent OSSAG 是其中 Context Infra 层的关键组件。所以这个项目不是实验室玩具它有一个完整的商业产品在承接企业想要本地算力、模型、Agent OS 一体化交付还有一体机方案。开源版本面向个人和 Agent商业版本面向企业两条腿走路。当然丑话也要说在前面SAG 现在是 2300 多个 star 的新项目版本迭代很快2026 年 7 月刚重做过一版 UI 和架构属于早期采用者的阶段生产环境大规模使用还需要时间检验。文档、社区、生态都还在长。如果你是想拿来玩玩、搭自己的个人知识库或者让 Agent 能读到你的私有知识现在就是很好的入场时机如果你是企业要上核心生产系统建议先小范围试。坦率的讲我对这类「换个数据模型解决问题」的思路一直很有好感它提醒我一件事很多时候我们以为的行业难题不是因为没有人够聪明而是因为大家默认了某些前提没人去质疑那个前提。RAG 的前提是什么是语义和结构必须分开处理。SAG 做的就是把这个前提掀了。大时代啊朋友们。AI 的基础设施还在以月为单位地翻新一个月前你可能刚搭好一套 RAG 知识库一个月后就有人告诉你有更好的答案了。焦虑吗有一点但更多的是兴奋因为我们就站在一个领域从混沌走向有序的路口看着它一点一点成型而每一次「更好的答案」出现都意味着之前所有踩坑的人没有白踩。知识库会自己长会联网会推理会变成 Agent 的第二个大脑。这个未来不是画饼是已经有人在写的代码。完整方法、实验设置和结果都已开源:论文https://arxiv.org/abs/2606.15971论文复现https://github.com/Zleap-AI/SAG-BenchmarkSAG: https://github.com/Zleap-AI/SAG想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线” AI 知识库 SAG，RAG 该说再见了
事情是这样的。最近在 GitHub 上闲逛看到一个叫 SAG 的项目star 数涨得有点不讲道理我点进去一看简介就一句话A new SOTA for RAG一套全新的检索架构。再往下读越读越觉得这事情不简单它说它不是 RAG 和 GraphRAG 的融合而是要把这两个都给替代掉。替代 RAG我当时就愣住了RAG 这玩意不是行业标配吗谁来替代它这口气有点大啊朋友们。先把 RAG 这个词拆开看看RAG 这几年有多火不用我多说检索增强生成大模型不懂的、记不住的、会编的东西都靠它兜底。企业要做 AI 应用第一件事几乎都是搭知识库搭知识库几乎都是上 RAG。它成了标配成了默认选项成了没人质疑的基建。但用过的人心里都有数RAG 没宣传里那么美好。最典型的翻车场景我见过太多次了你问它一个需要把两篇文档的信息串起来的问题它给你答得驴唇不对马嘴。比如你问公司新产品的上市时间和定价逻辑有什么关系文档 A 里有时间文档 B 里有定价传统 RAG 把它们各自切成几百个碎片语义相近的碎片才能被召回两片隔着十万八千里的内容它根本不知道要串在一起。这就是 RAG 的天花板它擅长找相似的不擅长找相关的。相似和关联这是两码事。你长得像我不代表你跟我有关系文字上挨得近不代表逻辑上连得起来。传统 RAG 用向量算相似度算的是文字表面的像不像它看不到实体和实体之间那层关系谁在什么时候做了什么、影响了什么这种结构化的东西它一概看不见。GraphRAG 补上了关系但代价有点大后来大家也意识到这个问题了于是有了 GraphRAG 这个方向微软牵头搞的思路很简单先把文档里的实体和关系抽出来建成一张图再在图上做推理。关系问题解决了但是它引入了另一堆问题。建图这一步贵。要把整库文档离线抽一遍三元组实体合并、关系归一、全局维护每一步都是计算量和人工调参。而且最要命的是增量更新你今天加了一份新文档理论上整个图谱都得重算一遍因为新文档里的实体可能跟旧图里的实体是同一个你不重新跑一遍全局关系就对不上。文档越多这个重算的成本越吓人。所以现实里 GraphRAG 的落地情况是要么是数据量小、场景简单的团队在玩要么是财大气粗、能养得起算力的大厂在玩中间那批普通用户看看热闹然后继续用回传统 RAG。两套系统一个懂语义不懂关系一个懂关系但太贵。你选一个就得忍受另一个的短板你两个都上就得维护两套检索管线拼两路召回结果还得写一堆胶水代码让它们别打架。这就是 RAG 生态过去一年的真实状态一个两难选择。SAG 的解法是把图搬到查询的时候再画SAG 全称是 SQL-Retrieval Augmented GenerationSQL 检索增强生成论文挂在 arXiv 上编号 2606.15971。