技能介绍

要解决什么问题

知识库一变大，Agent 和用户都容易陷入「知道有这份材料，但不知道文件名」的困境。用 grep 或目录扫一遍，往往只能匹配字面关键词，问「上次净滩活动的预算表在哪？」这类语义化问题时命中率很差。insigoo SAG（Semantic Augmented Gateway）面向的就是：在大量 Markdown/文本里，按自然语言意图做内容级召回，而不是靠路径或文件名猜。

它如何工作

SAG 是 insigoo 知识库四层索引里的向量层：insigoo-wiki 负责目录、项目、场景等结构化索引；insigoo-memory 侧重分类、诊断与看板；SAG 负责语义搜索与向量召回。二者分工常见做法是：memory 管「文件归哪、状态如何」，SAG 管「问一句、找一段」。

技术栈上，向量存于 PostgreSQL 16 + pgvector，嵌入经 Ollama（如 nomic-embed-text，768 维）生成；服务端为 Node.js（TypeScript），对外提供 REST API（:4173） 与 MCP（:4174），部署形态为 Docker Compose。典型流程是：准备待检索的语料 → 容器化一键拉起栈 → 完成导入后在本地服务上发起语义检索，把命中片段交给 Agent 做后续回答或跳转。

适用边界

适合：文档量在 50+、需要跨文件找「某段内容/某类材料」；要给 Agent 明确的「XX 在哪、哪份里写了什么」能力；已与 wiki / memory 搭成完整索引体系时，用 SAG 补语义层。
不必上：只有少量文档（例如十份以内），直接全文搜索或 grep 往往更简单。
依赖：需要 Docker、Docker Compose、PostgreSQL 向量栈，以及本机 Ollama 做嵌入；与 insigoo-memory（pip、零 Docker）相比，SAG 更重，但换来的是语义检索能力。