[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-OpenSPG--KAG":3,"tool-OpenSPG--KAG":65},[4,18,28,36,44,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",154349,2,"2026-04-13T23:32:16",[14,13,27],"语言模型",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[27,15,13,14],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[14,27],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":24,"last_commit_at":50,"category_tags":51,"status":17},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",85092,"2026-04-10T11:13:16",[15,16,52,53,13,54,27,14,55],"视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":62,"last_commit_at":63,"category_tags":64,"status":17},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[27,16,54],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":99,"forks":100,"last_commit_at":101,"license":102,"difficulty_score":10,"env_os":103,"env_gpu":104,"env_ram":104,"env_deps":105,"category_tags":112,"github_topics":113,"view_count":24,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":122},7290,"OpenSPG\u002FKAG","KAG","KAG is a logical form-guided reasoning and retrieval framework based on OpenSPG engine and LLMs.  It is used to build logical reasoning and factual Q&A solutions for professional domain knowledge bases. It can effectively overcome the shortcomings of the traditional RAG vector similarity calculation model.","KAG（知识增强生成）是一款专为专业领域打造的智能问答与逻辑推理框架。它巧妙结合了 OpenSPG 引擎的结构化能力与大语言模型的灵活性，旨在解决传统检索增强生成（RAG）技术中常见的痛点：即单纯依赖向量相似度计算导致的语义模糊，以及自动提取知识时引入的噪声干扰。\n\n通过引入“逻辑形式引导”机制，KAG 能够精准处理复杂的多跳推理任务和高精度的事实性问答，特别适用于金融、法律、医疗等对准确性要求极高的垂直行业知识库建设。其核心技术亮点包括独特的“知识与文本块互索引”结构，既保留了完整的上下文信息，又实现了图谱结构与原文的高效关联；同时采用概念语义推理进行知识对齐，有效清洗数据噪声，并支持基于专家定义的 Schema 约束来构建高质量领域知识。\n\n这款工具主要面向开发者、人工智能研究人员以及企业级知识工程团队。如果你正在寻求构建超越传统搜索体验、具备深度逻辑理解能力的专业问答系统，KAG 提供了一个成熟且高效的开源解决方案，帮助将分散的非结构化数据与专家经验转化为可推理、可信赖的业务智慧。","# KAG: Knowledge Augmented Generation\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fspg.openkg.cn\u002Fen-US\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_b19867cdbae4.png\" width=\"520\" alt=\"openspg logo\">\n\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\".\u002FREADME.md\">English\u003C\u002Fa> |\n  \u003Ca href=\".\u002FREADME_cn.md\">简体中文\u003C\u002Fa> |\n  \u003Ca href=\".\u002FREADME_ja.md\">日本語版ドキュメント\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Ca href='https:\u002F\u002Farxiv.org\u002Fpdf\u002F2409.13731'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2409.13731-b31b1b'>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG\u002Freleases\u002Flatest\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002FOpenSPG\u002FKAG?color=blue&label=Latest%20Release\" alt=\"Latest Release\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fdocs_en\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FUser%20Guide-1e8b93?logo=readthedocs&logoColor=f5f5f5\" alt=\"User Guide\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG\u002Fblob\u002Fmain\u002FLICENSE\">\n        \u003Cimg height=\"21\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache--2.0-ffffff?labelColor=d4eaf7&color=2e6cc4\" alt=\"license\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fdeepwiki.com\u002FLike0x\u002FKAG\">\u003Cimg src=\"https:\u002F\u002Fdeepwiki.com\u002Fbadge.svg\" alt=\"Ask DeepWiki\">\u003C\u002Fa>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n   \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FPURG77zhQ7\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1329648479709958236?style=for-the-badge&logo=discord&label=Discord\" alt=\"Discord\">\n   \u003C\u002Fa>\n\u003C\u002Fp>\n\n# 1. What is KAG?\n\nKAG is a logical reasoning and Q&A framework based on the [OpenSPG](https:\u002F\u002Fgithub.com\u002FOpenSPG\u002Fopenspg) engine and large language models, which is used to build logical reasoning and Q&A solutions for vertical domain knowledge bases.  