语言：简体中文 | English
本项目是基于 SAG 制作的开箱即用的文档检索工作台：上传 Markdown / TXT 文档后，系统会自动完成切片、向量化、事项提取、实体提取和关系整理。你可以像使用 ChatGPT 一样围绕项目资料连续提问，也可以查看每个文档的切片、事项、实体、Embedding、搜索过程、原始模型日志和知识图谱。
论文复现代码：Zleap-AI/SAG-Benchmark
SAG 是面向 Agent 的新一代 RAG 技术路线。它不靠给模型塞更多 chunk，而是用更轻量的结构重新组织文档知识：
chunk -> event
chunk -> entities
event <-> entities
每个 chunk 提取一个完整事项 event 和多个 entities。event 保留完整语义，entities 负责索引和关系扩展，让检索可以从命中事项出发继续多跳召回，同时避免重型知识图谱的全局重建成本。
在 HotpotQA / 2WikiMultiHop / MuSiQue 上，使用相同配置：
Embedding = bge-large-en-v1.5
LLM = qwen3.6-flash
Datasets = HotpotQA / 2WikiMultiHop / MuSiQue
SAG 对比 HippoRAG 2 在多跳问答召回上取得了明显提升：平均 Recall@2 从 68.14% 提升到 79.30%，提升 11.16 个百分点，相对提升约 16.4%。Recall@2 更高意味着 Agent 可以用更少上下文更早命中关键证据，减少 token 成本、延迟和多轮任务里的干扰。
在 MuSiQue Recall@5 上，SAG 从 HippoRAG 2 的 65.13% 提升到 80.04%；换用 NV-Embed-v2 后进一步达到 81.71%，说明收益主要来自结构设计，而不只是更强的 embedding 模型。
这个项目把 SAG 技术做成了一个可以直接运行的本地工作台，适合：
- 项目文档问答
- 个人知识库检索
- RAG / Agent 原型验证
- 文档事项和实体分析
- MCP 工具接入测试
- 检索链路调试和模型调用观察
核心功能：
- 项目管理：每个项目拥有自己的文档、对话、图谱和 MCP 配置。
- 多文档上传：支持一次上传多个 Markdown / TXT 文档，展示处理阶段和进度。
- 文档处理结果：查看切片、事项、实体、Embedding 数据，支持标题关键字搜索和分页浏览。
- 对话式检索：围绕当前项目资料多轮提问，支持流式输出和停止生成。
- 引用原文：回答里可以显示引用序号，点击查看对应原文块。
- 搜索过程可视化：右侧面板实时展示 SAG 内部检索链路和耗时。
- 原始日志：浏览器缓存中可查看 LLM / Embedding / Rerank 原始请求和返回。
- 知识图谱：以实体和事项为节点查看项目关系，可拖动、缩放、展开和查看详情。
- MCP 接入：每个项目都有自己的 MCP 配置，外部 Agent 可直接调用当前项目资料。
SAG 使用 TypeScript 贯穿前后端。前端是 React + Vite + Tailwind CSS 的 WebUI；后端是 Fastify HTTP API、MCP TypeScript SDK 和分层服务模块；数据层使用 PostgreSQL、pgvector、全文检索和 SQL 多跳查询；模型侧兼容 OpenAI-compatible 的 LLM、Embedding 和 Rerank 接口。
在「文档」页可以上传文档，查看处理状态、切片、事项、实体和 Embedding。
在「图谱」页可以查看项目内实体和事项关系。节点可以拖动、缩放，点击展开，双击打开详情。
在「对话」页可以围绕当前项目资料连续提问。每次检索都会刷新右侧搜索过程，方便调试本轮调用链路。
SAG 提供两种模式：
- 极速模式：直接用 query 在实体库做全文 / BM25 匹配，结合 SAG 多跳扩展，最后用
qwen3-rerank选择 top-k。这个模式不需要 LLM 抽 query 实体，也不需要 LLM 过滤候选，速度更快。 - 标准模式：用 LLM 抽取 query 实体，再走 SAG 多路召回和 LLM 精排，适合对比更高精度链路。
两种模式都不是普通向量搜索，因为它们都使用 SAG 的 event/entity 索引和 SQL 多跳扩展。
你需要：
- Node.js 20 或更高版本
- npm
- PostgreSQL
- pgvector
如果你只是想最快跑起来，推荐用 Docker 启动 PostgreSQL。
git clone https://github.com/Zleap-AI/SAG.git
cd SAGcp .env.example .env.env.example 已经包含默认配置。真实使用时，请填入自己的 LLM 和 Embedding API Key。
使用 Docker：
docker compose up -d不想用 Docker，也可以在 macOS 上用 Homebrew：
brew install postgresql@17 pgvector
brew services start postgresql@17
/opt/homebrew/opt/postgresql@17/bin/createdb sag_lite
/opt/homebrew/opt/postgresql@17/bin/psql -d sag_lite -c 'create extension if not exists vector;'如果你使用本机 PostgreSQL，请把 .env 里的 DATABASE_URL 改成自己的连接地址，例如：
DATABASE_URL=postgres://你的用户名@localhost:5432/sag_litenpm install
npm run db:setupnpm run dev开发模式默认地址：
WebUI: http://localhost:5173
API: http://localhost:4173
npm run build
npm start生产模式默认地址：
http://localhost:4173
