RAG这次真死了！SAG2才是本地知识库的神，又快又准又便宜～
袋鼠帝AI客栈 · 人工智能
原创 袋鼠帝 2026-11-06 11:02 云南 SAG Wiki 打破知识库的不可能三角，下一代AI知识库来了！ 大家好，我是一直在跟知识库打交道的袋鼠帝。 在 AI 圈，每天都有新东西冒出来，但 已经好久没有一个东西，能让我看完浑身起鸡皮疙瘩了。 最近开源的 SAG2 ，真就做到了。或许它将彻底颠覆RAG，因为你都不用预处理文件，它直接就能把你的本地文件当成知识库，而且速度极快，准确度贼高，关键都不需要embedding... https://github.com/Zleap-AI/SAG-Wiki 当然SAG2是理论，而已经实现的可用的工具是SAG Wiki（待会儿会讲到） 这么🐂🍺的开源项目， 我必须得提一下作者：广州智跃深空（Zleap） ， SAG到SAG2都是完全由他们自研 ，非常厉害的一个团队。 老粉应该记得，6 月我写过一篇SAG第一版的文章。 那会儿 SAG 刚开源，我被它用 SQL 现场串多跳线索的思路吸引了，还建议大家可以把它当 MCP 接进 FastGPT。 但用过的朋友也知道，一代在落地时依然要调大模型逐段提取事项和实体，建库耗时还是比较长，很多人觉得在工程上还是有点折腾。 结果才过了 4 个多月，他们自己把这些全砍了。 现在SAG2建库不调大模型，不做 Embedding，不要向量数据库，也不要 GPU。同样是 11,656 段文本，SAG 一代建库要 4.57 小时，SAG2 只要 2.36 秒。速度直接提升7000倍！ 效果呢？还变得更好了。三个多跳检索测试集，8 项指标全部第一。 卧槽。。 知识库一直有个不可能三角，又轻、又便宜、又准 ，以前最多只能满足两个。这下SAG2直接给它打破了！ 我为什么这么兴奋～ 可能是因为，我从24年初裸辞 All in AI 开始，就一直在跟知识库打交道。也写过很多关于知识库的文章。 24 年初，我裸辞后的第一桶金，就是帮一个老板部署 FastGPT、搭知识库、调优效果。后来又陆陆续续接了不少类似的单子。 搭一个知识库其实不难，难的是后面的维护和调优。 分块也是个问题，张三负责 A 项目和 500 万预算被切成两段，线索就断了。score 调低了噪音多，调高了又容易漏东西，经常是按下葫芦浮起瓢。我有个好朋友的公司，组了六个人的团队，花了整整半年，才把回复准确率调到一个相对满意的状态。 更烦的是维护。文件一改，就得重新上传、重新切块、重新向量化一遍。 预处理、调优、维护，这几个坑我基本都踩过。所以看到 SAG2 的思路，我是真滴有点激动。 先带大家简单捋一下知识库这几年是怎么走过来的吧，不然很难说清 SAG2 到底新在哪、好在哪。 RAG 这个词其实 2020 年就有了，出自 Facebook（现在的 Meta）的一篇论文。 真正火起来是 23 年 ChatGPT 之后： 大模型不知道你公司的事，那就先把资料切成小块、转成向量存起来，提问时找最像的几块丢给它。FastGPT、Dify 这类平台，把这套流程做成了UI界面点点点的操作。 再往后，大家发现光靠向量不够， 全文检索+向量检索+重排序 的混合检索就成了标配。到今天，它依然是最成熟的工业方案，日常的单文档问答完全够用。 它的短板是多跳。还是上次那个例子： 文档1：A公司全资收购了B公司。 文档2：张三被任命为A公司的CTO。 文档3：张三离职，加入了盘古大模型项目。 问：收购了B公司的企业，其CTO后来加入了哪个项目？ 文档3里，收购、B公司、CTO 一个词都没有，线索到这就断了。 于是有了知识图谱： 24 年微软开源了 GraphRAG，后来又有 LightRAG、HippoRAG 2 这些。入库前，先让大模型把人名、公司、事件之间的关系全抽出来，画成一张大图。多跳确实强了，代价就是贵和重：索引阶段要大量调用大模型，新文件进来，关系可能还得重算。 今年 4 月， 卡帕西分享了 LLM Wiki 的思路： 让大模型把原始资料读一遍，编译成一套 wiki 页面，再对 wiki 做问答，产出的结果再回填进去。我写仓颉.Skill 的时候还专门借鉴过它。这套方式对个人知识整理很友好，页面读起来也舒服。但资料一多，大模型逐篇读、逐篇写的时间和 Token 就上去了，原文一改，对应的页面还是得重写。 还有 Google 的 NotebookLM 。年初那篇工具推荐里我还推荐过它，资料往里一扔就能问答、出摘要、生成播客，啃大部头简直是神器。不过资料得传到云端，每个笔记本能放的来源有上限，想让本地 Agent 直接调用也不太方便。 你会发现一个规律：每往前走一步，基本都是在入库时多花一点钱、多调一点模型，换检索的准确度。 SAG 一代也是类似的，只是比 GraphRAG 更轻了： 不画全局大图，只提炼事项和实体，查询