KAG can effectively overcome the ambiguity of traditional RAG vector similarity calculation and the noise problem of GraphRAG introduced by OpenIE.  KAG supports logical reasoning and multi-hop fact Q&A, etc., and is significantly better than the current SOTA method.\n\nThe goal of KAG is to build a knowledge-enhanced LLM service framework in professional domains, supporting logical reasoning, factual Q&A, etc. KAG fully integrates the logical and factual characteristics of the KGs. Its core features include:\n\n- Knowledge and Chunk Mutual Indexing structure to integrate more complete contextual text information\n- Knowledge alignment using conceptual semantic reasoning to alleviate the noise problem caused by OpenIE\n- Schema-constrained knowledge construction to support the representation and construction of domain expert knowledge\n- Logical form-guided hybrid reasoning and retrieval to support logical reasoning and multi-hop reasoning Q&A\n\n⭐️ Star our repository to stay up-to-date with exciting new features and improvements! Get instant notifications for new releases! 🌟\n\n![Star KAG](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_df7adda06717.gif)\n\n# 2. Core Features\n\n## 2.1 Knowledge Representation\n\nIn the context of private knowledge bases, unstructured data, structured information, and business expert experience often coexist. KAG references the DIKW hierarchy to upgrade SPG to a version that is friendly to LLMs. \n\nFor unstructured data such as news, events, logs, and books, as well as structured data like transactions, statistics, and approvals, along with business experience and domain knowledge rules, KAG employs techniques such as layout analysis, knowledge extraction, property normalization, and semantic alignment to integrate raw business data and expert rules into a unified business knowledge graph.\n\n![KAG Diagram](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_d10123e6e0ac.jpg)\n\nThis makes it compatible with schema-free information extraction and schema-constrained expertise construction on the same knowledge type (e. G., entity type, event type), and supports the cross-index representation between the graph structure and the original text block. \n\nThis mutual index representation is helpful to the construction of inverted index based on graph structure, and promotes the unified representation and reasoning of logical forms.\n\n## 2.2 Mixed Reasoning Guided by Logic Forms\n\n![Logical Form Solver](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_baced702f515.png)\n\nKAG proposes a logically formal guided hybrid solution and inference engine. \n\nThe engine includes three types of operators: planning, reasoning, and retrieval, which transform natural language problems into problem solving processes that combine language and notation. \n\nIn this process, each step can use different operators, such as exact match retrieval, text retrieval, numerical calculation or semantic reasoning, so as to realize the integration of four different problem solving processes: Retrieval, Knowledge Graph reasoning, language reasoning and numerical calculation.\n\n# 3. Release Notes\n\n## 3.1 Latest Updates\n* 2025.06.27 : Released KAG 0.8.0 Version \n  * Expanded two modes: Private Knowledge Base (including structured & unstructured data) and Public Network Knowledge Base, supporting integration of LBS, WebSearch, and other public data sources via MCP protocol.\n  * Enhanced Private Knowledge Base indexing capabilities, with built-in fundamental index types such as Outline, Summary, KnowledgeUnit, AtomicQuery, Chunk, and Table.