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引擎和大型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和问答解决方案。KAG能够有效克服传统RAG向量相似度计算的模糊性以及由OpenIE引入的GraphRAG噪声问题。KAG支持逻辑推理、多跳事实问答等功能，显著优于当前的SOTA方法。

KAG的目标是在专业领域构建一个知识增强型LLM服务框架，支持逻辑推理、事实问答等任务。KAG充分整合了知识图谱的逻辑性和事实性特征，其核心功能包括：

• 知识与文本块互索引结构，以整合更完整的上下文信息
• 基于概念语义推理的知识对齐，缓解OpenIE带来的噪声问题
• 模式约束下的知识构建，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，支持逻辑推理及多跳推理问答

⭐️ 请给我们的仓库点个星，以便及时了解激动人心的新功能和改进！您将立即收到新版本发布的通知！🌟

2. 核心功能

2.1 知识表示

在私有知识库的场景下，非结构化数据、结构化信息和业务专家经验往往并存。KAG参考DIKW层次结构，将SPG升级为更适合LLM使用的版本。

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，还有业务经验和领域知识规则，KAG采用布局分析、知识提取、属性归一化和语义对齐等技术，将原始业务数据和专家规则整合进统一的业务知识图谱中。

这使得它能够在同一知识类型（例如实体类型、事件类型）上兼容无模式的信息抽取和有模式约束的专家知识构建，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基于图结构构建倒排索引，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解决方案及推理引擎。

该引擎包含规划、推理和检索三类算子，可将自然语言问题转化为结合语言与符号的求解过程。

在此过程中，每一步都可以使用不同的算子，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求解过程的融合。

3. 发布说明

3.1 最新更新

• 2025年6月27日：发布KAG 0.8.0版本
  • 扩展了两种模式：私有知识库（包括结构化与非结构化数据）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。
  • 增强了私有知识库的索引能力，内置大纲、摘要、知识单元、原子查询、文本块和表格等基础索引类型。
  • 将知识库与应用解耦：知识库管理私有数据（结构化与非结构化）和公共数据；应用可以关联多个知识库，并根据知识库构建时设定的索引类型自动适配相应的检索器进行数据召回。
  • 完全拥抱MCP协议，使KAG驱动的推理问答（通过MCP协议）能够在代理工作流中运行。
  • 完成了KAG-Thinker模型的适配。通过对问题广度分解、深度求解、知识边界确定以及抗噪声检索结果等方面的优化，在多轮迭代思维框架的指导下，框架的推理范式稳定性和逻辑严谨性得到了提升。
• 2025年4月17日：发布KAG 0.7版本
  • 首先，我们重构了KAG-Solver框架。增加了静态和迭代两种任务规划模式，同时为推理阶段实施了更为严格的知识分层机制。
  • 其次，我们优化了产品体验：在推理阶段引入“简单模式”和“深度推理”两种模式，并支持流式推理输出、自动渲染图索引以及将生成内容链接到原始参考文献。
  • 在KAG仓库的顶级目录下新增了open_benchmark文件夹，用于在同一基准下比较各种RAG方法，以达到最先进的水平（SOTA）。
  • 引入了“轻量化构建”模式，将知识构建的token成本降低了89%。
• 2025年1月7日：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，启用抽取的模式约束模式等。
• 2024年11月21日：支持Word文档上传、模型调用并发设置、用户体验优化等。
• 2024年10月25日：KAG首次发布

3.2 未来计划

• 我们将继续专注于提升大模型利用外部知识库的能力。我们的目标是在大模型与符号化知识之间实现双向增强和无缝融合，从而提高专业场景下推理和问答的事实性、严谨性和一致性。同时，我们也将持续发布更新，以突破能力边界，并推动其在垂直领域的应用。

4. 快速入门

4.1 基于产品的使用（面向普通用户）

4.1.1 引擎及依赖镜像安装

• 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

使用浏览器访问 KAG 产品的默认网址：http://127.0.0.1:8887

默认用户名：openspg
默认密码：openspg@kag

详细使用说明请参阅 KAG 使用指南（产品模式）。

4.2 基于工具包的使用（面向开发者）

4.2.1 引擎及依赖镜像安装

请参考 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

请参阅 KAG 使用指南（开发者模式），了解工具包的详细使用方法。随后，您可以使用内置组件复现内置数据集的性能结果，并将这些组件应用于新的业务场景中。

5. 技术架构

KAG 框架包含三个部分：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 实现了一种对大规模语言模型（LLM）友好的知识表示方式。基于 DIKW（数据、信息、知识和智慧）的层次结构，它提升了 SPG 的知识表示能力，并兼容无模式约束的信息抽取以及具有模式约束的专业知识构建（例如实体类型和事件类型）。此外，它还支持图结构与原始文本块之间的相互索引表示，从而为推理问答阶段提供高效的检索支持。

kg-solver 使用一种由逻辑符号引导的混合求解与推理引擎，该引擎包含三种类型的算子：规划、推理和检索，可将自然语言问题转化为语言与符号相结合的问题求解过程。在此过程中，每一步都可以使用不同的算子，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整合：检索、知识图谱推理、语言推理和数值计算。

