# SAG: SQL-Retrieval Augmented Generation with Query-Time Dynamic Hyperedges
> Ficha editorial pública de Research IA. Estado: Lectura primaria completa. La interpretación editorial no sustituye la fuente primaria.

- Página canónica: https://luiseduardodemiguel.com/research-ia/papers/sag
- Fuente primaria: https://arxiv.org/abs/2608.12129
- Versión leída: v1
- Fuente comprobada: 2026-08-20 · método, resultado y límites revisados; fuente primaria enlazada
- Autores: Yuchao Wu, Junqin Li, XingCheng Liang y colaboradores
- Fecha del corte: 12 AGO 2026
- Área: RAG · SQL · CONOCIMIENTO ESTRUCTURADO

## Tesis y contexto

SAG conserva cada chunk como un evento semánticamente completo junto con sus entidades. En tiempo de consulta, las entidades compartidas actúan como claves de join y crean un vecindario local tipo hipergrafo.

- Problema: Los sistemas dense-retrieval pierden restricciones y relaciones de varios saltos; los grafos globales añaden fragmentación, mantenimiento y coste de actualización.
- Por qué importa: Para conocimiento corporativo mutable, una arquitectura basada en infraestructura de datos existente puede ser más operable que una gran capa de grafo construida por adelantado.

## Evidencia reportada

- **reported-result**: En MuSiQue, SAG alcanza 80,36% Recall@5 y supera al baseline más fuerte en 11,52 puntos. [localizador](https://arxiv.org/html/2608.12129v1#S4)

## Lectura y límite

- Método: Mantiene unidades de conocimiento completas y crea relaciones locales en el momento de la consulta mediante entidades compartidas y joins SQL. Es una forma de obtener estructura sin mantener un grafo global de todo.
- Límite: La calidad del join depende de la resolución de entidades y de que los chunks conserven el contexto que permite conectarlos.
- Confianza editorial: Media
- Limitación: Los joins dinámicos dependen de que la resolución de entidades y la integridad de cada chunk sean correctas; un error temprano puede fabricar un vecindario aparentemente coherente.
- Limitación: La ganancia de retrieval está condicionada por el esquema, los datasets y la comparación elegida; no implica que una base SQL sustituya a un grafo global o a un retriever denso en todos los dominios.

## Localizadores de evidencia
- [Fuente primaria · canonical](https://arxiv.org/abs/2608.12129): tipo abstract
- [HTML · método y resultados](https://arxiv.org/html/2608.12129v1): tipo abstract
- [Resultados · §4](https://arxiv.org/html/2608.12129v1#S4): tipo section
- [HTML · fuente navegable](https://arxiv.org/html/2608.12129): tipo abstract

## Próxima prueba

- ¿Los joins a tiempo de consulta mejoran la recuperación multi-hop en documentación corporativa mutable sin disparar latencia?
- Métrica: Recall@5, precisión de evidencia, errores de resolución de entidad, latencia p95 y coste de actualización.
- Regla de parada: Parar si SAG no supera 5 puntos de Recall@5 o si los joins erróneos superan 10% de las respuestas.

## Recursos reproducibles
- [Código · GitHub](https://github.com/Zleap-AI/SAG-Benchmark)

## Enlaces relacionados

- [VAKRA](https://luiseduardodemiguel.com/research-ia/markdown/papers/vakra)
- [TTT-Embed](https://luiseduardodemiguel.com/research-ia/markdown/papers/ttt-embed)
- [Diagnosis Before Recovery](https://luiseduardodemiguel.com/research-ia/markdown/papers/diagnosis-before-recovery)