Zleap技术解密：后RAG时代已来，SAG重新定义AI搜索

大家好，我是Jomy，是智跃Zleap的CEO，也是Zleap产品和技术的主要设计者。此前在报道中，我曾粗略介绍过Zleap产品背后的技术：一个能帮助CEO自动整理、总结海量企业内部信息的智能Agent。今天，我要正式为大家介绍驱动这个Agent的底层技术：SAG。

这个产品发布后获得了不少关注。但最近，在与多位朋友、客户和投资人交流的过程中，我有了新的认知：SAG的潜力远不止服务于管理者的Agent一体机，它可以成为企业、个人乃至整个Agent领域的底层技术支撑，推动AI行业向前迈进一小步。

所以我今天就和大家详细讲解一下，SAG背后的技术原理和应用方向。

SQL驱动

SAG的全称是SQL-Retrieval Augmented Generation，即检索部分主要由SQL驱动。

传统RAG是向量驱动的：将问题转化为向量，在原文的向量空间中模糊匹配语义，找到相似度较高的分块，最后传给LLM回答。这个方案高效，但缺点明显——过于依赖原文相似度，无法进行深度检索。

后来出现了GraphRAG，基于知识图谱的检索。其原理是先用LLM分析原文，生成实体和关系，再进行检索。本质上是让LLM对原文进行深度分析和提取，创造了一个中间层，通过知识图谱将问题和答案关联起来。这个方法效果不错，但缺点也很明显：速度慢、成本高，且增量数据需要重新生成图谱。

我们的SAG在传统RAG和GraphRAG的基础上更进一步。它结合了SQL的精准检索和向量的模糊匹配能力，在检索过程中实时构建数据关系，打破了RAG领域的"不可能三角"——同时实现快、准、全。

自然语言向量

SAG的一个重要环节是最初的数据处理。与GraphRAG类似，SAG也会创建一个中间层，我称之为"事件"。其核心是将繁杂的信息提炼为一个个原子化的事件，类似人脑将一个复杂的事拆解成多个简单的事。但与GraphRAG不同的是，SAG不会在数据处理时就生成事件之间的关联，而是在查询时实时计算事件关系，从而解决了增量数据更新的问题。

那么如何将不同事件关联起来，正是SAG的核心所在。背后的奥秘是：在数据处理阶段，SAG不仅只是提取事件，还会为每个事件提取多维度的属性，我称之为"自然语言向量"。

类似于向量用不同的数字在不同维度表达语义，自然语言向量则用不同的属性作为维度，属性的值对应维度的值。不同的事件，维度是相同的，例如时间、地点、行为、人物等。这个过程本质是让LLM把事件中的关键Token进行了结构化+泛化处理。总之，每个事件都可以用一个自然语言向量来表达其大部分语义。

提取事件和属性这件事只需要很小的模型就能完成，大大降低了算力的成本。而且在SAG中，维度是可以自己定义的，不同的行业根据自己数据类型的不同，可以增加一些专有的维度。

六度分隔理论

那么为什么自然语言向量可以在查询时实时构建不同事件的关系？这个灵感我是来自社会工程学中的"六度分隔理论"。

六度分隔理论简单来说就是：你和任何陌生人之间相隔不超过六个人。比如A认识B，B认识C，A和C可能没有任何交集，但因为A和B有交集，B和C有交集，A就和C产生了联系。

类比到SAG中，人就像事件，交集就像相同的属性。所以理论上，任何事件之间都可以通过中间事件的共同属性产生联系。

而事件和属性在数据处理时就已提取完成，查询时只需在SQL中检索，无需LLM参与，因此实时构建数据关系的计算是极其快速的。

驯化不确定性

大家都知道，SQL是精准匹配，如何应对用户千奇百怪的提问呢？比如当你检索"苹果公司"时，是无法通过SQL关联到"Apple Inc"。为了解决这个问题，我就利用了向量的语义匹配能力。

SAG会将所有属性同时存入向量数据库和SQL数据库。当你搜索"苹果公司"时，向量可以语义匹配到"Apple Inc"，甚至可以匹配到“iPhone”。此时再拿着"苹果公司"、"Apple Inc"和“iPhone”去SQL中查询，就不会有遗漏了。

传统基于向量的检索非常擅长进行语义的模糊匹配，但又有很大的不确定性。SAG恰恰利用这一点，结合了向量和SQL的优势——以SQL为主，驯化了向量的不确定性，做到了鱼和熊掌兼得。

