SAG
SAG는 Zleap AI가 2026년 7월 14일 공개한 문서 검색 도구로, 문장에서 완결된 이벤트와 그 이벤트에 관여하는 엔티티를 추출한 뒤 관계형 인덱스와 벡터 인덱스를 함께 구성한다. 일반적인 검색 증강 생성(Retrieval-Augmented Generation, RAG)이 문서를 일정 길이의 조각으로 나누고 의미적으로 가까운 조각을 찾는 데 집중한다면, SAG는 누가 무엇을 언제 어떻게 했는지에 해당하는 사건 단위를 보존하려는 접근을 취한다. 질의가 들어오면 미리 고정된 그래프만 탐색하는 대신 SQL 조인을 이용해 동적
SAG는 Zleap AI가 2026년 7월 14일 공개한 문서 검색 도구로, 문장에서 완결된 이벤트와 그 이벤트에 관여하는 엔티티를 추출한 뒤 관계형 인덱스와 벡터 인덱스를 함께 구성한다. 일반적인 검색 증강 생성(Retrieval-Augmented Generation, RAG)이 문서를 일정 길이의 조각으로 나누고 의미적으로 가까운 조각을 찾는 데 집중한다면, SAG는 누가 무엇을 언제 어떻게 했는지에 해당하는 사건 단위를 보존하려는 접근을 취한다. 질의가 들어오면 미리 고정된 그래프만 탐색하는 대신 SQL 조인을 이용해 동적 하이퍼에지(dynamic hyperedge)를 만들고, 여러 이벤트와 엔티티를 잇는 다중 홉 검색을 수행한다. 도서관에서 비슷한 문장이 적힌 페이지만 찾아주는 것이 아니라, 질문에 맞춰 인물·사건·문서 사이의 임시 조사 보드를 조립하는 방식에 가깝다.
기존 Dense RAG는 표현이 비슷한 문서를 빠르게 찾는 데 유리하지만, 답을 만들기 위해 여러 문서에 흩어진 사실을 연결해야 하는 질문에서는 중간 관계가 누락될 수 있다. 반대로 GraphRAG 계열은 관계 탐색에 강하지만, 그래프 스키마와 엣지를 사전에 정의하고 유지하는 비용이 발생할 수 있다. SAG의 차별점은 Dense RAG와 GraphRAG의 결과를 단순 병합하는 대신, 수집 단계에서는 이벤트–엔티티(event–entity) 구조와 벡터 표현을 인덱싱하고 검색 단계에서 실제 질문에 필요한 관계를 동적으로 생성한다는 점이다. 따라서 동일한 문서 집합에서도 질문에 따라 서로 다른 연결 경로를 구성할 수 있으며, 단일 문서의 유사 구절 검색보다 사건의 전후 관계나 공통 참여자를 추적하는 질의에 적합한 구조를 지향한다.
생명과학 연구자는 논문, 임상시험 공개 문서, 실험 기록처럼 동일한 유전자·약물·질환이 서로 다른 맥락에서 반복되는 자료를 SAG에 넣어 사건 중심 검색 기반을 구성할 수 있다. 예를 들어 특정 표적 단백질을 억제한 실험, 관찰된 표현형, 사용된 세포주를 각각 엔티티로 연결하면 “이 표적을 억제했을 때 염증 지표가 감소했지만 독성이 보고된 조건은 무엇인가”처럼 여러 사건을 거쳐야 답할 수 있는 질문을 탐색할 수 있다. 검색 결과는 REST 또는 OpenAI-compatible API를 통해 요약 모델에 전달하거나 MCP 연동을 통해 연구 보조 에이전트의 근거 검색 단계로 사용할 수 있다. 다만 지원 문서 형식, 추출 모델, 청킹 설정, 재순위화 방식과 정량 성능은 제공된 Discovery 정보만으로 확인되지 않아 실제 연구 적용 전 공식 문서 검증이 필요하다.
