2026 年 10 月 5 日——阿里魔搭社区（ModelScope）开源动态检索框架 Sirchmunk，10 月 4 日由智源社区等渠道报道。该框架无需预构建向量索引、无需向量数据库，直接对原始非结构化数据执行检索，核心 LENS（Latent Evidence Navigation and Search）算法在计算预算约束下动态定位证据；官方表示验证过的检索结果还能进入知识层，为后续问题提供先验，实现知识库自我进化。项目以 Apache License 2.0 协议开源，仓库为 modelscope/sirchmunk，截至发稿已获得 1355 个 star。
与传统 RAG "先切块、再向量化、后建索引"的三段式流程不同，Sirchmunk 面向 AI Agent 场景设计，官方将其概括为"从原始数据到自进化智能"（Raw data to self-evolving intelligence, real-time）。仓库最早创建于 2025 年 12 月 30 日，历经约一年内部迭代后于近期正式开源。
1. 免索引检索原理
传统 RAG 需要把文档切块并压缩为固定维度向量存入向量数据库，官方指出这一模式存在两类固有成本：一是数据记录变动或 embedding 模型升级时需要重建索引，同步开销沉重；二是向量近似匹配会带来上下文损失，且检索结果绑定"冻结存档"而非当前数据。
Sirchmunk 放弃预索引，将查询直接路由到"活的"原始文件上：不切块、不做向量压缩，靠轻量信号在文件级别定位相关性，再进入原文精读。这一设计消除了预处理管线、缓存陈旧问题与近似匹配的信息损耗，官方称其可在零数据降级的情况下实现即时检索。
2. LENS 算法：预算约束下的证据探索
LENS 全称为 Latent Evidence Navigation and Search（受预算约束的潜在证据探索）。其检索思路不是"从固定候选里选一个 top-k"，而是先用低成本信号缩小范围，再根据刚读到的内容调整下一步。官方 README 将算法流程定义为五个阶段：
| 阶段 | 动作 | 说明 |
|---|---|---|
| 1 | 批量证据排序 | 用关键词、路径结构、摘要等低成本信号对文件相关性预排序 |
| 2 | 多臂证据导航 | 在潜在证据空间中动态选择下一步读取目标 |
| 3 | 探索与利用自适应混合 | 在新线索与已知高相关区域之间自动平衡 |
| 4 | 推理链引导采样 | 以已读内容形成的判断引导后续候选采样 |
| 5 | 统计停止决策 | 证据充分或预算耗尽时终止检索 |
按官方演示的归纳，整个架构可概括为五个动作：接收问题和当前时刻的原始文档；用关键词、路径结构、摘要和历史经验形成低成本先验；在预算内反复提出候选、读取原文、更新判断；合并证据生成带来源的答案；把成功经验保存为可复用知识反馈给未来查询。
3. 自进化知识库机制
检索停止后，经过验证的事实被保存为可复用的知识簇，反馈进入后台知识图谱。官方说明知识图谱通过四个循环持续精炼：
- 连接合并：合并重复与相近的证据节点；
- 边刷新：随新查询更新节点间关联强度；
- 元聚类发现：借助图划分算法与语言模型合成，随查询积累逐步形成抽象概念簇；
- 全局更新：周期性整体刷新图谱结构。
演化任务全部异步运行，不增加在线查询延迟。官方同时强调了该机制的边界：历史知识可以帮助定位，但不能替代对当前文件的读取——来源一旦变化，系统仍会回到原始数据重新核验，避免"记忆"污染"事实"。
4. 数据与规格
| 项目 | 数据 |
|---|---|
| 仓库地址 | GitHub modelscope/sirchmunk |
| 仓库创建时间 | 2025 年 12 月 30 日 |
| 开源报道时间 | 2026 年 10 月 4 日（智源社区） |
| 产品定位 | 面向 AI Agent 的免索引自进化搜索引擎 |
| 索引要求 | 免预索引、无向量数据库 |
| 核心算法 | LENS（五阶段预算约束证据探索） |
| 许可证 | Apache License 2.0 |
| 环境要求 | Python 3.10+，兼容 LLM API Key |
| 安装方式 | pip install sirchmunk（支持 uv） |
| CLI 命令 | sirchmunk init / serve / search |
| 检索模式 | DEEP（深度报告）、FAST（快速响应） |
| 可选扩展 | [web] Web 界面、[mcp] MCP 集成 |
| 评测框架 | HotpotQA，基线含 BM25-RAG、ReAct、LightRAG |
| Star 数 | 1355（截至 2026 年 10 月 5 日） |
提示：截至发稿，官方仓库未公布量化基准分数，README 提供的是评测框架而非结论性数据，引用性能对比时应以自行复现结果为准。
5. 评测体系
官方未公布固定性能分数，而是提供了一套可复现的 ResearchOps 评测框架：支持 HotpotQA 测试，采用冻结样本集与动态语料快照设计；对标基线覆盖 BM25-RAG、ReAct、LightRAG 三种架构；同时跟踪规模化成本与 LENS 各阶段的消融实验。官方演示中展示了在 SQuAD 数据集上连续 200 次查询过程中知识簇逐步形成的过程。
6. 安装与使用
Sirchmunk 要求 Python 3.10+ 与一个兼容的 LLM API Key，安装与使用流程如下：
pip install sirchmunk # 或使用 uv
sirchmunk init # 配置环境
sirchmunk serve # 启动后端服务
sirchmunk search "你的查询" # 执行检索
Python SDK 方式初始化 agent 对象后，传入目标目录与检索模式即可：DEEP 模式生成详尽报告，FAST 模式追求快速响应。可选扩展模块包括 [web]（Web 界面）与 [mcp]（MCP 协议集成，可接入 AI 编程助手）。
举手提问