\n  * Decoupled knowledge bases from applications: Knowledge Bases manage private data (structured & unstructured) and public data; Applications can associate with multiple knowledge bases and automatically adapt corresponding retrievers for data recall based on index types established during knowledge base construction.\n  * Fully embraced MCP, enabling KAG-powered inference QA (via MCP protocol) within agent workflows.\n  * Completed adaptation for the KAG-Thinker model. Through optimizations in breadth-wise problem decomposition, depth-wise solution derivation, knowledge boundary determination, and noise-resistant retrieval results, the framework's reasoning paradigm stability and logical rigor have been improved under the guidance of multi-round iterative thinking frameworks. \n* 2025.04.17 : Released KAG 0.7 Version \n  * First, we refactored the KAG-Solver framework. Added support for two task planning modes, static and iterative, while implementing a more rigorous knowledge layering mechanism for the reasoning phase. \n  * Second, we optimized the product experience: introduced dual modes—\"Simple Mode\" and \"Deep Reasoning\"—during the reasoning phase, along with support for streaming inference output, automatic rendering of graph indexes, and linking generated content to original references. \n  * Added an open_benchmark directory to the top level of the KAG repository, comparing various RAG methods under the same base to achieve state-of-the-art (SOTA) results. \n  * Introduced a \"Lightweight Build\" mode, reducing knowledge construction token costs by 89%.\n* 2025.01.07 : Support domain knowledge injection, domain schema customization, QFS tasks support, Visual query analysis, enables schema-constraint mode for extraction, etc.\n* 2024.11.21 : Support Word docs upload, model invoke concurrency setting, User experience optimization, etc.\n* 2024.10.25 : KAG initial release\n\n## 3.2 Future Plans\n\n* We will continue to focus on enhancing large models' ability to leverage external knowledge bases. Our goal is to achieve bidirectional enhancement and seamless integration between large models and symbolic knowledge, improving the factuality, rigor, and consistency of reasoning and Q&A in professional scenarios. We will also keep releasing updates to push the boundaries of capability and drive adoption in vertical domains.\n\n# 4. Quick Start\n\n## 4.1 product-based (for ordinary users)\n\n### 4.1.1 Engine & Dependent Image Installation\n\n* **Recommend System Version:**\n\n  ```text\n  macOS User：macOS Monterey 12.6 or later\n  Linux User：CentOS 7 \u002F Ubuntu 20.04 or later\n  Windows User：Windows 10 LTSC 2021 or later\n  ```\n\n* **Software Requirements:**\n\n  ```text\n  macOS \u002F Linux User：Docker，Docker Compose\n  Windows User：WSL 2 \u002F Hyper-V，Docker，Docker Compose\n  ```\n\nUse the following commands to download the docker-compose.yml file and launch the services with Docker Compose.\n\n```bash\n# set the HOME environment variable (only Windows users need to execute this command)\n# set HOME=%USERPROFILE%\n\ncurl -sSL https:\u002F\u002Fraw.githubusercontent.com\u002FOpenSPG\u002Fopenspg\u002Frefs\u002Fheads\u002Fmaster\u002Fdev\u002Frelease\u002Fdocker-compose-west.yml -o docker-compose-west.yml\ndocker compose -f docker-compose-west.yml up -d\n```\n\n### 4.1.2 Use the product\n\nNavigate to the default url of the KAG product with your browser: \u003Chttp:\u002F\u002F127.0.0.1:8887>\n```text\nDefault Username: openspg\nDefault password: openspg@kag\n```\nSee [KAG usage (product mode)](https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fcwh47i\u002Frs7gr8g4s538b1n7#rtOlA) for detailed introduction.\n\n## 4.2 toolkit-based (for developers)\n\n### 4.2.1 Engine & Dependent Image Installation\n\nRefer to the 3.1 section to complete the installation of the engine & dependent image.