또 다른 활용 방식은 장기간 축적된 실험 기록에서 시약, 배치, 처리 조건, 관찰 결과를 사건–엔티티 형태로 연결하는 것이다. 연구자는 로컬 데스크톱 또는 Docker 배포를 선택하고, 질의 시 생성된 SQL 조인 경로를 바탕으로 서로 다른 실험일지에 흩어진 조건을 추적할 수 있다. 문헌 감시 업무에서는 새 논문에서 추출한 사건을 기존 인덱스에 추가한 뒤 약물–표적–질환–부작용 사이의 다중 홉 질의를 실행해 후속 검토 후보를 좁힐 수 있다. 그러나 로컬 처리 범위, 외부 모델 호출 여부, 데이터 보존 정책 및 API 인증 방식은 입력 정보에 포함되지 않았으므로 민감한 임상·유전체 자료를 투입하기 전에 배포 설정과 보안 경계를 별도로 확인해야 한다.
💻 필요한 컴퓨터 사양
GPU 필요 여부와 공식 권장 용량 확인 필요
애플리케이션, 모델 및 인덱스별 요구 용량 확인 필요
⚡ 설치법
4-1. Quick Start
공식 설치 명령 확인 필요. Discovery 정보에서는 로컬 데스크톱과 Docker 배포를 지원한다고 안내하지만, 그대로 인용할 수 있는 설치 명령은 제공되지 않았다.
4-2. 상세 설치
GitHub README 또는 공식 문서에서 운영체제별 데스크톱 설치 절차, Docker 이미지명, 필수 환경변수, 모델 공급자 설정, 데이터 볼륨 및 포트 구성을 확인한 뒤 작성해야 한다. 검증되지 않은 명령을 임의로 제공하지 않는다.
🧬 바이오 활용
🔬 문헌 기반 약물–표적–표현형 추적
논문에서 약물, 표적 단백질, 세포주와 관찰 결과를 이벤트–엔티티로 인덱싱하고 SQL 조인 기반 다중 홉 질의를 수행한다. 지원 파일 형식, 추출 파라미터와 검색 성능 수치는 공식 문서 확인 후 확정해야 한다.
🧬 실험 기록의 조건–결과 연결 검색
서로 다른 실험일지에서 시약, 배치, 처리 조건과 표현형을 추출해 관계형·벡터 인덱스를 구성한다. REST 또는 OpenAI-compatible API로 검색 결과를 후속 요약 단계에 전달하되 정확한 API 파라미터와 정량 결과는 확인 필요하다.
📚 연구 동향 감시 에이전트 연동
새 문헌에서 추출한 사건을 기존 자료와 연결하고 MCP를 통해 연구 보조 에이전트가 약물–질환–부작용 경로를 조회하게 한다. 갱신 주기, 인덱스 규모, 지연시간과 품질 평가지표는 공식 벤치마크 확인이 필요하다.
FAQ
SAG은(는) 무엇인가요?
SAG는 Zleap AI가 2026년 7월 14일 공개한 문서 검색 도구로, 문장에서 완결된 이벤트와 그 이벤트에 관여하는 엔티티를 추출한 뒤 관계형 인덱스와 벡터 인덱스를 함께 구성한다. 일반적인 검색 증강 생성(Retrieval-Augmented Generation, RAG)이 문서를 일정 길이의 조각으로 나누고 의미적으로 가까운 조각을 찾는 데 집중한다면, SAG는 누가 무엇을 언제 어떻게 했는지에 해당하는 사건 단위를 보존하려는 접근을 취한다. 질의가 들어오면 미리 고정된 그래프만 탐색하는 대신 SQL 조인을 이용해 동적 하이퍼에지(dynamic hyperedge)를 만들고, 여러 이벤트와 엔티티를 잇는 다중 홉 검색을 수행한다. 도서관에서 비슷한 문장이 적힌 페이지만 찾아주는 것이 아니라, 질문에 맞춰 인물·사건·문서 사이의 임시 조사 보드를 조립하는 방식에 가깝다. 기존 Dense RAG는 표현이 비슷한 문서를 빠르게 찾는 데 유리하지만, 답을 만들기 위해 여러 문서에 흩어진 사실을 연결해야 하는 질문에서는 중간 관계가 누락될 수 있다. 