当驯化了不确定性，SQL的优势就凸显出来了。例如我们可以针对某几个属性精准和完整的检索，甚至可以直接对某个属性的事件进行统计。由于SAG的SQL表结构相当简单，LLM的Text-to-SQL能力完全能够胜任。

累积效应

SAG让每一次检索都更精准，这也带来了显著的累积效应。以往大家觉得RAG的多跳效果一般，本质上是因为"Garbage In, Garbage Out"——首次检索质量不高，再多轮也起不了太大作用。而SAG显著提升了每一次原子检索的质量，为LLM提供了更多关联事件，多轮推理的效果也会有质的飞跃。

企业的应用

SAG的本质是利用AI将非结构化数据转化为结构化数据，这在企业场景中蕴含着巨大的应用潜力。

首先，作为企业智能决策助手。

就像我们的首款产品Zleap-D1 Agent一体机，SAG能够唤醒企业沉睡的历史数据，实时连接最新业务数据，通过报告、搜索、问答等应用形态，为管理者提供决策辅助和全新的商业洞察。

其次，作为通用数据处理引擎。

SAG可以作为独立的数据处理器，重构企业现有的所有数据。无论是电商推荐、金融风控，还是广告投放，都能从中获益——用更智能的数据显著提升原有算法的效果。

最后，作为低成本的AI转型方案。

SAG能够帮助传统企业跨越信息化阶段，直接迈入AI化时代。SAG通过AI将繁杂的非结构化信息转化为统一的数据格式，为更深层的应用场景奠定了坚实的数据基础，有望加速整个toB应用生态的发展。而且SAG的数据处理是异步进行的，不仅可以使用小模型，还可以利用起夜间的闲置算力，让企业以更低的门槛处理海量历史数据，真正迈入AI时代。

个人的应用

SAG在个人应用方向同样前景广阔。

首先，作为个人知识库的底座。SAG可以让你的笔记、文档、收藏真正变成可检索、可关联的知识体系，而不只是一堆躺在文件夹里的信息。

其次，作为个人AI的记忆中枢。让AI更好的记住你的偏好、习惯、历史对话，真正成为懂你的智能助手。

更重要的是，SAG足够轻量。由于对算力需求极低，经过精简的系统甚至可以完全离线运行在手机上，效果依然出色——你的数据永远在你自己手里。

Agent的应用

对于Agent来说，上下文工程已经成为Agent开发的核心共识，但现有的上下文检索往往过于粗暴。比如Claude Code的grep搜索，只能做正则匹配，缺乏深层次的结构化理解。

而SAG可以成为未来Agent的记忆与数据基座，快速为Agent提供更精准、更优质的上下文。就像前面提到的累积效应——在更好的上下文加持下，原本需要10步才能完成的任务，可能3步就能搞定，大幅提升Agent的运行效率和成功率。

开源

总的来说，SAG是新一代的RAG技术，融合SQL与向量的优势，实现了快速、准确、全面的AI检索，为企业、个人和Agent领域提供了更强大的数据基座。

为了可以让所有企业都可以使用到SAG技术，也希望为行业发展贡献一份力量，我们决定将这个技术开源：

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

本次由于篇幅问题，其实有的非常多的细节并没有讲，比如事件和属性通过具体什么算法进行动态关联，又比如多轮召回时的动态剪枝策略等等，关于更具体的算法和原理，请查看我们的开源代码。也欢迎有兴趣的企业和高校与我们合作探索。

总结

我们认为，SAG的价值远不止于替代RAG——它更大的意义在于，能以极高效率将各种信息转化为统一的多维知识图谱。

设想这样一个未来：SAG通过一个简洁优雅的数据格式，打通所有信息源，让数据不再是孤岛，而是可以互相连接甚至交易的资产。

而这些海量的结构化数据，又可以被AI充分检索和利用，推动整个社会生产效率的跃升。这就是我们智跃Zleap的愿景：

让所有信息产生连接，让所有数据成为资产。

为了大家更方便地体验这个技术的能力，我们也为普通用户做了一个产品，可以将公共信息和私人信息聚合在一起，定时生成报告，或进行问答和搜索。

由于产品仍处于Beta阶段，我们实施了邀请码机制。

邀请码将通过智跃公众号定期发布，感谢您的关注。

Web：https://app.zleap.com.cn

APP：iOS App Store搜索Zleap

（文中所有图片均由AI生成，如有错漏请多包涵）

文章来自于微信公众号 “智跃Zleap”，作者 “智跃Zleap”