SQL驱动的RAG引擎 · 查询时自动构建知识图谱

The SQL-Driven Smart Auto Graph Engine

zread Python FastAPI Next.js License PRs Welcome

by Zleap.AI · Open Source · Production Ready

English | 中文

🌟 SAG 是什么?

核心能力

适合谁?

💡 应用场景

与传统方案对比

🎯 核心特性

1. 系统架构一览

┌─────────────────────────────────────────────┐
│ Data Processing 数据处理 │
│ LOAD ─→ EXTRACT ─→ INDEX │
│ 加载 事件提取 索引(向量+SQL)│
└────────────────────┬───────────────────────┘
 │
 ▼
┌─────────────────────────────────────────────┐
│ Storage 存储层 │
│ • MySQL: 事件 / 实体 / 事件-实体关系 │
│ • Elasticsearch / VecDB: 向量检索 │
└────────────────────┬───────────────────────┘
 │
 ▼
┌─────────────────────────────────────────────┐
│ Search 检索层 │
│ Recall ─→ Expand ─→ Rerank │
│ 实体召回 多跳扩展 智能排序 │
└─────────────────────────────────────────────┘

2. 灵活的实体维度系统

# 项目管理场景
custom_entities = [
 EntityType(type="project_stage", name="项目阶段", weight=1.2),
 EntityType(type="risk_level", name="风险等级", weight=1.3)
]
# 医疗场景
custom_entities = [
 EntityType(type="symptom", name="症状", weight=1.4),
 EntityType(type="diagnosis", name="诊断", weight=1.5)
]

3. 三阶段智能搜索

阶段1: Recall - 实体召回
├─ LLM理解查询意图
├─ 提取结构化实体
├─ 向量检索相关实体
└─ 定位关联事件
 
阶段2: Expand - 多跳扩展
├─ 从初始事件出发
├─ 通过共同实体发现关联
├─ BFS多跳探索(深度可配)
└─ 构建完整关系网络
 
阶段3: Rerank - 智能排序
├─ PageRank计算重要性
├─ 综合:实体权重+时间+相似度
├─ 方向性权重(重要事件权重大)
└─ 返回Top-N + 线索链

{
 "event": "MoE架构的稀疏专家层设计",
 "score": 0.89,
 "clues": [
 {
 "stage": "recall",
 "from": "Query: 大模型优化",
 "to": "Entity: MoE架构",
 "confidence": 0.92
 },
 {
 "stage": "expand", 
 "from": "Event: MoE架构优势",
 "to": "Event: 稀疏专家层设计",
 "shared_entities": ["MoE架构", "专家层"],
 "confidence": 0.85
 }
 ]
}

🚀 快速开始

方式一:Docker Compose(推荐)

# 1. 克隆项目
git clone https://github.com/Zleap-AI/SAG.git
cd SAG
# 2. 配置环境
cp .env.example .env
# 编辑 .env:
# LLM_API_KEY=sk-xxx
# MYSQL_PASSWORD=your_password
# 3. 下载资源 (首次执行)
python scripts/download_nltk_data.py
# 4. 启动服务
docker compose up -d
# 5. 访问
# 前端: http://localhost
# API: http://localhost/api/docs

方式二:Python SDK

import asyncio
from sag import SAGEngine
from sag.modules.load.config import LoadBaseConfig
from sag.modules.extract.config import ExtractBaseConfig
from sag.modules.search.config import SearchBaseConfig
async def main():
 # 初始化
 engine = SAGEngine(source_config_id="my-project")
 
 # 加载文档
 await engine.load(LoadBaseConfig(
 type="path",
 origin=["./docs/article.md"],
 background="技术文档"
 ))
 
 # 提取事件
 await engine.extract(ExtractBaseConfig(
 parallel=True,
 background="AI大模型文档"
 ))
 
 # 智能检索
 result = await engine.search(SearchBaseConfig(
 query="如何优化大模型推理速度?",
 depth=2,
 top_k=10
 ))
 
 # 查看结果
 for event in result.events:
 print(f"[{event.score:.2f}] {event.title}")
 print(f" {event.summary}\n")
asyncio.run(main())

方式三:Web界面

🌐 开源版 vs 完整版

功能对比

为什么开源基础版?

什么时候用完整版?

📖 深入学习

🧠 核心理念:Event & Natural Language Vector

🧮 三阶段搜索算法(Recall → Expand → Rerank)

1. Recall:实体驱动召回(Entity-Based Recall)

2. Expand:基于 BFS 的多跳扩展

3. Rerank:基于方向性 PageRank 的排序

🤝 社区与贡献

加入我们

如何贡献

# 1. Fork并克隆
git clone https://github.com/your-name/SAG.git
# 2. 创建分支
git checkout -b feature/amazing-feature
# 3. 提交更改
git commit -m "feat: add amazing feature"
# 4. 推送
git push origin feature/amazing-feature
# 5. 开启 Pull Request

贡献者墙

🙏 致谢

📄 许可证

⭐ Star History

让信息产生连接,让数据成为资产

Made with ❤️ by Zleap Team