AG真人首页App下载 RAG新SOTA, 还在5亿条数据上跑进秒级, 只消它了

剪辑｜Sia

前阵子，Claude Code 不测清晰了 512，000 行 TypeScript 源码。

好家伙，Anthropic 这波莫不是把 Claude Code 的「底裤」齐流露来了？

AI 圈扒完之后发现，最有有趣的方位不是模子，而是 Claude Code 这个 Coding Agent 外面那层运行系统。

清晰的大部分代码，齐在处理这些事：什么时候读文献，什么时候调用器具，什么时候压缩陡立文，什么时候持续下一步。

也即是今天越来越火的 Agent Harness。

一次不测，也算给行业提了个醒。

Agent 时间，确切抨击的不仅仅模子才略，还有模子外面那套陡立文组织、器具调用和任务轮回系统。

这套系统里，聚首「模子」和「外部学问寰宇」的基础行动——RAG，也必须随着进化。

为啥嘞？

要是有东说念主想知说念「某条家具蹊径到底受谁影响？」，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 自后加入了 C 时势、 C 时势又影响了某条家具蹊径。

三件事分开看，或然齐和用户的问题颠倒相似；只消把它们串起来，才是确切的谜底。

传统 RAG 不错马上在而已库里找到几段「看起来最像」的文本，但或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，它还要基于检索效果持续推理、调用器具、作念下一步决策。第一步检索错了，背面就会一齐跑偏。

效果会有多离谱呢？

有研究发现，在医学临床文本生成中，传统 RAG 本领反而让大模子幻觉率，从基线气象的 5.0% 飙升至 43.6%。

原因即是，它仅仅找到了「看起来运筹帷幄」的而已，而不是循证的凭证。

这亦然为什么，it’s time to 从头念念考 RAG。

不预则废？Graph 也不是银弹啊

以微软 GraphRAG 为代表的决策，算是对传统 RAG 局限的一次抨击修正。

如故上头阿谁问题：某条家具蹊径到底受谁影响？

GraphRAG 会先把 A 公司、B 公司、CTO、C 时势、家具蹊径这些实体，以及它们之间的关系抽出来，作念成一张学问图谱。

再沿着「谁和谁相关」、「哪些事件属于团结个主题」、「哪些信息共同指向一个论断」去组织谜底。

这一步很抨击。它让 RAG 爽气单的向量相似度匹配，向结构化关系推理迈出了一大步。

尤其是在全局领略和主题总结上，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，但构建和拯救起来却不胜重担。

抽三元组、合并实体、归一关系、建全局图、作念社区摘抄……每一步齐很贵，每一步齐可能出错。

更祸患的是，好遏抑易盖好了，一朝确切查询时，许多系统并莫得充分「沿着图里的关系去找谜底」，终末如故归赵到「找几个相似节点 / 相似摘抄」老一套。

最要命的是，寰宇总在变。今天时势负责东说念主换了、未来客户需求变了、后天某条家具蹊径又被推翻了……

预制的图谱，总不可每天推倒重建吧？

不久之后，另一条强蹊径 HippoRAG 2 登场了。

受海马体挂念启发，它但愿系统像东说念主脑回忆一样：从一个陈迹启程，沿着图里的关系扩散，激活更多运筹帷幄挂念。

要是用户想知说念，某条家具蹊径到底受谁影响？

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枢纽点。

接着用 Personalized PageRank 这类图排序算法，沿着关系持续扩散：从 B 公司找到 CTO、张三、 C 时势，直到家具蹊径。终末，再把这些陈迹交给LLM 生成谜底。

通过把 RAG 持续推向「结构化挂念」和「多跳检索」，HippoRAG 2 如实有用处罚了传统 RAG 在多跳推理和弥远挂念上的一部分问题。

但也相似留住了盛大的工程挑战。

和 GraphRAG 一样，HippoRAG 2 也离不开一张离线构建的全局图。

何况，查询时还要在 graph 上跑 PageRank / Personalized PageRank 这类排序算法。

这套行动在 benchmark 畛域下很强，一朝到了确切 Agent 场景，全局图的拯救和排序就会变得很重。

脑补一下：每天齐要握续写入新文档、新实体、新笔名、新关系......

