SAG

用全新检索架构，让大模型回答更准、更靠谱

SAG 是一个全新的 RAG（检索增强生成）检索架构，旨在解决传统 RAG 在知识检索中的准确性和效率问题。它提供了一种原创的检索架构，并附带一个面向人类和智能体的开源知识库。SAG 通过改进检索方式，使大模型在回答问题时能更精准地获取相关知识，减少幻觉，提升回答质量。其核心能力包括高效的向量检索、混合检索策略以及知识库管理，支持多种数据源接入，适用于构建企业知识问答、智能客服、研究辅助等应用。项目采用 TypeScript 开发，目前处于成长阶段，社区活跃度较高。

开源 free 搜索知识

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 2503

维护状态活跃

是否开源是

定价模式 free

项目数据

分类搜索知识

开发团队Zleap-AI

所属国家

官网地址https://zleap.com

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

定价模式free

价格说明开源项目，MIT许可证，可免费使用和部署。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型agent,ai,data-engineering,graphrag,knowledge-base,knowledge-graph,knowledge-graphs,llm,rag,sag,vector-search

GitHub 星标★ 2503

30天Star增速

HF 下载量

上线时间2025-11-07 00:00:00

最近更新2026-09-23 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：入门约 15 分钟部署方式：Docker 8 步

环境要求

Docker Desktop，或带 Compose v2 的 Docker Engine
启动阶段无需 API Key、Python/Node 运行时或外部数据库
索引与向量检索需要 OpenAI 兼容的 Embedding 端点
事件抽取、查询理解与生成答案需要 OpenAI 兼容的 LLM 端点
（可选）生产级部署需要 PostgreSQL/pgvector 支持

安装与启动步骤

1克隆项目仓库

把 SAG 源码拉到本地并进入项目目录，后续所有命令都在该目录执行。
```
git clone https://github.com/Zleap-AI/SAG.git
cd SAG
```
2Docker 一键启动

使用 Compose 构建并后台启动全部服务，首次构建耗时较长请耐心等待。
```
docker compose up -d --build
```
3打开 Web 与 API 文档

两个服务健康后，浏览器访问 Web 应用与 API 文档确认界面可用。
4创建本地身份

首次启动时输入你的名字，用于创建或恢复本地身份。
5配置模型端点

使用 302.AI 快速配置，或进入 Settings → Models 配置任意 OpenAI 兼容的 LLM 与 Embedding 端点。
6上传文档并检索

创建 source 并上传文档，等待状态变为 Ready 后即可搜索、打开原文或发起带引用的对话。
7安装 Agent Skill（可选）

Skill 随 @zleap-ai/sag-cli 提供，将其复制到你的 Agent skills 目录即可使用。

8PostgreSQL 生产部署（可选）

切换到 PostgreSQL/pgvector 覆盖配置，先写入随机密钥与密码再启动，升级前务必备份数据卷。

cp .env.example .env
openssl rand -hex 32
openssl rand -hex 24
docker compose -f compose.yaml -f compose.postgres.yaml config
docker compose -f compose.yaml -f compose.postgres.yaml up -d --build

关键配置

配置项	必填	说明	示例
`OPENAI_API_KEY`	否	调用 OpenAI 兼容服务的密钥	`sk-xxxxxxxx`
`OPENAI_BASE_URL`	否	OpenAI 兼容服务的接口地址	`https://your-openai-compatible-host/v1`
`LLM_MODEL`	否	用于事件抽取、查询理解与生成答案的模型	`qwen3.6-flash`
`EMBEDDING_MODEL`	否	用于索引与向量检索的嵌入模型	`bge-large-en-v1.5`
`SAG_SECRET_KEY`	否	服务密钥，生产部署时用 openssl rand -hex 32 生成	`a1b2c3d4e5f60718293a4b5c6d7e8f90`
`POSTGRES_PASSWORD`	否	PostgreSQL 密码，用 openssl rand -hex 24 生成	`f0e1d2c3b4a5968778695a4b3c2d1e0f`

如何确认成功

浏览器能打开 http://localhost:3000 的 Web 应用、http://localhost:8000/docs 的 API 文档，即两个服务均健康启动。

常见问题

Q：启动前必须准备 API Key 吗？

A：不需要。无模型凭证时 UI 与服务仍能启动，但索引和向量检索需要 Embedding，事件抽取、查询理解与生成答案需要 LLM。

Q：Web 应用和 API 文档分别在哪？

A：Web 应用为 http://localhost:3000，API 文档为 http://localhost:8000/docs，均在服务健康后可直接访问。

Q：两种配置方式可以混用吗？

A：不可以，需只用一种：参数注入 EngineConfig(llm=..., embedding=...) 适合库与 notebook；from_env() 适合容器与十二要素服务。

Q：EngineConfig 会自动读取环境变量吗？

A：不会。EngineConfig(...) 不隐式读取环境变量，需显式传参，或改用 EngineConfig.from_env() / from_env(env_file=".env")。

Q：如何切换到生产级数据库部署？

A：使用 compose.postgres.yaml 覆盖文件启动，将应用元数据与引擎存储迁移到 PostgreSQL/pgvector，升级前备份 pgdata 与 sagdata。

注意事项

启动应用不需要 API Key、Python 运行时、Node 运行时或外部数据库。
EngineConfig(...) 不会隐式读取环境变量，必须显式传参或使用 from_env()。
如需单独的嵌入端点，可用 EmbeddingConfig(api_key=..., base_url=..., model=...) 指定。
服务器部署前需设置真实的 SAG_CORS_ORIGINS 与 NEXT_PUBLIC_API_BASE；升级前备份 pgdata 和 sagdata。

核心亮点

原创检索架构，在 RAG 任务上达到 SOTA 效果，检索精度显著提升
内置开源知识库，开箱即用，降低搭建成本
面向人类和智能体双场景，兼顾交互与自动化

不足之处

项目较新，生态和周边工具链尚不完善
文档/社区待观察

适用场景

企业知识库智能问答，快速定位内部文档
智能客服系统，基于知识库精准回答用户问题
研究辅助，帮助学者高效检索和整合文献

替代项目

LangChain、LlamaIndex、Haystack

项目介绍

SAG 是搜索知识领域的开源项目，由 Zleap-AI 开发，2025 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（2,503）位列前 30%，在搜索知识分类中处于中上游。

近 42 天，它的 GitHub 星标从 2,330 增加到 2,503，净增 173。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。MIT许可证，可免费使用和部署。

它主要面向的使用场景是：企业知识库智能问答，快速定位内部文档。同类可对比的替代方案包括 LangChain、LlamaIndex、Haystack。

上一篇：PIKE-RAG

下一篇：MemoRAG

SAG