它做的事概括起来就一句话用一种叫查询时动态超边的机制让语义检索和关系推理在同一个系统里完成而且不需要预先建图。听不懂没关系我用大白话拆一遍。传统 RAG 的工作流是文档进来切成块每块算个向量存起来。查询来了算查询的向量找最像的块。就这些。GraphRAG 的工作流是文档进来抽实体抽关系建一张全局大图存起来。查询来了在图上做推理。就这些。SAG 的工作流是文档进来切块每块提炼成一个事件同时从块里抽出几个实体事件和实体之间建立关联存进 SQL。查询来了先用语义找到几个种子然后沿着共享的实体用 SQL 把相关的事件串起来现场织一张只属于这次查询的局部网。关键就在最后一步这张网是查询的时候才现织的查完就散下次查询再按需重织。而且它把检索拆成了两种模式。快速模式走纯向量召回响应快适合日常随手一搜。精确模式走 multi 策略把实体关系和 LLM 精排都用上结果更完整适合问复杂问题。界面里就两个按钮不复杂但背后是两套完全不同的执行路径快速模式不碰图精确模式才现织超边。这种设计很克制简单题别浪费算力难题才上重武器。这个设计妙在哪妙在它把建图的成本从离线搬到了在线而且是按需在线。GraphRAG 是预先建好一张全世界的地图SAG 是每次出门的时候只画出你当前需要的这张局部地图。地图只画一次全局的要花大价钱每次只画局部的增量更新就变得极其便宜新文档进来只需要给新块建事件、建实体、建关联旧图完全不用动因为根本没有一张需要维护的旧图。为什么说这是更聪明的一种懒惰我特别喜欢这个设计里那种「偷懒」的哲学。人类的记忆其实也是这样运作的。你脑子里并没有一张把所有事情都预先连接好的巨型网络你回忆一件事的时候是沿着线索现找的。有人提到一个名字你顺着这个名字想起那家公司想起那家公司又想起某个项目想起项目又想起当时的场景这一路是当场串起来的不是提前背好的。SAG 把这种当场串联的逻辑搬进了知识库。事件是完整的记忆单元实体是线索查询时动态超边是把线索当场串成链子那一下。不需要的关联它一个都不建需要的关联它一条都不会少。这种设计还有个隐藏的好处就是可解释性。因为每个事件都对应着原文的一个 chunk所以任何一条检索结果、任何一个引用都能一路回溯到原始文档。知识库的回答不是凭空长出来的每一个字都有出处这正好治大模型最爱犯的毛病一本正经地胡说八道。这一点我觉得比召回率本身更重要召回率再高答完你没法核验那这个答案的价值就打了折扣。能点回原文的答案才是真的可以用的答案。增量更新这块也顺手说一句。老方案里加一篇文档整个图谱要么重算要么挂着不管时间一长新旧信息就打架。SAG 这边新文档进来只给新块建事件、建实体、建关联写进 SQL 就完事查询时动态超边会自动把新旧事件连起来不用你操心一致性。知识库越喂越大维护成本却不会跟着涨这一点对长期使用的人来说是实打实的省心。数字说话SAG 在 9 项指标里拿了 8 项第一当然光说理念不够得看疗效。SAG 论文在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 三个多跳问答数据集上用同样的 Embedding 模型和同样的 LLM跟 HippoRAG 2 对比9 项 Recall1/2/5 指标里拿了 8 项最佳。几个关键数字平均 Recall2 是 79.30%HippoRAG 2 是 68.14%。平均 Recall5 是 88.18%对手是 83.28%。多跳推理最难的 MuSiQue 数据集上Recall1 是 36.17%对手只有 30.65%Recall5 直接拉开到 80.04% 对 65.13%。看不懂指标的兄弟也不用纠结你就记住一句话专门考关系推理的题SAG 基本是碾压式的领先而且领先幅度在题目越难的时候越大。顺便说一句这种「更难的任务领先更多」的模式恰恰说明它的优势不是靠调参调出来的是架构本身带来的。传统 RAG 在简单题上本来就不差大家差距不大一到需要串多条线索的题SAG 的动态超边就显形了。从知识库到 Agent它把接口全都留好了文章写到这里可能有朋友要问了这东西怎么用是要自己搭一套什么重型系统吗不用。这也是我写这篇的重要原因之一SAG 做了个桌面客户端Windows 和 macOS 都有下载装上就能用本地起一个知识库把文档拖进去剩下的它自己处理不需要你装 Python、装 Node、装数据库一切开箱即用。想自托管的也有 Docker 一条命令。文档处理这块也值得一提PDF 解析优先用 MinerU没配置或者失败了自动回退 MarkItDownOffice 和文本格式默认走 MarkItDown。上传一次文档解析、分块、向量化、事件抽取、实体抽取全在后台跑你不用管中间过程等它状态变成就绪就能开始检索了。