那有莫得一种见识：

既要结构，又不要一上来就修一座学问宫殿；

既要多跳，又不要每次齐在全局图上跑一遍复杂排序；

既要相沿 Agent 弥远使用，又不可每来一批新数据，就把整张图推倒重建；

……

当今，轮到广州智跃深空东说念主工智能科技有限公司 Zleap AI 建议的 SAG（SQL-Retrieval Augmented Generation） 出场了。

SAG：用超边结构重构 Agent 数据底座

其实，名字依然点题了——不是 Graph、Hippo，而是 SQL-Retrieval。

它的中枢想法是在离线阶段，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，再围绕面前问题，用 SQL 动态串出一张局部陈迹网。

举例，一些照拂《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，拆成许多条 「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

但一段话时时不是一个简便关系，而是一件完整的事。强行拆成许多三元组，就像把一篇新闻剪成碎纸条，关系词抽错极少，整条陈迹就断了。

SAG 改成：

也即是说，一个 chunk 对应一个完整的 event。一个 event 不错聚首多个 entity。

反过来，一个 entity 也可能出当今多个 event 里。

一个 event，把多个 entities 绑在了沿途，在图结构上，这更像「超边（many-to-many hyperedge）」。

这些齐会被写进 SQL 和向量索引里。查询时，系统通过分享实体把运筹帷幄事项临时连起来。

SAG结构暗示图，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、资金起头、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相关？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 )。

这张卡能发挥投资方看中了影片的社会传播和市集扩散后劲，但还不可完整恢复「为什么值得投」。

于是，SAG 会持续读取 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「主创提醒和中小本钱制作缩短投资风险」这张卡（ event ) 。

通盘这个词经过本体上是 SQL join，不是全局图推理。最终，原本漫衍在不同 chunk 里的信息被串成一条链。

2026世界杯在线买输赢平台

SAG结构暗示图，在线检索。

第二条路，是语义旅途。

SAG 也不会完全烧毁传统向量检索，它会同期用 query 的 embedding，平直去 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，和平直向量调回的 chunk 合并，变成最终给 LLM 看的凭证。

终末你获取的谜底，可能是这样：

投资东说念主之是以蓬勃投资《给阿嬷的情书》，并不是因为它一开动就具备传统交易大片的外不雅。相背，这个时势名义上有不少风险，AG真人·国际(中国)官方网站比如方言抒发、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》，本体上是在投一个文化辨识度强、本钱风险可控、心情共识有扩散后劲的电影时势。

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。

它们齐在考系统会不会「蔓引牵缠」。尤其是 MuSiQue，最多要作念 4 跳推理，基本即是 RAG 里的硬骨头。

敌手 HippoRAG 2 ，也竣工不是软柿子。

效果，在谐和树立下：

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 条效果里掷中关键凭证的才智，平直卓越了 11.1 个百分点。越早掷中，背面的 token 越省，蔓延越低，推理链也越遏抑易跑偏。

最难的 MuSiQue，也很能阐述问题。

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 扩张」越能发扬作用。

消融现实进一步相沿了升迁来自结构本人的判断。

MuSiQue测试集，三元组版 SAG 的 Recall@5 是 77.1%，超边版是 80.0%；

关闭查询时扩张后，Recall@5 从 80.0% 降到 69.4%；

用轻量 reranker 替代 Qwen3.6-Flash 作念最终选拔，Recall@5 从 80.0% 降到 62.2%。

论文还考证了 SAG 对 embedding 模子不敏锐。

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 更敏锐，从 BGE 树立下的 65.1% 到 NV-Embed-v2 下的 74.6%。

确切起作用的，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 依然在约 5 亿条数据畛域的分娩环境中部署，且数据畛域还在握续增长，在线检索蔓延保握在秒级以内。