- 打开 WebUI。
- 在左侧项目列表顶部点击「新建项目」。
- 进入「文档」页，点击「添加文档」。
- 上传
.md或.txt文件。 - 等待处理队列完成。
- 查看切片、事项、实体和 Embedding 状态。
- 回到「对话」页，围绕当前项目资料提问。
- 需要调试时，查看右侧「搜索过程」和「原始日志」。
- 需要看关系时，进入「图谱」页。
- 需要给外部 Agent 使用时，进入「MCP」页复制当前项目的配置。
SAG 支持 OpenAI-compatible 接口。默认示例：
EMBEDDING_BASE_URL=https://api.302ai.cn/v1
EMBEDDING_MODEL=text-embedding-3-large
EMBEDDING_DIMENSIONS=1024
LLM_BASE_URL=https://api.302ai.cn/v1
LLM_MODEL=qwen3.6-flash
RERANK_MODEL=qwen3-rerank
DEFAULT_SEARCH_MODE=fast你可以通过两种方式配置：
点击左侧顶部的设置图标，进入全局设置页，填写 provider、模型名和 API Key。
API Key 只会显示“已配置 / 未配置”，不会在界面和接口响应里明文回显。
EMBEDDING_API_KEY=你的_embedding_key
LLM_API_KEY=你的_llm_key如果没有配置 API Key，系统会使用本地 deterministic fallback，方便跑测试和看界面；真实检索效果请配置远程模型。
SAG 可以作为 MCP Server 提供给外部 Agent 使用。每个项目的 MCP 都会绑定当前项目 ID，工具调用时不需要再传 projectId。
在 WebUI 里进入「MCP」页，可以看到当前项目自动生成的 mcpServers JSON。格式类似：
{
"mcpServers": {
"sag": {
"command": "npm",
"args": ["run", "mcp"],
"env": {
"SAG_MCP_SOURCE_ID": "当前项目ID"
}
}
}
}当前提供的 MCP 工具：
sag_ingest_document：导入文档并执行切片、事项抽取、实体抽取和向量化。sag_search：对当前项目执行 SAG 多路检索，并返回内部检索 trace。sag_explain_search：返回当前项目的检索链路说明和 trace。sag_get_event：按事件 ID 查询事件详情。
健康检查：
curl http://localhost:4173/health创建项目：
curl -X POST http://localhost:4173/api/projects \
-H 'Content-Type: application/json' \
-d '{"name":"Demo 项目"}'写入文档：
curl -X POST http://localhost:4173/ingest \
-H 'Content-Type: application/json' \
-d '{"sourceId":"项目ID","title":"Demo","content":"# Demo\n\nSAG 可以检索项目文档。","extract":true}'执行检索：
curl -X POST http://localhost:4173/api/search \
-H 'Content-Type: application/json' \
-d '{"query":"SAG 为什么适合多跳检索？","sourceIds":["项目ID"],"strategy":"multi","searchMode":"fast","topK":5,"returnTrace":true}'流式检索过程：
curl -N -X POST http://localhost:4173/api/search/stream \
-H 'Content-Type: application/json' \
-d '{"query":"解释 SAG 的 event/entity 索引","sourceIds":["项目ID"],"strategy":"multi","returnTrace":true}'# 类型检查
npm run typecheck
# 运行测试
npm test
# 构建生产版本
npm run build
# 启动生产服务
npm start
# 启动 MCP stdio server
npm run mcpsrc/
ai/ LLM、Embedding、Rerank 客户端
api/ HTTP API
config/ 环境配置
db/ 数据库连接、迁移、Repository、向量工具
ingestion/ 文档切片和事项提取
mcp/ MCP Server
observability/ 日志和模型调用记录
services/ 文档处理、搜索、图谱、WebUI 服务
web/
src/ React WebUI
migrations/ PostgreSQL schema
test/ 单元测试
docs/assets/ README 截图和图示资源
先确认数据库已经启动：
docker compose ps再确认 .env 里的 DATABASE_URL 是否正确。
请确认数据库安装了 pgvector，并执行过：
create extension if not exists vector;如果使用 docker compose up -d，镜像已经包含 pgvector。
如果没有配置 LLM_API_KEY 和 EMBEDDING_API_KEY，系统会进入本地 fallback 模式。这个模式适合测试，不适合判断真实检索质量。
文档处理会调用 Embedding 和 LLM。速度主要取决于文档数量、切片数量、模型接口速度和并发配置。可以通过 .env 调整：
INGEST_CONCURRENCY=5开发模式可以调整 .env：
HTTP_PORT=4173Vite WebUI 默认会使用 5173，如果端口被占用会自动提示新的地址。
MIT License. See LICENSE.