SuperAPI AI 工具集
合作ENAI 行业资讯收藏
全部工具AI开发平台KAG

KAG

KAG（Knowledge Augmented Generation）是一个基于 OpenSPG 引擎和大语言模型（LLM）的逻辑推理与问答框架，用于为垂直领域知识库构建逻辑推理与事实问答解决方案。它能够有效克服传统 RAG 向量相似度计算的模糊性问题，以及 GraphRAG 因 OpenIE 引入的噪声问题。KAG 支持逻辑推理和多跳事实问答，性能显著优于当前 SOTA 方法。其目标是构建专业领域知识增强的 LLM 服务框架，融合知识图谱的逻辑性与事实性，核心特性包括知识与 Chunk 互索引结构、基于概念语义推理的知识对齐、模式约束的知识构建，以及逻辑形式引导的混合推理与检索。

访问官网

工具介绍

什么是 KAG

KAG（Knowledge Augmented Generation）是一个基于 OpenSPG 引擎和大语言模型的逻辑推理与问答框架，用于为垂直领域知识库构建逻辑推理与事实问答解决方案。KAG 能够有效克服传统 RAG 向量相似度计算的模糊性，以及 GraphRAG 因 OpenIE 引入的噪声问题。KAG 支持逻辑推理和多跳事实问答等，并显著优于当前 SOTA 方法。

KAG 的目标是构建专业领域知识增强的 LLM 服务框架，支持逻辑推理、事实问答等。KAG 充分融合了知识图谱的逻辑与事实特性，核心特性包括：

  • 知识与 Chunk 互索引结构，融合更完整的上下文文本信息
  • 使用概念语义推理进行知识对齐，缓解 OpenIE 引入的噪声问题
  • 模式约束的知识构建，支持领域专家知识的表示与构建
  • 逻辑形式引导的混合推理与检索，支持逻辑推理与多跳推理问答

核心特性

知识表示

在私有知识库场景中，非结构化数据、结构化信息和业务专家经验往往共存。KAG 参考 DIKW 层次结构，将 SPG 升级为对 LLM 友好的版本。

对于新闻、事件、日志、书籍等非结构化数据，以及交易、统计、审批等结构化数据，结合业务经验和领域知识规则，KAG 采用版面分析、知识抽取、属性归一化、语义对齐等技术，将原始业务数据和专家规则整合为统一的业务知识图谱。这使得同一知识类型（如实体类型、事件类型）上，无模式的信息抽取与模式约束的专家知识构建可以兼容，并支持图结构与原始文本块之间的交叉索引表示。这种互索引表示有助于构建基于图结构的倒排索引，促进逻辑形式的统一表示与推理。

逻辑形式引导的混合推理

KAG 提出了逻辑形式引导的混合求解与推理引擎。该引擎包含三类算子：规划、推理和检索，将自然语言问题转化为结合语言与符号的问题求解过程。在这个过程中，每一步可以使用不同的算子，例如精确匹配检索、文本检索、数值计算或语义推理，从而实现检索、知识图谱推理、语言推理和数值计算四种不同问题求解过程的融合。

版本发布说明

最新更新

2025.06.27：发布 KAG 0.8.0 版本

  • 扩展了两种模式：私有知识库（含结构化与非结构化数据）和公网知识库，支持通过 MCP 协议集成 LBS、WebSearch 等公开数据源。
  • 增强私有知识库索引能力，内置 Outline、Summary、KnowledgeUnit、AtomicQuery、Chunk、Table 等基础索引类型。
  • 知识库与应用解耦：知识库管理私有数据（结构化与非结构化）和公开数据；应用可关联多个知识库，并根据知识库构建时建立的索引类型自动适配相应的检索器进行数据召回。
  • 全面拥抱 MCP，可在智能体工作流中通过 MCP 协议使用 KAG 驱动的推理问答。
  • 完成 KAG-Thinker 模型适配。通过广度问题分解、深度解推导、知识边界判定、抗噪检索结果等优化，在多轮迭代思考框架引导下，提升了框架推理范式的稳定性与逻辑严谨性。