\n\n### 4.2.2 Installation of KAG\n\n\n**macOS \u002F Linux developers**\n\n```text\n# Create conda env: conda create -n kag-demo python=3.10 && conda activate kag-demo\n\n# Clone code: git clone https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG.git\n\n# Install KAG: cd KAG && pip install -e .\n```\n\n**Windows developers**\n\n```text\n# Install the official Python 3.10 or later, install Git.\n\n# Create and activate Python venv: py -m venv kag-demo && kag-demo\\Scripts\\activate\n\n# Clone code: git clone https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG.git\n\n# Install KAG: cd KAG && pip install -e .\n```\n\n### 4.2.3 Use the toolkit\n\nPlease refer to [KAG usage (developer mode)](https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fcwh47i\u002Frs7gr8g4s538b1n7#cikso) guide for detailed introduction of the toolkit. Then you can use the built-in components to reproduce the performance results of the built-in datasets, and apply those components to new busineness scenarios.\n\n# 5. Technical Architecture\n\n![KAG technical architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_ee3af9a01ec7.png)\n\nThe KAG framework includes three parts: kg-builder, kg-solver, and kag-model. This release only involves the first two parts, kag-model will be gradually open source release in the future.\n\nkg-builder implements a knowledge representation that is friendly to large-scale language models (LLM). Based on the hierarchical structure of DIKW (data, information, knowledge and wisdom), IT upgrades SPG knowledge representation ability, and is compatible with information extraction without schema constraints and professional knowledge construction with schema constraints on the same knowledge type (such as entity type and event type), it also supports the mutual index representation between the graph structure and the original text block, which supports the efficient retrieval of the reasoning question and answer stage.\n\nkg-solver uses a logical symbol-guided hybrid solving and reasoning engine that includes three types of operators: planning, reasoning, and retrieval, to transform natural language problems into a problem-solving process that combines language and symbols. In this process, each step can use different operators, such as exact match retrieval, text retrieval, numerical calculation or semantic reasoning, so as to realize the integration of four different problem solving processes: Retrieval, Knowledge Graph reasoning, language reasoning and numerical calculation.\n\n# 6. Community & Support\n\n**GitHub**: \u003Chttps:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG>\n\n**Website**: \u003Chttps:\u002F\u002Fopenspg.github.io\u002Fv2\u002Fdocs_en>\n\n## Discord \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FPURG77zhQ7\"> \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1329648479709958236?style=for-the-badge&logo=discord&label=Discord\" alt=\"Discord\">\u003C\u002Fa>\n\nJoin our [Discord](https:\u002F\u002Fdiscord.gg\u002FPURG77zhQ7) community.\n\n## WeChat\n\nFollow OpenSPG Official Account to get technical articles and product updates about OpenSPG and KAG.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_7da4e0479530.png\" alt=\"Contact Us: OpenSPG QR-code\" width=\"200\">\n\nScan the QR code below to join our WeChat group. \n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_34c2ae984a8a.jpg\" alt=\"Join WeChat group\" width=\"200\">\n\n\n# 7. Differences between KAG, RAG, and GraphRAG\n\n**KAG introduction and applications**: \u003Chttps:\u002F\u002Fgithub.com\u002Forgs\u002FOpenSPG\u002Fdiscussions\u002F52>\n\n# 8. Citation\n\nIf you use this software, please cite it as below:\n\n* [KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation](https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.13731)\n\n* KGFabric: A Scalable Knowledge Graph