一、KAG 框架简介
定义与目标
KAG是知识增强生成的专业领域知识服务框架。它旨在充分利用知识图谱和向量检索的优势，并通过四个方面双向增强大型语言模型和知识图谱，以解决 RAG 的痛点：
(1) 对 LLM 友好的知识表示
(2) 知识图谱与原文片段之间的互索引
(3) 逻辑符号引导的混合推理引擎
(4) 基于语义推理的知识对齐
KAG 在多跳问答任务中显著优于 NaiveRAG、HippoRAG 等方法，在 hotpotQA 上的 F1 分数相对提高了 19.6%，在 2wiki 上的 F1 分数相对提高了33.5%。
核心目标：
提升 LLM 在专业领域的事实问答和逻辑推理能力。
通过知识图谱与文本的互索引、混合推理引擎，实现更精准的知识检索与生成。
发布时间与背景
2024年10月25日 正式开源（OpenSPG V0.5版本），后续持续迭代。
技术背景：
基于 OpenSPG 知识图谱引擎，结合 DIKW（数据-信息-知识-智慧）层次结构，升级为 LLMFriSPG（对 LLM 友好的语义增强可编程图）。
二、核心功能与技术架构
1. 核心功能
知识表示与管理LLM 友好的知识表示：
兼容无 schema（无约束）和有 schema（专业领域约束）的知识构建，支持图结构与原始文本块的互索引
噪声降低：通过语义对齐和知识理解减少 OpenIE（开放信息抽取）的噪声问题
互索引结构：结合图结构与文本块，支持高效检索（如 graph-based 倒排索引）
混合推理引擎逻辑符号引导：
将自然语言问题转化为逻辑可执行的查询表达式（Logic Form Query），集成符号推理与 LLM 推理。
运算符类型：
规划（Planning）：拆解复杂问题为子任务。
推理（Inference）：基于知识图谱的精确匹配或语义推理。
检索（Retrieval）：精确匹配、文本检索或数值计算。
多策略集成：
支持 图谱推理、逻辑计算、文本检索、LLM 推理 四种模式的混合求解。
知识对齐与语义增强：
通过语义推理对齐领域知识，提升知识的标准化和连通性，增强一致性。
2. 技术架构
KAG 框架由三部分组成（当前已开源前两部分）：
kg-builder（知识构建模块）功能：
构建 LLM 友好的知识图谱，支持：DIKW 层次结构下的知识分层表示（数据→信息→知识→智慧）。
图结构与原始文本块的互索引（如 SPG 升级为 LLMFriSPG）。
兼容无 schema 和有 schema 的知识构建。
kg-solver（推理求解模块）功能：
逻辑符号引导的混合推理引擎，实现：自然语言问题 → 逻辑形式表达式转化。
多跳推理、数值计算、文本检索的混合求解。知识图谱与文本的协同推理（先图谱精确匹配，再文本补充）。
kag-model（模型模块，后续开源）：
预计发布 3B 规模的图谱构建与问答模型，提升效率与可扩展性。
三、优势与性能对比
对比传统 RAG 技术，RAG 问题：
向量相似度模糊、逻辑推理能力弱、OpenIE 噪声大。
KAG 解决方案：
通过 逻辑符号引导 和 知识图谱推理，提升多跳问答准确率。
在 hotpotQA 数据集 上 F1 分数提升 19.6%，在 2wiki 数据集 上提升 33.5%。
核心优势精准推理：
支持数值计算、时间关系、专家规则等逻辑约束。
低噪声：通过语义对齐减少 OpenIE 的信息抽取误差。
透明性：推理过程可解释，支持展示中间步骤与知识来源。
四、安装与使用方法
1. 安装方式
GitHub 地址：https://github.com/OpenSPG/KAG
版本：当前为 OpenSPG V0.5，持续迭代中。
2. 使用模式
产品版（面向普通用户）提供可视化界面，支持：本地部署后上传文档、管理知识库。预览抽取结果、知识问答，并展示推理过程。
工具包版（面向开发者）提供 API 接口和编程框架，支持：自定义领域知识图谱构建。集成 GPT、国产大模型（如通义千问）或本地模型。
五、典型应用场景
企业知识库构建
整合内部文档、专家经验，支持高效检索与推理（如金融风控、医疗咨询）。
专业领域问答系统电子政务：
快速解析政策文件，生成合规建议。
医疗健康：
基于医学指南和患者数据，提供精准诊断建议。