刷新 SOTA，还能如斯畛域化落地的 RAG，估量也就 SAG 了。

SAG 能在大畛域数据下保管低蔓延，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；

怡悦儿，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 齐不错零丁处理。

每当新网页、新文档、新时势进来，无谓从头计较全局关系，平直把新增内容变成新的 event 和 entity 并入索引体系即可。

它不是一张每天齐要重修的学问图谱，更像一套能握续孕育的陈迹档案库，这使得增量处理和握续扩张，齐成了我方的上风。

虽然，许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「齐备实体合并」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，整张图齐会被收敛。别离并，旅途又会断掉。是以，必须厚爱作念实体消歧，工程量也会越来越大。

但 SAG 不错罗致一定进程的「不齐备合并」。

因为 entity 不是谜原来人，更像是「路标」；event 才是那张写剖析事情经过的卡片。

比如，团结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团结个实体。

SAG 不错先保守处理：入库前作念简便字符串归一和 SQL 查询，在团结个 source 下，要是同类型、同名字的实体依然存在，就平直复用。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 重排把运筹帷幄陈迹补总结。

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。咱们也简便问了个问题：

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效果的总结。底下是被调回的凭证卡片，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》，右侧还能看到这条效果为什么被调回，以及它对应的原始凭证。

左边复返了《亲爱的奶奶》《阿嬷的梦中情东说念主》《情书》这些效果，而是右边展示了每条效果为什么被调回。

这即是 SAG 的可回顾性。Agent 不仅仅要拿到谜底，还要知说念谜底从哪来；不仅仅要恢复面前问题，还要知说念下一步该沿着哪条陈迹持续查。

最有有趣的是 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，即是系统围绕面前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、回忆这些陈迹扩张

要是问「收购 Instagram 的公司，其独创东说念主上过哪所大学」，系统又会围绕 Instagram、Facebook、独创东说念主、大学这些实体和关系从头扩张。

也即是说，SAG 不是提前把全寰宇的关系齐算好，再等用户来查。它是在问题发生时，只激活面前问题需要的局部关系。

这恰是它能适合大畛域 RAG、并与传统 RAG、GraphRAG 拉开差距的关键。

不啻是学问，还有挂念

对 Agent 来说，确切的数据底座，其实还要能承载挂念。

除了知说念外部寰宇发生了什么，Agent 还需要知说念：用户偏好什么抒发时势，某个时势鼓动到了哪一步，上一次任务查到了什么论断，哪个旧判断自后又被新信息推翻。

这些内容要是只按平日 RAG 的时势存成文本块，系统就只可找回一段相似聊天纪录，却或然知说念哪条是历史配景，哪条是面前气象，哪条依然失效。

SAG 刚好提供了一个更当然的组织时势。

每条挂念齐不错被写成一个 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；运筹帷幄的东说念主、时势、任务、偏好，可算作 entity 聚首起来。

这样一来，Agent 的挂念就不再是一堆松散的历史对话，而是一套不错握续写入、按陈迹找回、随问题动态张开的事项档案。

虽然，论文也提到，确切面向弥远 Agent Memory，还需要进一步加入版块化和时期感知才智。但这亦然它算作 Agent 数据底座最值得期待的方位。

从这个角度看，SAG 确切指向的是一种新的数据组织范式：学问不错被握续写入，挂念不错被沿陈迹找回，气象变化也有契机被弥远跟踪。

这能够亦然下一代 Agent 数据基座确切需要补上的一课。

参考贯穿

1、开源时势地址：

https://github.com/Zleap-AI/SAG

2、论文地址：

https://arxiv.org/abs/2606.15971

3、相关医疗AI幻觉的论文：

Representation Before Retrieval: Structured Patient Artifacts Reduce Hallucination in Clinical AI SystemsAG真人首页App下载

• 还在
• AG真人首页App下载
• 5亿
• SOTA
• RAG