반대로 GraphRAG 계열은 관계 탐색에 강하지만, 그래프 스키마와 엣지를 사전에 정의하고 유지하는 비용이 발생할 수 있다. SAG의 차별점은 Dense RAG와 GraphRAG의 결과를 단순 병합하는 대신, 수집 단계에서는 이벤트–엔티티(event–entity) 구조와 벡터 표현을 인덱싱하고 검색 단계에서 실제 질문에 필요한 관계를 동적으로 생성한다는 점이다. 따라서 동일한 문서 집합에서도 질문에 따라 서로 다른 연결 경로를 구성할 수 있으며, 단일 문서의 유사 구절 검색보다 사건의 전후 관계나 공통 참여자를 추적하는 질의에 적합한 구조를 지향한다. 생명과학 연구자는 논문, 임상시험 공개 문서, 실험 기록처럼 동일한 유전자·약물·질환이 서로 다른 맥락에서 반복되는 자료를 SAG에 넣어 사건 중심 검색 기반을 구성할 수 있다. 예를 들어 특정 표적 단백질을 억제한 실험, 관찰된 표현형, 사용된 세포주를 각각 엔티티로 연결하면 “이 표적을 억제했을 때 염증 지표가 감소했지만 독성이 보고된 조건은 무엇인가”처럼 여러 사건을 거쳐야 답할 수 있는 질문을 탐색할 수 있다. 검색 결과는 REST 또는 OpenAI-compatible API를 통해 요약 모델에 전달하거나 MCP 연동을 통해 연구 보조 에이전트의 근거 검색 단계로 사용할 수 있다. 다만 지원 문서 형식, 추출 모델, 청킹 설정, 재순위화 방식과 정량 성능은 제공된 Discovery 정보만으로 확인되지 않아 실제 연구 적용 전 공식 문서 검증이 필요하다. 또 다른 활용 방식은 장기간 축적된 실험 기록에서 시약, 배치, 처리 조건, 관찰 결과를 사건–엔티티 형태로 연결하는 것이다. 연구자는 로컬 데스크톱 또는 Docker 배포를 선택하고, 질의 시 생성된 SQL 조인 경로를 바탕으로 서로 다른 실험일지에 흩어진 조건을 추적할 수 있다. 문헌 감시 업무에서는 새 논문에서 추출한 사건을 기존 인덱스에 추가한 뒤 약물–표적–질환–부작용 사이의 다중 홉 질의를 실행해 후속 검토 후보를 좁힐 수 있다. 그러나 로컬 처리 범위, 외부 모델 호출 여부, 데이터 보존 정책 및 API 인증 방식은 입력 정보에 포함되지 않았으므로 민감한 임상·유전체 자료를 투입하기 전에 배포 설정과 보안 경계를 별도로 확인해야 한다.
SAG은(는) 언제 사용하나요?
SAG는 Zleap AI가 2026년 7월 14일 공개한 문서 검색 도구로, 문장에서 완결된 이벤트와 그 이벤트에 관여하는 엔티티를 추출한 뒤 관계형 인덱스와 벡터 인덱스를 함께 구성한다. 일반적인 검색 증강 생성(Retrieval-Augmented Generation, RAG)이 문서를 일정 길이의 조각으로 나누고 의미적으로 가까운 조각을 찾는 데 집중한다면, SAG는 누가 무엇을 언제 어떻게 했는지에 해당하는 사건 단위를 보존하려는 접근을 취한다. 질의가 들어오면 미리 고정된 그래프만 탐색하는 대신 SQL 조인을 이용해 동적
SAG의 바이오 연구 활용 예시는 무엇인가요?
🔬 문헌 기반 약물–표적–표현형 추적: 논문에서 약물, 표적 단백질, 세포주와 관찰 결과를 이벤트–엔티티로 인덱싱하고 SQL 조인 기반 다중 홉 질의를 수행한다. 지원 파일 형식, 추출 파라미터와 검색 성능 수치는 공식 문서 확인 후 확정해야 한다.
📝 업데이트 노트
아직 업데이트 노트가 없습니다.
🧪 관련 생명의 코드
관련된 생명의 코드 글이 아직 없습니다.