KAG：知识增强生成

English | 简体中文 | 日本語版ドキュメント

1. 什么是 KAG？

KAG 是一个基于 OpenSPG 引擎和大语言模型的逻辑推理与问答框架，用于构建垂直领域知识库的逻辑推理与问答解决方案。KAG 能有效克服传统 RAG 向量相似度计算的模糊性以及 GraphRAG 因 OpenIE 引入的噪声问题，支持逻辑推理、多跳事实问答等，性能显著优于当前 SOTA 方法。

KAG 的目标是构建专业领域的知识增强 LLM 服务框架，支持逻辑推理、事实问答等。KAG 深度融合了知识图谱的逻辑性与事实性特征，其核心特点包括：

• 知识与文本块互索引结构：整合更完整的上下文文本信息。
• 概念语义推理的知识对齐：缓解 OpenIE 带来的噪声问题。
• 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。

⭐️ 给我们的仓库点个 Star，及时了解激动人心的新功能和改进！获取新版本发布的即时通知！🌟

2. 核心特性

2.1 知识表示

在私有知识库场景中，非结构化数据、结构化信息与业务专家经验常常并存。KAG 参考 DIKW 层次模型，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，连同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到统一的业务知识图谱中。

这使得在同一知识类型（如实体类型、事件类型）上，既能兼容无模式约束的信息抽取，也能支持有模式约束的专业知识构建，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，并促进逻辑形式的统一表示与推理。

2.2 逻辑形式引导的混合推理

KAG 提出了一种逻辑形式引导的混合求解与推理引擎。

该引擎包含规划、推理、检索三类算子，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，每一步都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。

3. 版本说明

3.1 最新更新

• 2025.06.27 : 发布 KAG 0.8.0 版本
• 扩展两种模式：私有知识库（含结构化 & 非结构化数据）和公共网络知识库，支持通过 MCP 协议集成 LBS、WebSearch 等公共数据源。
• 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。
• 解耦知识库与应用：知识库管理私有数据（结构化 & 非结构化）和公共数据；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，支持在 Agent 工作流中通过 MCP 协议进行 KAG 驱动的推理问答。
• 完成 KAG-Thinker 模型适配。通过广度问题分解、深度方案推导、知识边界确定和抗噪检索结果等方面的优化，在多轮迭代思维框架引导下，提升了框架推理范式的稳定性和逻辑严谨性。
• 2025.04.17 : 发布 KAG 0.7 版本
• 重构了 KAG-Solver 框架。新增支持静态和迭代两种任务规划模式，同时为推理阶段实现了更严谨的知识分层机制。
• 优化产品体验：在推理阶段引入“简单模式”和“深度推理”双模式，支持流式推理输出、自动渲染图谱索引，并将生成内容链接到原始参考源。
• 在 KAG 仓库顶层添加 open_benchmark 目录，在同一基准下比较多种 RAG 方法，达到 SOTA 效果。
• 引入“轻量构建”模式，将知识构建的 Token 成本降低 89%。
• 2025.01.07 : 支持领域知识注入、领域模式定制、QFS 任务支持、可视化查询分析，启用模式约束抽取模式等。
• 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 初始版本发布。

3.2 未来计划

• 我们将持续专注于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的双向增强与无缝集成，提升专业场景下推理与问答的事实性、严谨性和一致性。我们也将持续发布更新，以突破能力边界并推动在垂直领域的应用。

4. 快速开始

4.1 产品模式（面向普通用户）

4.1.1 引擎及依赖镜像安装

• 推荐系统版本：

text 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：

text 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，并通过 Docker Compose 启动服务。

# 设置 HOME 环境变量（仅 Windows 用户需要执行此命令）
# set HOME=%USERPROFILE%

curl -sSL https://raw.githubusercontent.com/OpenSPG/openspg/refs/heads/master/dev/release/docker-compose-west.yml -o docker-compose-west.yml
docker compose -f docker-compose-west.yml up -d

4.1.2 使用产品

在浏览器中导航至 KAG 产品的默认 URL：http://127.0.0.1:8887

默认用户名：openspg
默认密码：openspg@kag

详细使用介绍请参阅 KAG 使用指南（产品模式）。

4.2 工具包模式（面向开发者）

4.2.1 引擎及依赖镜像安装

参考 3.1 节完成引擎及依赖镜像的安装。

4.2.2 安装 KAG

macOS / Linux 开发者

# 创建 conda 环境：conda create -n kag-demo python=3.10 && conda activate kag-demo

# 克隆代码：git clone https://github.com/OpenSPG/KAG.git

# 安装 KAG：cd KAG && pip install -e .

Windows 开发者

# 安装官方 Python 3.10 或更高版本，安装 Git。

# 创建并激活 Python venv：py -m venv kag-demo && kag-demo\Scripts\activate

# 克隆代码：git clone https://github.com/OpenSPG/KAG.git

# 安装 KAG：cd KAG && pip install -e .

4.2.3 使用工具包

请参考 KAG 使用指南（开发者模式） 了解工具包的详细使用介绍。之后，您可以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中。

5. 技术架构

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

kg-builder 实现了对大语言模型（LLM）友好的知识表示。基于 DIKW（数据、信息、知识、智慧）层次结构，它升级了 SPG 的知识表示能力，兼容在同一知识类型（如实体类型、事件类型）上无模式约束的信息抽取和有模式约束的专业知识构建，同时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，包含规划、推理、检索三类算子，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，每一步都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。

6. 社区与支持

GitHub：https://github.com/OpenSPG/KAG

网站：https://openspg.github.io/v2/docs_en

Discord

加入我们的 Discord 社区。

微信

关注 OpenSPG 官方公众号，获取关于 OpenSPG 和 KAG 的技术文章和产品更新。

扫描下方二维码加入我们的微信群。

7. KAG、RAG 与 GraphRAG 的区别

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

8. 引用

如果您使用本软件，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

@article{liang2024kag,
  title={KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation},
  author={Liang, Lei and Sun, Mengshu and Gui, Zhengke and Zhu, Zhongshu and Jiang, Zhouyu and Zhong, Ling and Zhao, Peilong and Bo, Zhongpu and Yang, Jin and others},
  journal={arXiv preprint arXiv:2409.13731},
  year={2024}
}

@article{yikgfabric,
  title={KGFabric: A Scalable Knowledge Graph Warehouse for Enterprise Data Interconnection},
  author={Yi, Peng and Liang, Lei and Da Zhang, Yong Chen and Zhu, Jinye and Liu, Xiangyu and Tang, Kun and Chen, Jialin and Lin, Hao and Qiu, Leijie and Zhou, Jun}
}

许可证

Apache License 2.0

KAG 核心团队

梁磊，孙梦书，桂正珂，朱仲书，姜周宇，钟灵，赵培龙，薄中璞，杨锦，熊怀东，袁林，徐俊，王早阳，张志强，张雯，陈华钧，陈文光，周俊，王昊奋