客户服务：
复杂问题的多跳推理与个性化解答（如电商平台）。
智能报告生成
金融领域：区域风险报告、投资策略分析（结合知识图谱与动态数据）。
六、KAG 与 RAG 深度对比
纬度一：核心定义与目标
对比维度
RAG（检索增强生成）
KAG（知识增强生成）
定义
结合检索和生成模型，通过检索外部文档（如文本、PDF）的片段，增强语言模型的生成能力。
通过整合结构化知识图谱（KG）与LLM，提升逻辑推理和多跳问答能力，解决RAG的噪声和逻辑不足。
核心目标
动态访问知识库，提升生成的上下文相关性和准确性。
利用知识图谱的逻辑性和结构化优势，解决复杂推理、多跳问题及知识噪声问题。
维度二：技术架构对比
1. 数据处理方式
维度
RAG
KAG
数据类型
非结构化数据（文档、文本、网页等）。
结构化知识图谱（实体、关系、属性） + 非结构化文本（互索引）。
知识表示
依赖向量嵌入（如BERT、Dense Retrieval）进行文本相似度检索。
LLM友好的知识图谱（LLMFriSPG），支持图结构与文本块的互索引，减少噪声。
推理逻辑
依赖模型生成，对逻辑关系（如数值、时间、规则）不敏感。
逻辑符号引导的混合推理引擎，支持多跳推理、数值计算、规则约束。
2. 关键组件
RAG
KAG
检索器：基于向量相似度的文档片段检索（如Dense Retriever）。
生成器：LLM结合检索结果生成答案。
kg-builder：构建知识图谱（结构化+非结构化互索引）。
kg-solver：逻辑符号引导的推理引擎。
kag-model：LLM与知识图谱的协同优化。
3. 核心优势
RAG
KAG
动态知识访问：可实时检索最新或特定领域文档。
轻量灵活：部署简单，适合快速原型开发。
逻辑推理强：多跳问题准确率高（如HotpotQA提升19.6%）。
结构化知识整合：减少OpenIE噪声，提升一致性。
4. 局限性
RAG
KAG
依赖检索质量：若检索到错误或不相关片段，生成结果不可靠。
逻辑推理弱：难以处理复杂关系（如时间、数值）。
知识图谱构建成本高：需专业领域知识，初期构建复杂。
依赖结构化数据：对非结构化数据处理能力弱于RAG。
维度三：应用场景对比
场景类型
RAG适用场景
KAG适用场景
数据类型
非结构化数据为主（如新闻、文档、网页）。
结构化知识（如医疗指南、金融风控规则） + 非结构化文本。
任务类型
简单问答、文档检索、动态信息查询（如实时事件、小众主题）。
复杂推理、多跳问答、逻辑约束问题（如“跨领域因果关系”、“规则验证”）。
典型领域
通用问答、客服系统、企业内部文档检索。
金融风控、医疗诊断、法律咨询、科研分析等需要精准逻辑推理的领域。
维度四：性能对比（基于知识库数据）
指标
RAG
KAG
多跳准确率
中等（依赖检索片段的连贯性）。
更高（HotpotQA F1提升19.6%，2Wiki提升33.5%）。
知识噪声处理
易受OpenIE噪声影响，生成结果可能包含错误。
通过语义对齐和图谱推理降低噪声，提升一致性。
推理复杂度
仅支持简单逻辑，需依赖模型生成能力。
支持符号逻辑、数值计算、规则约束，可拆解复杂问题为子任务。
实时性
可近实时检索动态数据。
动态更新需依赖知识图谱的增量构建，实时性稍弱于RAG。
维度五：技术演进与未来趋势
RAG的改进方向
GraphRAG：通过知识图谱辅助检索，提升多跳推理能力（如蚂蚁集团的早期探索）。
RECIPE：阿里提出的检索增强持续学习，快速植入新知识（轻量化更新）。
KAG的优化方向
降低知识构建成本：通过LLM辅助自动化抽取（如神思电子的“指令微调+图神经网络”）。
混合架构：结合RAG的检索优势与KAG的逻辑推理，形成互补（如KAG支持文本检索补充图谱）。
长期趋势
RAG：作为基础框架，适用于广泛场景，但需依赖外部知识库质量。
KAG：在专业领域（如金融、医疗）逐渐成为主流，尤其在需要精准推理的场景中。
总结：如何选择？
选RAG：需要快速整合非结构化数据（如企业文档库）。任务以简单问答为主，对实时性要求高。资源有限，需轻量级部署。
选KAG：需要处理复杂逻辑、多跳推理或领域专业知识。愿意投入资源构建结构化知识图谱。对答案准确性要求极高（如金融风控、医疗诊断）。
