SAGはZleap AIが2026年7月14日に公開した文書検索ツールであり、文中の完結したイベントおよびそのイベントに関与するエンティティを抽出した後、リレーショナルインデックスとベクトルインデックスを併せて構築します。一般的な検索拡張生成（Retrieval-Augmented Generation, RAG）が文書を一定長のチャンクに分割し、意味的に近いチャンクを探すことに重点を置くのに対し、SAGは「誰がいつ・どのように何を行ったか」に対応する事象単位を保持しようとするアプローチを採用しています。クエリが入力されると、事前に固定されたグラフのみを検索するのではなく、SQL結合を用いて動的ハイパーエッジ（dynamic hyperedge）を作成し、複数のイベントとエンティティを結ぶマルチホップ検索を実行します。これは図書館で類似した文書が記載されたページを探すだけでなく、質問に応じて人物・事象・文書の間の仮説検証ボードを組み立てる方式に近いものです。 従来のDense RAGは表現が類似した文書を高速に見つけるのに有利ですが、回答を生成するために複数の文書に散在する事実を結びつける必要がある質問では、中間的な関係が欠落する可能性があります。一方、GraphRAGシリーズは関係探索に優れていますが、グラフスキーマとエッジを事前に定義・維持するコストが発生する可能性があります。SAGの差別化ポイントは、Dense RAGとGraphRAGの結果を単純にマージするのではなく、収集フェーズでイベント–エンティティ（event–entity）構造とベクトル表現をインデックスし、検索フェーズで実際の質問に必要な関係を動的に生成することです。したがって、同じ文書セットであっても質問に応じて異なる接続パスを構成でき、単一文書の類似句検索よりも、事象の前後関係や共通の参加者を追跡するクエリに適した構造を目指します。 生命科学研究者は、論文、臨床試験公開文書、実験記録など、同一の遺伝子・薬剤・疾患が異なる文脈で繰り返される資料をSAGに投入することで、事象中心の検索基盤を構築できます。例えば、特定の標的タンパク質を阻害した実験、観察された表現型、使用された細胞株をそれぞれエンティティとして接続すれば、「この標的を阻害した際に炎症指標が減少したが、毒性が報告された条件は何か」といった、複数の事象を経なければ回答できない質問を検索することが可能です。検索結果はRESTまたはOpenAI互換APIを通じて要約モデルに渡したり、MCP連携により研究支援エージェントの根拠検索フェーズとして使用したりできます。ただし、サポートされる文書形式、抽出モデル、チャンキング設定、リランキング方式および定量的なパフォーマンスは、提供されたDiscovery情報だけでは確認できないため、実際の研究適用前に公式文書の検証が必要です。 もう一つの活用方法として、長期間にわたって蓄積された実験記録から試薬、バッチ、処理条件、観察結果を事象–エンティティ形式で接続することが挙げられます。研究者はローカルデスクトップまたはDockerデプロイメントを選択し、クエリ時に生成されるSQL結合パスに基づいて、異なる実験日誌に散在する条件を追跡できます。文献監視業務では、新規論文から抽出した事象を既存インデックスに追加した後、薬剤–標的–疾患–副作用間のマルチホップクエリを実行することで、後続の検討候補を絞り込むことができます。しかし、ローカル処理範囲、外部モデル呼び出しの有無、データ保持ポリシーおよびAPI認証方式は入力情報に含まれていないため、機微な臨床・ゲノムデータを投入する前にデプロイ設定とセキュリティ境界を別途確認する必要があります。

SAGはZleap AIが2026年7月14日に公開した文書検索ツールであり、文中の完結したイベントおよびそのイベントに関与するエンティティを抽出した後、リレーショナルインデックスとベクトルインデックスを併せて構築します。一般的な検索拡張生成（Retrieval-Augmented Generation, RAG）が文書を一定長のチャンクに分割し、意味的に近いチャンクを検索することに重点を置くのに対し、SAGは誰が何をいつどのように行ったかという事象単位を保持するアプローチを採用しています。クエリが入力されると、事前に固定されたグラフのみを探索するのではなく、SQLジョインを用いて動的

🔬 文献ベースの薬物・標的・表現型追跡: 論文から薬物、標的タンパク質、細胞株および観察結果をイベント・エンティティとしてインデックスし、SQL結合に基づくマルチホップクエリを実行する。対応ファイル形式、抽出パラメータおよび検索性能数値は公式文書を確認のうえ確定する必要がある。