2025.04.17：发布 KAG 0.7 版本

  • 重构 KAG-Solver 框架。新增静态和迭代两种任务规划模式支持，同时在推理阶段实现了更严谨的知识分层机制。
  • 优化产品体验：推理阶段引入“简单模式”和“深度推理”双模式，支持流式推理输出、图索引自动渲染、生成内容与原引用链接。
  • 在 KAG 仓库顶层新增 open_benchmark 目录，在同一基座下对比多种 RAG 方法，达到 state-of-the-art（SOTA）结果。
  • 引入“轻量构建”模式，知识构建 token 成本降低 89%。

2025.01.07： 支持领域知识注入、领域模式自定义、QFS 任务支持、可视化查询分析，支持模式约束模式进行抽取等。

2024.11.21： 支持 Word 文档上传、模型调用并发设置、用户体验优化等。

2024.10.25： KAG 首次发布。

未来计划

KAG 将持续关注增强大模型利用外部知识库的能力。目标是实现大模型与符号知识之间的双向增强与无缝集成，提升专业场景中推理与问答的事实性、严谨性和一致性，并持续发布更新以推动能力边界和垂直领域采用。

使用方式

面向普通用户（产品模式）

引擎与依赖镜像安装

推荐系统版本：

  • macOS 用户：macOS Monterey 12.6 或更高版本
  • Linux 用户：CentOS 7 / Ubuntu 20.04 或更高版本
  • Windows 用户：Windows 10 LTSC 2021 或更高版本

软件要求：

  • macOS / Linux 用户：Docker，Docker Compose
  • Windows 用户：WSL 2 / Hyper-V，Docker，Docker Compose

使用以下命令下载 docker-compose.yml 文件并使用 Docker Compose 启动服务。

使用产品

使用浏览器访问 KAG 产品默认地址：http://127.0.0.1:8887

详细说明请参见 KAG 使用（产品模式）。

面向开发者（工具包模式）

引擎与依赖镜像安装

参考 3.1 节完成引擎与依赖镜像的安装。

安装 KAG

macOS / Linux 开发者及 Windows 开发者分别按对应方式安装。

使用工具包

详细说明请参阅 KAG 使用（开发者模式）指南。之后可使用内置组件复现内置数据集的性能结果，并将这些组件应用到新的业务场景。

技术架构

KAG 框架包括三部分：kg-builder、kg-solver 和 kag-model。本次发布仅涉及前两部分，kag-model 将在未来逐步开源。

kg-builder 实现了对大规模语言模型（LLM）友好的知识表示。基于 DIKW（数据、信息、知识、智慧）层次结构，提升了 SPG 知识表示能力，在同一知识类型（如实体类型、事件类型）上兼容无模式约束的信息抽取与模式约束的专业知识构建，还支持图结构与原始文本块之间的互索引表示，为推理问答阶段的高效检索提供支持。

kg-solver 采用逻辑符号引导的混合求解与推理引擎，包含三类算子：规划、推理和检索，将自然语言问题转化为结合语言与符号的问题求解过程。在此过程中，每一步可以使用不同的算子，例如精确匹配检索、文本检索、数值计算或语义推理，从而实现检索、知识图谱推理、语言推理和数值计算四种不同问题求解过程的融合。

社区与支持

  • GitHub：https://github.com/OpenSPG/KAG
  • 网站：https://openspg.github.io/v2/docs_en
  • 加入 Discord 社区。
  • 关注 OpenSPG 官方账号获取 OpenSPG 和 KAG 的技术文章与产品更新。
  • 扫描二维码加入微信群。

KAG、RAG 与 GraphRAG 的区别

KAG 介绍与应用：https://github.com/orgs/OpenSPG/discussions/52

如果使用本软件，请按如下方式引用：

KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation

KGFabric: A Scalable Knowledge Graph Warehouse for Enterprise Data Interconnection

Apache License 2.0

Lei Liang, Mengshu Sun, Zhengke Gui, Zhongshu Zhu, Zhouyu Jiang, Ling Zhong, Peilong Zhao, Zhongpu Bo, Jin Yang, Huaidong Xiong, Lin Yuan, Jun Xu, Zaoyang Wang, Zhiqiang Zhang, Wen Zhang, Huajun Chen, Wenguang Chen, Jun Zhou, Haofen Wang

KAG 是一个基于 OpenSPG 引擎和大语言模型的逻辑形式引导的推理与检索框架，用于为专业领域知识库构建逻辑推理与事实问答解决方案，可有效克服传统 RAG 向量相似度计算模型的不足。

同类工具

查看分类