Warehouse for Enterprise Data Interconnection\n\n```bibtex\n@article{liang2024kag,\n  title={KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation},\n  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},\n  journal={arXiv preprint arXiv:2409.13731},\n  year={2024}\n}\n\n@article{yikgfabric,\n  title={KGFabric: A Scalable Knowledge Graph Warehouse for Enterprise Data Interconnection},\n  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}\n}\n```\n\n# License\n\n[Apache License 2.0](LICENSE)\n\n# KAG Core Team\nLei 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\n","# KAG：知识增强生成\n\n\u003Cdiv align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fspg.openkg.cn\u002Fen-US\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_b19867cdbae4.png\" width=\"520\" alt=\"openspg logo\">\n\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cp align=\"center\">\n  \u003Ca href=\".\u002FREADME.md\">English\u003C\u002Fa> |\n  \u003Ca href=\".\u002FREADME_cn.md\">简体中文\u003C\u002Fa> |\n  \u003Ca href=\".\u002FREADME_ja.md\">日本語版ドキュメント\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n    \u003Ca href='https:\u002F\u002Farxiv.org\u002Fpdf\u002F2409.13731'>\u003Cimg src='https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2409.13731-b31b1b'>\u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG\u002Freleases\u002Flatest\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fv\u002Frelease\u002FOpenSPG\u002FKAG?color=blue&label=Latest%20Release\" alt=\"Latest Release\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fdocs_en\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FUser%20Guide-1e8b93?logo=readthedocs&logoColor=f5f5f5\" alt=\"User Guide\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG\u002Fblob\u002Fmain\u002FLICENSE\">\n        \u003Cimg height=\"21\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache--2.0-ffffff?labelColor=d4eaf7&color=2e6cc4\" alt=\"license\">\n    \u003C\u002Fa>\n    \u003Ca href=\"https:\u002F\u002Fdeepwiki.com\u002FLike0x\u002FKAG\">\u003Cimg src=\"https:\u002F\u002Fdeepwiki.com\u002Fbadge.svg\" alt=\"Ask DeepWiki\">\u003C\u002Fa>\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n   \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FPURG77zhQ7\">\n        \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1329648479709958236?style=for-the-badge&logo=discord&label=Discord\" alt=\"Discord\">\n   \u003C\u002Fa>\n\u003C\u002Fp>\n\n# 1. 什么是KAG？\n\nKAG是一个基于[OpenSPG](https:\u002F\u002Fgithub.com\u002FOpenSPG\u002Fopenspg)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。\n\nKAG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：\n\n- 知识与文本块互索引结构，以整合更完整的上下文信息\n- 基于概念语义推理的知识对齐，缓解OpenIE带来的噪声问题\n- 模式约束下的知识构建，支持领域专家知识的表示与构建\n- 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\n\n⭐️ 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！🌟\n\n![Star KAG](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_df7adda06717.gif)\n\n# 2. 核心功能\n\n## 2.1 知识表示\n\n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。\n\n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。\n\n![KAG示意图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_d10123e6e0ac.jpg)\n\n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。\n\n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。\n\n## 2.2 逻辑形式引导的混合推理\n\n![逻辑形式求解器](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_baced702f515.png)\n\nKAG提出了一种逻辑形式引导的混合解决方案及推理引擎。\n\n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。\n\n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。\n\n# 3. 发布说明\n\n## 3.1 最新更新\n* 2025年6月27日：发布KAG 0.8.0版本  \n  * 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。\n  * 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。\n  * 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。\n  * 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。\n  * 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。\n* 2025年4月17日：发布KAG 0.7版本  \n  * 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。\n  * 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。\n  * 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）。\n  * 引入了“轻量化构建”模式，将知识构建的token成本降低了89%。\n* 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。\n* 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。\n* 2024年10月25日：KAG首次发布\n\n## 3.2 未来计划\n\n* 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。\n\n# 4. 快速入门\n\n## 4.1 基于产品的使用（面向普通用户）\n\n### 4.1.1 引擎及依赖镜像安装\n\n* **推荐系统版本：**\n\n  ```text\n  macOS 用户：macOS Monterey 12.6 或更高版本\n  Linux 用户：CentOS 7 \u002F Ubuntu 20.04 或更高版本\n  Windows 用户：Windows 10 LTSC 2021 或更高版本\n  ```\n\n* **软件要求：**\n\n  ```text\n  macOS \u002F Linux 用户：Docker，Docker Compose\n  Windows 用户：WSL 2 \u002F Hyper-V，Docker，Docker Compose\n  ```\n\n使用以下命令下载 docker-compose.yml 文件，并通过 Docker Compose 启动服务。\n\n```bash\n# 设置 HOME 环境变量（仅 Windows 用户需要执行此命令）\n# set HOME=%USERPROFILE%\n\ncurl -sSL https:\u002F\u002Fraw.githubusercontent.com\u002FOpenSPG\u002Fopenspg\u002Frefs\u002Fheads\u002Fmaster\u002Fdev\u002Frelease\u002Fdocker-compose-west.yml -o docker-compose-west.yml\ndocker compose -f docker-compose-west.yml up -d\n```\n\n### 4.1.2 使用产品\n\n使用浏览器访问 KAG 产品的默认网址：\u003Chttp:\u002F\u002F127.0.0.1:8887>\n```text\n默认用户名：openspg\n默认密码：openspg@kag\n```\n详细使用说明请参阅 [KAG 使用指南（产品模式）](https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fcwh47i\u002Frs7gr8g4s538b1n7#rtOlA)。\n\n## 4.2 基于工具包的使用（面向开发者）\n\n### 4.2.1 引擎及依赖镜像安装\n\n请参考 3.1 节完成引擎及依赖镜像的安装。\n\n### 4.2.2 安装 KAG\n\n\n**macOS \u002F Linux 开发者**\n\n```text\n# 创建 conda 环境：conda create -n kag-demo python=3.10 && conda activate kag-demo\n\n# 克隆代码：git clone https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG.git\n\n# 安装 KAG：cd KAG && pip install -e .\n```\n\n**Windows 开发者**\n\n```text\n# 安装官方 Python 3.10 或更高版本，安装 Git。\n\n# 创建并激活 Python venv：py -m venv kag-demo && kag-demo\\Scripts\\activate\n\n# 克隆代码：git clone https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG.git\n\n# 安装 KAG：cd KAG && pip install -e .\n```\n\n### 4.2.3 使用工具包\n\n请参阅 [KAG 使用指南（开发者模式）](https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fcwh47i\u002Frs7gr8g4s538b1n7#cikso)，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。\n\n# 5. 技术架构\n\n![KAG 技术架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_ee3af9a01ec7.png)\n\nKAG 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。\n\nkg-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。\n\nkg-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。\n\n# 6. 社区与支持\n\n**GitHub**: \u003Chttps:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG>\n\n**官网**: \u003Chttps:\u002F\u002Fopenspg.github.io\u002Fv2\u002Fdocs_en>\n\n## Discord \u003Ca href=\"https:\u002F\u002Fdiscord.gg\u002FPURG77zhQ7\"> \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F1329648479709958236?style=for-the-badge&logo=discord&label=Discord\" alt=\"Discord\">\u003C\u002Fa>\n\n加入我们的 [Discord](https:\u002F\u002Fdiscord.gg\u002FPURG77zhQ7) 社区。\n\n## 微信\n\n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。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_7da4e0479530.png\" alt=\"联系我们：OpenSPG 二维码\" width=\"200\">\n\n扫描下方二维码加入我们的微信交流群。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_readme_34c2ae984a8a.jpg\" alt=\"加入微信交流群\" width=\"200\">\n\n\n# 7. KAG、RAG 和 GraphRAG 的区别\n\n**KAG 介绍与应用**： \u003Chttps:\u002F\u002Fgithub.com\u002Forgs\u002FOpenSPG\u002Fdiscussions\u002F52>\n\n# 8. 