而且它默认就是本地优先数据存在本地用 SQLite 加 LanceDB 就能跑不依赖外部数据库这对有数据洁癖的朋友太友好了。想要生产环境的也有路PostgreSQL 加 pgvector 的路径是现成的改一行配置就能切换导入、抽取、检索的代码一行不用动。docker compose down 也不会丢数据我见过太多项目一重启数据就没了这种细节最见功夫。更骚的是它对 Agent 时代的准备。现在的知识库已经不只是给人检索的了AI Agent 也要用。SAG 直接开放了 OpenAI 兼容接口你的任何 Agent 都能把它当一个带引用的模型来调用。它还支持 MCP 协议官方出了个命令行工具 sag-cli一条命令就能把知识库挂载进 Codex 或者 Claude Code。说到这我得多讲两句这大概是目前所有开源知识库项目里对 AI 编程助手支持得最上心的一个。你想想Claude Code 这类工具干活的时候最缺的是什么是对你自己私有知识的访问公司的技术文档、你积累的笔记、过往项目的踩坑记录这些都在知识库里躺着以前想让它用上得各种折腾。现在一条命令Agent 直接能检索你的私有知识还带引用能点回原文核对。而且这个 CLI 设计得挺讲究它把 JWT 存到操作系统的凭据存储里而不是写进 Agent 的配置文件本地 Docker 路径全程不需要 JWT任何写入操作都能用 dry-run 预览。它还附带一个 Skill装完直接教会 Agent 怎么高效探索知识库不用手改任何配置。另外它还兼容 Dify 的外部知识库密钥、Docker 网络、Source ID 都有文档讲清楚。模型这边更自由它接的是 OpenAI 兼容接口理论上任何家的大模型和 Embedding 都能配不绑定任何厂商知识库是你自己的模型你想用哪家用哪家没有锁定。这种体验用过一次就回不去了。对了SAG 还做了个探索模式我一开始没当回事打开之后有点被惊艳到。它把整个知识库展开成一片可以漫游的知识宇宙同一张视图里既能搜事件、搜实体又能沿着关联关系一路走下去走到哪都能点开事件详情和原文。图谱也支持 3D 视图事件和实体像星空一样悬在空间里关联线从四面八方连过来那种感觉很难形容你的资料不是躺在一堆文件夹里的死文件而是长成了一片活的星图。这个探索模式看着像炫技其实特别有用。知识库里最值钱的往往不是你明确想找的那条而是你顺着一条线索漫游时撞见的那条SAG 把这种撞见变成了系统性的可能。查一个项目顺手看到它关联的三个竞品再顺着竞品看到一篇你早就忘了的调研报告这种偶遇传统 RAG 永远给不了你。一点不算成熟的看法我自己的感受是SAG 出现的时机挺有意思的。过去两年大家折腾 RAG折腾 GraphRAG其实是在给一个还没有标准答案的问题找答案知识库到底该怎么组织才能既扛得住语义检索又扛得住关系推理。SAG 给出的答案不是在这两个里面二选一也不是把它们强行缝在一起而是换了一套数据模型让一个问题只走一条路。这个思路本身比它拿到的那些 benchmark 名次更值得琢磨。对开发者来说还有更狠的SAG 把核心引擎做成了 Python 包 zleap-sagpip 装一下几行代码就能在自己的服务里跑完导入、抽取、检索全流程。想自己做个前端也行后端是 FastAPIAPI 文档开箱即用。它不是只能当成品用还能当积木拆这种开放性在开源知识库里不多见。往大了说SAG 背后的公司是 Zleap 智跃做的是企业级 Agent OSSAG 是其中 Context Infra 层的关键组件。所以这个项目不是实验室玩具它有一个完整的商业产品在承接企业想要本地算力、模型、Agent OS 一体化交付还有一体机方案。开源版本面向个人和 Agent商业版本面向企业两条腿走路。当然丑话也要说在前面SAG 现在是 2300 多个 star 的新项目版本迭代很快2026 年 7 月刚重做过一版 UI 和架构属于早期采用者的阶段生产环境大规模使用还需要时间检验。文档、社区、生态都还在长。如果你是想拿来玩玩、搭自己的个人知识库或者让 Agent 能读到你的私有知识现在就是很好的入场时机如果你是企业要上核心生产系统建议先小范围试。坦率的讲我对这类「换个数据模型解决问题」的思路一直很有好感它提醒我一件事很多时候我们以为的行业难题不是因为没有人够聪明而是因为大家默认了某些前提没人去质疑那个前提。RAG 的前提是什么是语义和结构必须分开处理。SAG 做的就是把这个前提掀了。大时代啊朋友们。AI 的基础设施还在以月为单位地翻新一个月前你可能刚搭好一套 RAG 知识库一个月后就有人告诉你有更好的答案了。