6. 社区与支持

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

官网: 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 的技术文章及产品更新。

扫描下方二维码加入我们的微信交流群。

7. KAG、RAG 和 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，请按以下方式引用：

• KAG：通过知识增强生成提升专业领域中的 LLM 性能

• KGFabric：用于企业数据互联的可扩展知识图谱仓库

@article{liang2024kag,
  title={KAG：通过知识增强生成提升专业领域中的 LLM 性能},
  author={梁磊、孙梦舒、桂正科、朱仲书、蒋周宇、钟凌、赵培龙、薄仲璞、杨进等},
  journal={arXiv 预印本 arXiv:2409.13731},
  year={2024}
}

@article{yikgfabric,
  title={KGFabric：用于企业数据互联的可扩展知识图谱仓库},
  author={易鹏、梁磊、张达、陈勇、朱金叶、刘向宇、唐坤、陈嘉林、林浩、邱雷杰、周军}
}

许可证

Apache 许可证 2.0

KAG 核心团队

梁磊、孙梦舒、桂正科、朱仲书、蒋周宇、钟凌、赵培龙、薄仲璞、杨进、熊怀东、袁林、徐俊、王兆阳、张志强、张文、陈华军、陈文广、周军、王浩芬

KAG 快速上手指南

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。它旨在解决传统 RAG 的向量相似度歧义问题以及 GraphRAG 中由开放信息抽取引入的噪声问题，特别适用于垂直领域知识库的逻辑推理和多跳事实问答。

1. 环境准备

在开始之前，请确保您的系统满足以下要求：

系统要求

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

前置依赖

• macOS / Linux 用户:
  • Docker
  • Docker Compose
• Windows 用户:
  • WSL 2 或 Hyper-V
  • Docker
  • Docker Compose
• 开发模式额外需要:
  • Python 3.10 或更高版本
  • Git
  • Conda (推荐) 或 venv

2. 安装步骤

您可以根据需求选择产品化部署（适合普通用户，通过 Web 界面使用）或工具包开发（适合开发者，通过代码调用）。

方式一：产品化部署 (Product-based)

此方式通过 Docker Compose 一键启动包含前端界面的完整服务。

1. 设置环境变量 (仅 Windows 用户需要):

   set HOME=%USERPROFILE%
   

2. 下载配置文件并启动服务:

   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
   

3. 访问服务: 浏览器打开 http://127.0.0.1:8887

   • 默认用户名：openspg
   • 默认密码：openspg@kag

方式二：工具包开发 (Toolkit-based)

此方式适合开发者将 KAG 集成到自己的项目中。请先完成上述“方式一”中的引擎与依赖镜像安装，然后执行以下步骤：

macOS / Linux 开发者:

# 1. 创建并激活 Conda 环境
conda create -n kag-demo python=3.10
conda activate kag-demo

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

# 3. 安装 KAG
cd KAG && pip install -e .

Windows 开发者:

# 1. 创建并激活 Python 虚拟环境
py -m venv kag-demo
kag-demo\Scripts\activate

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

# 3. 安装 KAG
cd KAG && pip install -e .

3. 基本使用

产品化模式使用

登录 Web 界面后，您可以直接上传非结构化数据（如新闻、文档）或结构化数据，系统将自动进行布局分析、知识抽取和语义对齐，构建统一的知识图谱。随后即可在界面上进行逻辑推理问答和多跳查询。详细操作请参阅 KAG 产品模式使用指南。

工具包模式使用

安装完成后，您可以在 Python 代码中导入 KAG 组件，复现内置数据集的性能结果，或将其应用于新的业务场景。核心流程包括构建知识表示（kg-builder）和使用逻辑符号引导的混合求解引擎（kg-solver）。

示例代码结构参考：

from kag import solver

# 初始化求解器 (具体初始化参数需参考官方开发者文档配置)
# solver_instance = solver.init(...)

# 执行逻辑推理问答
# result = solver_instance.solve("您的自然语言问题")

详细的 API 调用和组件使用说明，请参阅 KAG 开发者模式使用指南。