引用\n\n如果您使用本软件，请按以下方式引用：\n\n* [KAG：通过知识增强生成提升专业领域中的 LLM 性能](https:\u002F\u002Farxiv.org\u002Fabs\u002F2409.13731)\n\n* KGFabric：用于企业数据互联的可扩展知识图谱仓库\n\n```bibtex\n@article{liang2024kag,\n  title={KAG：通过知识增强生成提升专业领域中的 LLM 性能},\n  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},\n  journal={arXiv 预印本 arXiv:2409.13731},\n  year={2024}\n}\n\n@article{yikgfabric,\n  title={KGFabric：用于企业数据互联的可扩展知识图谱仓库},\n  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}\n}\n```\n\n# 许可证\n\n[Apache 许可证 2.0](LICENSE)\n\n# KAG 核心团队\n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\n\nKAG (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。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n### 系统要求\n*   **macOS**: macOS Monterey 12.6 或更高版本\n*   **Linux**: CentOS 7 \u002F Ubuntu 20.04 或更高版本\n*   **Windows**: Windows 10 LTSC 2021 或更高版本\n\n### 前置依赖\n*   **macOS \u002F Linux 用户**:\n    *   Docker\n    *   Docker Compose\n*   **Windows 用户**:\n    *   WSL 2 或 Hyper-V\n    *   Docker\n    *   Docker Compose\n*   **开发模式额外需要**:\n    *   Python 3.10 或更高版本\n    *   Git\n    *   Conda (推荐) 或 venv\n\n## 2. 安装步骤\n\n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）。\n\n### 方式一：产品化部署 (Product-based)\n\n此方式通过 Docker Compose 一键启动包含前端界面的完整服务。\n\n1.  **设置环境变量 (仅 Windows 用户需要)**:\n    ```bash\n    set HOME=%USERPROFILE%\n    ```\n\n2.  **下载配置文件并启动服务**:\n    ```bash\n    curl -sSL https:\u002F\u002Fraw.githubusercontent.com\u002FOpenSPG\u002Fopenspg\u002Frefs\u002Fheads\u002Fmaster\u002Fdev\u002Frelease\u002Fdocker-compose-west.yml -o docker-compose-west.yml\n    docker compose -f docker-compose-west.yml up -d\n    ```\n\n3.  **访问服务**:\n    浏览器打开 `http:\u002F\u002F127.0.0.1:8887`\n    *   默认用户名：`openspg`\n    *   默认密码：`openspg@kag`\n\n### 方式二：工具包开发 (Toolkit-based)\n\n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：\n\n**macOS \u002F Linux 开发者:**\n\n```bash\n# 1. 创建并激活 Conda 环境\nconda create -n kag-demo python=3.10\nconda activate kag-demo\n\n# 2. 克隆代码仓库\ngit clone https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG.git\n\n# 3. 安装 KAG\ncd KAG && pip install -e .\n```\n\n**Windows 开发者:**\n\n```bash\n# 1. 创建并激活 Python 虚拟环境\npy -m venv kag-demo\nkag-demo\\Scripts\\activate\n\n# 2. 克隆代码仓库\ngit clone https:\u002F\u002Fgithub.com\u002FOpenSPG\u002FKAG.git\n\n# 3. 安装 KAG\ncd KAG && pip install -e .\n```\n\n## 3. 基本使用\n\n### 产品化模式使用\n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](https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fcwh47i\u002Frs7gr8g4s538b1n7#rtOlA)。\n\n### 工具包模式使用\n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）。\n\n示例代码结构参考：\n```python\nfrom kag import solver\n\n# 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)\n# solver_instance = solver.init(...)\n\n# 执行逻辑推理问答\n# result = solver_instance.solve(\"您的自然语言问题\")\n```\n\n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](https:\u002F\u002Fopenspg.yuque.com\u002Fndx6g9\u002Fcwh47i\u002Frs7gr8g4s538b1n7#cikso)。","某大型金融机构的风控团队正在构建智能合规问答系统，需要基于复杂的监管文档和内部交易记录回答涉及多步逻辑推导的专业问题。\n\n### 没有 KAG 时\n- **语义匹配失真**：传统 RAG 仅靠向量相似度检索，常因关键词重合而召回无关条款，导致模型依据错误事实生成回答。\n- **逻辑推理断裂**：面对“若 A 公司持股 B 超过 5% 且 B 涉及制裁，则 A 是否违规”这类多跳问题，系统无法串联分散在不同文档中的实体关系。\n- **噪声干扰严重**：自动化提取的知识图谱包含大量由开放信息抽取（OpenIE）产生的错误三元组，误导大模型产生幻觉。\n- **专家经验缺失**：非结构化的业务规则难以与结构化数据融合，系统无法理解行业特有的 Schema 约束，回答缺乏专业深度。\n\n### 使用 KAG 后\n- **精准事实定位**：KAG 利用“知识与文本块互索引”结构，不仅匹配语义，更结合上下文块定位，彻底消除向量检索的歧义性。\n- **逻辑形式引导推理**：通过逻辑形式引导的混合推理机制，KAG 能自动拆解复杂问题，在知识图谱上执行多跳查询，精准得出推导结论。\n- **概念对齐去噪**：借助概念语义推理进行知识对齐，KAG 有效过滤了开放抽取带来的噪声，确保推理链条中的事实准确无误。\n- **Schema 约束构建**：支持基于 Schema 的领域专家知识构建，将内部风控规则转化为机器可理解的逻辑，使回答符合行业标准。