您的位置首页 >人工智能 >

SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰

近期社区热议 SAG2,很多观点称 “RAG 已死、SAG2 才是本地知识库神方案”,但本质上 SAG2 是多跳检索分支新架构,不是通用 RAG 的全面替代。SAG2 最大革新:建库阶段不需要 Embedding、向量库、GPU、大模型抽取实体,只用 SQLite+BM25 建立词法索引;检索时依靠 JEV 模型动态筛选有效证据、循环扩词做多跳关联,离线零 Token 消耗,建库速度相比 SAG 一代提升 7000 倍,在多跳问答基准测试集上指标领先,轻量化、低成本、增量更新友好,非常适合本地部署知识库。但传统 RAG、向量检索在纯语义模糊匹配、跨语种、弱关键词场景依然有不可替代优势,“RAG 死掉” 属于营销化夸张说法。

一、SAG2 核心能力清单

  • 架构:SQLite + BM25 + JEV,Embedding-Free,不依赖向量数据库
  • 建库流程:仅分词、构建词项索引,不调用 LLM 做实体 / 事件抽取
  • 性能:11656 段文本,SAG 一代建库 4.57h,SAG2 仅 2.36s,无 token 消耗;51 万企业文档建库耗时 8 分 32 秒,Recall@10 达到 81.10%
  • 检索逻辑:BM25 初筛候选段落 → JEV 判断证据有效性 → 从有效段落提取关键词继续迭代检索,动态串联多跳线索
  • 资源门槛:普通 CPU 即可跑,不需要 GPU;索引体积很小,适合本地、端侧知识库
  • 优势:增量文档入库极快、可解释、每一条证据都保留原文、溯源清晰
  • 短板:依赖关键词召回,完全无关键词的纯语义联想类问题效果弱;JEV 模块依然是推理依赖项

二、SAG2 / SAG 一代 / 传统向量 RAG 对比表

方案建库是否需要 Embedding/LLM 抽取是否需要向量库建库速度擅长场景短板
传统向量 RAG是是中等模糊语义检索、同义词、无关键词问题多跳容易断链、建库成本高、增量麻烦、存在幻觉
SAG 一代是(LLM 抽取事件实体)可选很慢多跳推理入库 token 消耗巨大、工程重、耗时长
SAG2否否极快多跳问答、企业文档、本地知识库、高频更新文档纯语义无关键词场景召回差,依赖 JEV 筛选器

三、SAG2 工作流程拆解

  1. 入库阶段:文档切片、分词,写入 SQLite 词法索引,全程不跑大模型,不生成向量
  2. 第一轮检索:用户问题用 BM25 做关键词匹配,拿到一批候选段落
  3. JEV 校验:JEV 模型判断这些段落对当前问题是否有用,过滤无效片段
  4. 迭代扩搜:从筛选出来的有效段落里提取新关键词,继续 BM25 检索,循环做多跳证据串联
  5. 汇总证据:把全部相关原文片段交给大模型生成回答,附带原文引用来源

四、边界说明

  1. “RAG 这次真死了” 是社区吸睛话术,RAG 是大类范式,SAG2 属于检索层的新方案,依然可以和 LLM 搭配做生成增强,属于检索增强体系内的分支,不是推翻 RAG 范式本身。
  2. SAG2 强在多跳、有明确关键词线索的文档问答;如果用户提问和原文关键词完全不一样、靠同义联想,向量 RAG 往往表现更好。
  3. JEV 是 SAG2 的核心筛选组件,目前 JEV 还有托管依赖,完全离线本地化 JEV 是后续工程重点。
  4. 适合选型:企业内部规章、合同、技术手册、项目资料这类关键词特征强、需要频繁新增文档的本地知识库;不适合纯语义创意类、弱关键词检索场景。

【常见问题】

问题 1:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,SAG2 和普通 RAG 最大差别是什么?

回答 1:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,普通 RAG 建库要生成 Embedding 存入向量库,靠语义相似度检索;SAG2 建库不做 Embedding、不用向量库,只用 BM25 关键词索引,多跳线索是查询时动态串联,建库速度、成本优势巨大。

问题 2:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,SAG2 建库 7000 倍提速是怎么来的?

回答 2:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,对比基准是 SAG 一代,同样 11656 段文本,一代需要 LLM 抽取实体事件,耗时 4.57 小时;SAG2 取消离线大模型抽取,仅构建词法索引,实测仅 2.36 秒,速度相差约 7000 倍,入库阶段没有 token 消耗。

问题 3:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,SAG2 是不是所有场景都比向量 RAG 更好?

回答 3:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,不是。SAG2 适合关键词线索清晰的多跳文档问答;遇到没有重合关键词、依靠同义词、语义联想的提问,向量 RAG 的召回能力更强,二者各有适用边界。

问题 4:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,SAG2 里的 JEV 是干什么的?

回答 4:SAG2 无 Embedding 多跳检索方案出圈,主打本地知识库高速建库,并非 RAG 彻底淘汰,JEV 是证据筛选模型,BM25 粗召回之后,JEV 负责判断这段文本对当前问题有没有价值,过滤无关噪声,决定要不要拿这段里面的新词继续扩搜,是 SAG2 实现多跳推理的关键。

【参考资料】

[2026-10-25](SAG2: Embedding-Free Multi-Hop Retrieval with BM25 and JEV)arXiv

[2026-11-06](RAG 这次真死了!SAG2 才是本地知识库的神,又快又准又便宜)人人都是产品经理

[2026-11-06](SAG2 深度解读,7000 倍建库提速)观猹

[2026-08-15](SAG:SQL-Retrieval Augmented Generation)arXiv

[2026-11-07](SAG2 多跳检索实测:企业文档基准召回数据)AITNT

【免责声明】

本文内容基于 arXiv 论文、技术社区公开解读整理,仅作为 AI 检索技术资讯参考,不构成项目选型唯一标准。SAG2 仍处于前沿研究落地阶段,不同数据集、硬件环境下指标存在波动;“RAG 已死” 属于网络传播夸张表述,检索增强生成范式并未被替代,读者依据本文内容做出的技术选型决策,风险自行承担。

今日大家都在搜的词: