大模型知识服务框架 KAG

1. KAG 是什么

检索增强生成（RAG）技术推动了领域应用与大模型结合。然而，RAG 存在着向量相似度与知识推理相关性差距大、对知识逻辑（如数值、时间关系、专家规则等）不敏感等问题，这些都阻碍了专业知识服务的落地。

2024 年 10 月 24 日，OpenSPG 发布 v0.5 版本，正式发布了知识增强生成（KAG）的专业领域知识服务框架。KAG 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 挑战：(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) 逻辑形式引导的混合推理引擎，(4) 与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%。我们已成功将 KAG 应用于蚂蚁集团的两个专业知识问答任务，包括电子政务问答和电子健康问答，与 RAG 方法相比，专业性有了显著提高。

1.1 技术架构

图1 KAG 技术架构

KAG 框架包括 kg-builder、kg-solver、kag-model 三部分。本次发布只涉及前两部分，kag-model 将在后续逐步开源发布。

kg-builder 实现了一种对大型语言模型（LLM）友好的知识表示，在 DIKW（数据、信息、知识和智慧）的层次结构基础上，升级 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 schema 约束的信息提取和有 schema 约束的专业知识构建，并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 采用逻辑形式引导的混合求解和推理引擎，该引擎包括三种类型的运算符：规划、推理和检索，将自然语言问题转化为结合语言和符号的问题求解过程。在这个过程中，每一步都可以利用不同的运算符，如精确匹配检索、文本检索、数值计算或语义推理，从而实现四种不同问题求解过程的集成：检索、知识图谱推理、语言推理和数值计算。

1.2 知识表示

私域知识库场景，非结构化数据、结构化信息、业务专家经验往往三者共存，KAG 参考了 DIKW 层次结构，将 SPG 升级为对 LLM 友好的版本。针对新闻、事件、日志、书籍等非结构化数据，交易、统计、审批等结构化数据，业务经验、领域知识等规则，KAG 采用版面分析、知识抽取、属性标化、语义对齐等技术，将原始的业务数据&专家规则融合到统一的业务知识图谱中。

这使得它能够在同一知识类型（如实体类型、事件类型）上兼容无 schema 约束的信息提取和有 schema 约束的专业知识构建，并支持图结构与原始文本块之间的互索引表示。这种互索引表示有助于基于图结构的倒排索引的构建，并促进了逻辑形式的统一表示、推理。

1.3 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和推理引擎。该引擎包括三种类型的运算符：规划、推理和检索，将自然语言问题转化为结合语言和符号的问题求解过程。在这个过程中，每一步都可以利用不同的运算符，如精确匹配检索、文本检索、数值计算或语义推理，从而实现四种不同问题求解过程的集成：检索、知识图谱推理、语言推理和数值计算。

2. 效果如何

2.1 公开数据集的效果（多跳推理）

经过优化，我们不仅验证了 KAG 在垂直领域的适应性，我们还在通用数据集多跳问答中与现有 RAG 方法进行了比较，发现它明显优于 SOTA 方法，在 2wiki 上 F1 相对提升 33.5%，在 hotpotQA 上相对提高 19.6% 。我们正在继续优化这一框架，并通过端到端实验和消融实验指标证明了其有效性。通过逻辑符号驱动的推理和概念对齐的方式，我们证实了这一框架的有效性。

2.2 领域知识场景的效果（风险挖掘）

2.2.1 专家规则定义

定义“赌博APP”认定规则

define riskAppTaxo rule

Define (s:App)-[p:belongTo]->(o:`TaxOfRiskApp`/`GamblingApp`) {
    Structure {
        (s)
    }
    Constraint {
        R1("risk label marked as gambling") s.riskMark like "%Gambling%"
  }
}

定义 “App开发者”认定规则

define app developper rule

Define (s:Person)-[p:developed]->(o:App) {
    Structure {
        (s)-[:hasDevice]->(d:Device)-[:install]->(o)
    }
    Constraint {
        deviceNum = group(s,o).count(d)
        R1("device installed same app"): deviceNum > 5
    }
}

