從碎片記憶到事件推演：以 PostgreSQL 驅動 SAG 動態超邊推論引擎

向量資料庫解決了 LLM 語義記憶檢索問題，卻無法支撑複雜場景的鏈式因果推理。傳統 Naive RAG 僅限單跳匹配、靜態 GraphRAG 易長鏈斷推理、LLM 幻覺嚴重；而借鑑海馬迴機制的 HippoRAG2，雖透過 PPR 隨機遊走強化多跳能力，卻因依賴全域靜態知識圖，存在大規模增量場景下運算瓶頸、更新成本爆炸的落地痛點。當前 AI 知識系統的核心挑戰，已從資料存儲轉為高效動態的知識關聯與事件推演。

本議程介紹基於 PostgreSQL 原生構建的 SAG（SQL-RAG）動態推論架構。SAG 捨棄靜態知識圖與向量相似度匹配機制，透過 SQL JOIN 即時生成「動態超邊」，按需構建查詢專屬子圖，穩定實現多跳推理，徹底解決傳統圖譜架構的增量災難問題。同時，架構支援資料庫事務回寫，實現知識推演閉環演化，讓模型可自我累積、驗證並迭代優化因果關聯。