RAG这次真死了！SAG2才是本地知识库的神，又快又准又便宜～

在AI圈，开源项目SAG2引发关注。该项目由广州智跃深空（Zleap）团队自研，从SAG到SAG2均为完全自主研发。SAG2的核心突破在于：建库阶段不调用大模型、不做Embedding、不需要向量数据库、也不需要GPU，直接对原文建关键词索引并用BM25打分。同样是11,656段文本，SAG一代建库需4.57小时、消耗2,826万tokens，而SAG2在一台M4 Pro、64GB内存的Mac上从空数据库连续重建三次，中间值仅2.36秒，且无token消耗，建库耗时相差约7000倍。

语义理解由JEV模型承担。JEV是前OpenAI研究员Diogo Almeida于9月发布的模型，只对问题和候选内容返回判断与打分，速度快、成本低。SAG2的分工是：BM25先粗筛候选，JEV判断哪些是有用证据；算法从有用段落中挑出关键词继续搜索，JEV再结合已找到的证据判断新内容。与SAG一代靠大模型预先抽取事项和实体不同，SAG2的关键词与段落联系直接来自原文，无需预处理。

效果方面，三个多跳检索测试集8项指标全部第一。MuSiQue上Recall@5为80.68%，比HippoRAG 2高15.55个百分点。在包含51万份模拟企业邮件、工单、会议记录的EnterpriseRAG-Bench上，LightRAG、MS-GraphRAG、HippoRAG 2等图谱方案均未跑完全量，SAG2全部跑完，建库8分32秒，文档Recall@10达81.10%。

基于SAG2，团队还开源了桌面端SAG Wiki，Windows版约13MB、macOS版约18MB，添加本地文件夹即成为知识库，文件无需移动，修改后自动增量更新，支持多种格式甚至音频、视频。配置只需两步：设置问答模型（负责生成回答，可自选如DeepSeek）和决策模型（负责找线索，官方固定使用JEV模型，填入对应Key即可）。实测中，将383篇历史公众号文章放入后，提问“蒸馏公众号文章时处理了多少篇、多少字”，系统搜索两次后准确给出“138篇、79万字”；多跳检索类问题也能从不同文章中挑出案例并整理成表。此外，在索引10万篇维基词条等共100,461个文件后，建库在短时间内完成。