定义 “赌博App 开发者”认定规则

define a RiskUser of gambling app rule

Define (s:Person)-[p:belongTo]->(o:`TaxOfRiskUser`/`DeveloperOfGamblingApp`) {
    Structure {
        (s)-[:developed]->(app:`TaxOfRiskApp`/`GamblingApp`)
    }
    Constraint {
    }
}

2.2.2 业务数据

2.2.3 推理过程

推理过程中，关键步骤如下几步。

将自然语言问题转换成可执行的逻辑表达式，此处依赖的是项目下的概念建模，可参考黑产挖掘文档。
将转换的逻辑表达式提交到 OpenSPG reasoner 执行，得到用户的分类结果。
将用户的分类结果进行答案生成。

KAG 结合 OpenSPG 概念建模，可以降低自然语言转换图查询的难度，将面向数据的转换变为面向分类概念的转换，可在原有 OpenSPG 项目上快速实现自然语言问答的领域应用。

3. 怎样使用

3.1 基于产品（面向普通用户）

3.1.1 引擎&依赖镜像安装

推荐系统版本：

macOS 用户：macOS Monterey 12.6 或更新版本
Linux 用户：CentOS 7 / Ubuntu 20.04 或更新版本
Windows 用户：Windows 10 LTSC 2021 或更新版本

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 并用 Docker Compose 启动服务。

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

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

3.1.2 使用

浏览器打开 KAG 产品默认链接：http://127.0.0.1:8887 。

具体使用参考产品使用介绍。

3.2 基于工具包（面向开发者）

3.2.1 引擎&依赖镜像安装

参考 3.1 部分完成引擎&依赖的镜像安装。

3.2.2 KAG 安装

macOS / Linux 开发者

# 安装 Python 虚拟环境：conda create -n kag-demo python=3.10 && conda activate kag-demo

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

# KAG 安装: cd KAG && pip install -e .

Windows 开发者

# 安装官方 Python 3.8.10 或更新版本，安装 Git。

# 创建、激活 Python 虚拟环境：py -m venv kag-demo && kag-demo\Scripts\activate

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

# KAG 安装: cd KAG && pip install -e .

3.2.3 使用

开发者可以参考 KAG 案例，基于 KAG 内置的各种组件，实现内置数据集的效果复现 + 新场景的落地。

4. 如何扩展

4.1 扩展 KAG 能力

如果 KAG 提供的组件不满足要求，开发者可以自行扩展 kag-builder、kag-solver 的实现。详细介绍参考 kag-builder 组件介绍、kag-solver 组件介绍。

4.1.1 kag-builder 扩展

KAG 通过 BuilderChain 串联 reader、splitter、mapping、extractor、aligner、vectorizer 等组件。开发者可使用 KAG 预定的 BuilderChain 完成图谱构建，也可以组装预定义组件并获取BuilderChain。

同时，开发者可自定义 builder 中的组件，并嵌入到 BuilderChain 中执行。

kag
├──interface
│  ├── builder
│  │   ├── aligner_abc.py
│  │   ├── extractor_abc.py
│  │   ├── mapping_abc.py
│  │   ├── reader_abc.py
│  │   ├── splitter_abc.py
│  │   ├── vectorizer_abc.py
│  │   └── writer_abc.py

4.1.2 kag-solver 扩展

kag-solver 通过 solver-pipeline 串联 reasoner、generator、reflector 组件执行。KAG 提供了默认的 reasoner、generator、reflector，开发者也可基于下述接口扩展自定义实现：

kag
├── solver
│   ├── logic
│   │   └── solver_pipeline.py
├── interface
    ├── retriever
    │   ├── chunk_retriever_abc.py
    │   └── kg_retriever_abc.py
    └── solver
        ├── kag_generator_abc.py
        ├── kag_memory_abc.py
        ├── kag_reasoner_abc.py
        ├── kag_reflector_abc.py
        └── lf_planner_abc.py

