11月上旬，“RAG这次真死了”突然在本地推理圈子里密集出现。小红书上的帖子拿了上百赞，微博博主把同样的话发成头条文章，指向的都是同一个项目：SAG2，广州智跃深空10月开源，MIT协议，仓库至今还在更新。微博小红书小红书小红书
最抓人的卖点是建库成本：不调Embedding、不建向量库、不要GPU，11656个段落2.36秒索引完成，整个知识库存成一个SQLite文件，备份就是拷走这个文件。小红书知乎
语义层没有消失，是挪了位置。BM25这个90年代的关键词算法先粗筛候选段落，JEV类判定模型再决定哪些算证据，证据反哺出新关键词接着搜，迭代几轮，多跳线索就这样串起来。按ChipAI的归纳，用法分三层：纯词法的快速搜索毫秒级出结果、完全离线可用；只有深搜和问答才需要挂模型。小红书小红书
效果数字出自团队自报：MuSiQue多跳召回Recall@5为80.68%，比HippoRAG 2高15.55个百分点；51万份文档的EnterpriseRAG-Bench上，建库8分32秒，Recall@10达81.10%，同场的LightRAG和HippoRAG 2没能跑完全量。这些结果来自团队自己的arXiv论文，目前公开层面还没有第三方复现，引用时要先打折扣。小红书小红书
更容易被误读的是那个7000倍。官方发布帖写得很清楚：建库耗时从“上一代报告的4.57小时”降到2.36秒。SAG一代要用大模型逐篇读语料、抽实体，小时级花销在这里；普通向量库建库走的是Embedding，不是大模型读文档，本来就没有“4.57小时”这笔账——7000倍比的是自家上一代路线，不是替代你机器里那个向量库。小红书知乎
成本同样是从一头挪到另一头。用深搜时，每个问题都要触发判定模型调用和关键词多轮迭代，查询变慢、消耗token，是建库免费的另一面。博主“模湖智能”也提到，开源项目目前默认绑定JEV系模型，一旦不可用时的替换路径尚未公开验证。ChipAI整理的用法里，判定环节本地小模型就能承担，没独显的机器也能跑起来，这才是对本地推理人群真正的消息。小红书小红书
SAG2适合的人挺具体：攒了一堆本地笔记的Obsidian用户，想让编码Agent查自己语料、又不能让文件出机器的人（SAG Wiki桌面端服务只绑127.0.0.1），以及没有GPU的尝鲜者。它也有门槛：扫描版PDF要做OCR，首次用到才会按需下载Docling；词法索引在精确FAQ问答对上粒度够不够、知识库持续增量更新的表现如何，社区的追问还挂在那里。小红书小红书
“RAG死了”这个结论下得早，但有一件事可以确定：建库这一环节的成本真的可以压到零，而这一环节过去站着的是显卡和Embedding模型。省下来的钱会不会在查询时花回去，拿自己的语料跑一轮才有底气回答。