焦虑吗有一点但更多的是兴奋因为我们就站在一个领域从混沌走向有序的路口看着它一点一点成型而每一次「更好的答案」出现都意味着之前所有踩坑的人没有白踩。知识库会自己长会联网会推理会变成 Agent 的第二个大脑。这个未来不是画饼是已经有人在写的代码。完整方法、实验设置和结果都已开源:论文https://arxiv.org/abs/2606.15971论文复现https://github.com/Zleap-AI/SAG-BenchmarkSAG: https://github.com/Zleap-AI/SAG想入门 AI 大模型却找不到清晰方向备考大厂 AI 岗还在四处搜集零散资料别再浪费时间啦2025 年AI 大模型全套学习资料已整理完毕从学习路线到面试真题从工具教程到行业报告一站式覆盖你的所有需求现在全部免费分享扫码免费领取全部内容一、学习必备100本大模型电子书26 份行业报告 600 套技术PPT帮你看透 AI 趋势想了解大模型的行业动态、商业落地案例大模型电子书这份资料帮你站在 “行业高度” 学 AI1. 100本大模型方向电子书2. 26 份行业研究报告覆盖多领域实践与趋势报告包含阿里、DeepSeek 等权威机构发布的核心内容涵盖职业趋势《AI 职业趋势报告》《中国 AI 人才粮仓模型解析》商业落地《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》领域细分《AGI 在金融领域的应用报告》《AI GC 实践案例集》行业监测《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。3. 600套技术大会 PPT听行业大咖讲实战PPT 整理自 2024-2025 年热门技术大会包含百度、腾讯、字节等企业的一线实践安全方向《端侧大模型的安全建设》《大模型驱动安全升级腾讯代码安全实践》产品与创新《大模型产品如何创新与创收》《AI 时代的新范式构建 AI 产品》多模态与 Agent《Step-Video 开源模型视频生成进展》《Agentic RAG 的现在与未来》工程落地《从原型到生产AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。二、求职必看大厂 AI 岗面试 “弹药库”300 真题 107 道面经直接抱走想冲字节、腾讯、阿里、蔚来等大厂 AI 岗这份面试资料帮你提前 “押题”拒绝临场慌1. 107 道大厂面经覆盖 Prompt、RAG、大模型应用工程师等热门岗位面经整理自 2021-2025 年真实面试场景包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题每道题都附带思路解析2. 102 道 AI 大模型真题直击大模型核心考点针对大模型专属考题从概念到实践全面覆盖帮你理清底层逻辑3. 97 道 LLMs 真题聚焦大型语言模型高频问题专门拆解 LLMs 的核心痛点与解决方案比如让很多人头疼的 “复读机问题”三、路线必明AI 大模型学习路线图1 张图理清核心内容刚接触 AI 大模型不知道该从哪学起这份「AI大模型 学习路线图」直接帮你划重点不用再盲目摸索路线图涵盖 5 大核心板块从基础到进阶层层递进一步步带你从入门到进阶从理论到实战。L1阶段:启航篇丨极速破界AI新时代L1阶段了解大模型的基础知识以及大模型在各个行业的应用和分析学习理解大模型的核心原理、关键技术以及大模型应用场景。L2阶段攻坚篇丨RAG开发实战工坊L2阶段AI大模型RAG应用开发工程主要学习RAG检索增强生成包括Naive RAG、Advanced-RAG以及RAG性能评估还有GraphRAG在内的多个RAG热门项目的分析。L3阶段跃迁篇丨Agent智能体架构设计L3阶段大模型Agent应用架构进阶实现主要学习LangChain、 LIamaIndex框架也会学习到AutoGPT、 MetaGPT等多Agent系统打造Agent智能体。L4阶段精进篇丨模型微调与私有化部署L4阶段大模型的微调和私有化部署更加深入的探讨Transformer架构学习大模型的微调技术利用DeepSpeed、Lamam Factory等工具快速进行模型微调并通过Ollama、vLLM等推理部署框架实现模型的快速部署。L5阶段专题集丨特训篇 【录播课】四、资料领取全套内容免费抱走学 AI 不用再找第二份不管你是 0 基础想入门 AI 大模型还是有基础想冲刺大厂、了解行业趋势这份资料都能满足你现在只需按照提示操作就能免费领取扫码免费领取全部内容2025 年想抓住 AI 大模型的风口别犹豫这份免费资料就是你的 “起跑线”