4.2 KAG 适配到定制模型

4.2.1 生成模型适配

KAG 支持与 Qwen / DeepSeek / GPT 等 OpenAI 接口兼容的 MaaS 类 API 对接，也支持基于 vLLM / Ollama 加载的本地模型对接。开发者可基于 llm_client 接口，添加对自定义模型服务的支持。

大模型适配接口定义

kag
├── common
  ├── llm
    ├── client
    │   ├── llm_client.py
    │   ├── ollama_client.py
    │   ├── openai_client.py
    │   ├── vllm_client.py

4.2.2 表示模型适配

KAG 支持调用 OpenAI 类表示模型的接口调用，包括 OpenAI embedding service、Ollama 加载的 bge-en、bge-zh 等；也支持 local 方式完成模型的加载&使用。

表示模型适配接口定义

kag
├── common
  ├── vectorizer
  │   ├── vectorizer.py
  │   ├── openai_vectorizer.py
  │   ├── local_bge_m3_vectorizer.py
  │   ├── local_bge_vectorizer.py

4.3 KAG 集成到其它框架

在于其它框架集成时，可将外部业务数据&专家知识作为输入，调用 kag-builder pipeline 完成图谱构建。也可以调用 kag-solver 完成推理问答，并将推理结果&中间过程透出到业务系统中。

其它框架集成 KAG 的方式可以简单描述为：

5. 后续计划

领域知识注入，实现领域概念图与实体图的融合
kag-model 优化，实现构图&问答的效率提升
知识逻辑约束的幻觉抑制

6. 联系我们

GitHub: https://github.com/OpenSPG/KAG

OpenSPG: https://spg.openkg.cn/

引用

如果您使用本软件，请以下面的方式引用：

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 Qu, Yuan 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}
}

许可协议

Apache License 2.0

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

README_cn.md

README_cn.md

大模型知识服务框架 KAG

1. KAG 是什么

1.1 技术架构

1.2 知识表示

1.3 逻辑形式引导的混合推理

2. 效果如何

2.1 公开数据集的效果（多跳推理）

2.2 领域知识场景的效果（风险挖掘）

2.2.1 专家规则定义

2.2.2 业务数据

2.2.3 推理过程

3. 怎样使用

3.1 基于产品（面向普通用户）

3.1.1 引擎&依赖镜像安装

3.1.2 使用

3.2 基于工具包（面向开发者）

3.2.1 引擎&依赖镜像安装

3.2.2 KAG 安装

3.2.3 使用

4. 如何扩展

4.1 扩展 KAG 能力

4.1.1 kag-builder 扩展

4.1.2 kag-solver 扩展

4.2 KAG 适配到定制模型

4.2.1 生成模型适配

4.2.2 表示模型适配

4.3 KAG 集成到其它框架

5. 后续计划

6. 联系我们

引用

许可协议

Files

README_cn.md

Latest commit

History

README_cn.md

File metadata and controls

大模型知识服务框架 KAG

1. KAG 是什么

1.1 技术架构

1.2 知识表示

1.3 逻辑形式引导的混合推理

2. 效果如何

2.1 公开数据集的效果（多跳推理）

2.2 领域知识场景的效果（风险挖掘）

2.2.1 专家规则定义

2.2.2 业务数据

2.2.3 推理过程

3. 怎样使用

3.1 基于产品（面向普通用户）

3.1.1 引擎&依赖 镜像安装

3.1.2 使用

3.2 基于工具包（面向开发者）

3.2.1 引擎&依赖 镜像安装

3.2.2 KAG 安装

3.2.3 使用

4. 如何扩展

4.1 扩展 KAG 能力

4.1.1 kag-builder 扩展

4.1.2 kag-solver 扩展

4.2 KAG 适配到定制模型

4.2.1 生成模型适配

4.2.2 表示模型适配

4.3 KAG 集成到其它框架

5. 后续计划

6. 联系我们

引用

许可协议

3.1.1 引擎&依赖镜像安装

3.2.1 引擎&依赖镜像安装