\n\nKAG 通过将严谨的逻辑推理能力注入大模型，成功将金融风控问答从“模糊猜测”升级为“可解释的精准决策”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FOpenSPG_KAG_cb47a281.png","OpenSPG","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FOpenSPG_5d3b0c22.png","This project encompasses a series of continuous explorations by Ant Group in the field of bidirectional enhancement between symbolic knowledge and LLMs",null,"openspg@@list.alibaba-inc.com","https:\u002F\u002Fopenspg.github.io\u002F","https:\u002F\u002Fgithub.com\u002FOpenSPG",[84,88,92,96],{"name":85,"color":86,"percentage":87},"Python","#3572A5",99.7,{"name":89,"color":90,"percentage":91},"Go Template","#00ADD8",0.2,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0.1,{"name":97,"color":79,"percentage":98},"ASL",0,8672,664,"2026-04-13T15:14:01","Apache-2.0","Linux, macOS, Windows","未说明",{"notes":106,"python":107,"dependencies":108},"普通用户推荐使用 Docker Compose 部署（支持 macOS, Linux, Windows\u002FWSL2）；开发者需安装 Python 3.10+ 并通过 pip 安装。具体操作系统版本要求：macOS Monterey 12.6+, CentOS 7\u002FUbuntu 20.04+, Windows 10 LTSC 2021+。","3.10+",[109,110,111],"Docker","Docker Compose","Git",[27,16],[114,115,116,117,118],"knowledge-graph","large-language-model","logical-reasoning","multi-hop-question-answering","trustfulness","2026-03-27T02:49:30.150509","2026-04-14T12:26:56.477722",[],[123,128,133,138,143,148],{"id":124,"version":125,"summary_zh":126,"released_at":127},247494,"v0.8.0","# 版本 0.8.0（2025-06-27）  \n## 1、概述  \n我们很高兴地宣布 KAG 0.8 版本正式发布。本次更新致力于持续提升大模型驱动的知识库推理与问答的一致性、严谨性和准确性，同时引入了多项重要的新功能和能力。  \n\n首先，我们升级了 KAG 知识库的能力。现已支持私域知识库（包括结构化与非结构化数据）和公域知识库两种模式，并可通过 MCP 协议集成 LBS、WebSearch 等公开网络数据源。此外，我们还优化了私域知识库索引的管理机制，新增 Outline、Summary、KnowledgeUnit、AtomicQuery、Chunk 和 Table 等多种基础索引类型，支持开发者自定义索引并将其与产品界面同步。用户可根据具体场景选择最合适的索引类型，在构建成本与业务效果之间实现平衡。  \n\n其次，我们优化了产品体验，并进一步完善了系统集成接口。在产品层面，我们将知识库与应用解耦：知识库负责管理私域数据（结构化与非结构化）和公域数据，而应用则可关联多个知识库。系统会根据知识库构建时所使用的索引类型，自动适配相应的检索引擎以召回数据。应用和知识库各自独立管理模型依赖及任务调度，从而大幅提升灵活性。  \n\n在系统集成方面，我们对 KAG 的召回与问答接口进行了优化，新增了将推理与问答页面嵌入业务应用的支持功能。同时全面拥抱 MCP 协议，实现了 KAG 推理与问答能力与基于 MCP 协议的智能体工作流的无缝集成。  \n\n第三，KAG 已成功适配 KAG-Thinker 模型。通过复杂问题的广度分解与深度求解、知识边界判定以及抗噪声检索结果等优化措施，在迭代式思维范式的指导下，KAG 框架的推理范式稳定性与逻辑严谨性得到了显著提升。关于 KAG-Thinker 模型的发布与使用详情，我们将在后续公告中进一步说明。  \n\n除上述框架与产品优化外，我们还提升了问答效率及流式输出的稳定性。本次更新基于 Qwen2.5-72B 基础模型，在多种 RAG 框架及精选 KG 数据集上实现了性能对齐。本版本的整体基准测试结果如图 1~3 所示，详细指标请参阅 open_benchma","2025-06-28T04:45:59",{"id":129,"version":130,"summary_zh":131,"released_at":132},247495,"v0.7.1","# 版本 0.7.1（2025-04-25）\n亲爱的开源社区伙伴们，我们非常高兴地正式宣布 **OpenSPG\u002FKAG** 发布了 **0.7.1** 版本！本次发布凝聚了我们核心技术团队以及全球开源社区贡献者们的智慧与努力。更新重点围绕提升用户体验、优化系统性能，并根据大家的反馈修复了一些关键问题。以下是本次版本的亮点：\n\n## 🛠️ 修复与优化亮点：\n1. **解决源码编译错误**：修复了 `openspg` 编译过程中可能出现的 `NoSuchBeanDefinitionException` 异常，确保开发流程更加顺畅。\n2. **增强错误诊断能力**：解决了 `vectorizer` 调用超时错误无法追踪的问题，帮助用户更快定位并解决问题。\n3. **提升任务执行效率**：通过调整任务调度间隔，优化了小任务的构建耗时，使异步任务能够立即触发，无需额外等待。\n4. **提高容器运行稳定性**：修复了容器重启时可能导致调度状态卡死或崩溃的问题，进一步提升了系统的可靠性。\n5. **推理问答流式输出优化**：显著改善了推理问答场景中流式输出的响应速度和流畅性，为用户提供更优质的交互体验。\n6. **任务详情页升级**：新增日志自动刷新功能及任务耗时统计，方便用户实时监控系统运行状态和任务执行情况。\n7. **简化任务拆分配置**：默认禁用语义分割模块，以避免因误操作导致的过度 Token 消耗。\n8. **网站内容更新**：在首页新增合作伙伴展示专区，并增加了跳转至 `OpenKG` 官方网站的入口，旨在促进更多合作机会。\n9. **Bug 修复与产品优化**：针对用户反馈的问题进行了多项修复和细节优化，进一步提升了产品的稳定性和易用性。\n\n## 🌟 加入我们的社区\nOpenSPG 社区的发展离不开每一位成员的智慧与热情，也离不开我们共同推动开源技术进步的使命。我们诚挚邀请您参与贡献、分享见解，并携手共建更多精彩项目。如需了解更多关于本次版本的详细信息及使用指南，请访问我们的[官方网站](https:\u002F\u002Fopenspg.github.io\u002Fv2\u002F)。\n\n感谢您一直以来对 OpenSPG 的支持与关注！如果您有任何疑问或建议，欢迎随时通过社区渠道或电子邮件与我们联系。\n\n--- \n\n# 版本 0.7.1（2025-04-25）\n亲爱的开源社区伙伴们，非常高兴地宣布 **OpenSPG\u002FKAG** 发布了最新版本 **0.7.1**！这一版本是我们的技术团队与社区开发者们共同努力的成果，其目标旨在提升用户体验、优化性能，并解决用户反馈的若干问题。以下是本次版本更新的核心内容概要：\n\n## 🛠️ 问题修复 & 功能优化\n1. **修复源码编译问题**：解决 `openspg` 编译时可能遇到的 `NoSuchBeanDefinitionException` 报错问题，确保开发者可以顺利构建项目。\n2. **诊断优化**：解决 `vectorizer` 调用超时异常信息无法透出的问题，帮助用户快速定位故障原因。\n3. **任务性能提升**：优化小任务构建耗时，将任务调度间隔调整为更高效的频率，同时确保异步任务在无需等待的条件下立即触发。\n4. **镜像稳定性提升**：解决镜像重启时调度状态异常卡死的问题，增强运行环境的稳定性。\n5. **推理问答流式输出优化**：显著改善推理问答场景中流式输出的慢速和卡顿问题，提供更流畅的用户体验。\n6. **任务详情页面增强**：新增日志自动刷新功能和任务耗时统计，帮助用户实时监控系统状态和任务性能。\n7. **","2025-04-25T07:23:19",{"id":134,"version":135,"summary_zh":136,"released_at":137},247496,"v0.7","# 版本 0.7（2025-04-17）\n# 1、概述\n我们非常高兴地宣布 KAG 0.7 正式发布。本次更新延续了我们致力于提升大型语言模型在利用外部知识库时的一致性、严谨性和精确性的承诺，同时引入了多项重要新功能。\n\n首先，我们对框架进行了全面重构。此次更新新增了对**静态**和**迭代**两种任务规划模式的支持，并在推理阶段引入了更为严格的层次化知识机制。此外，全新的**多执行器**扩展机制与 MCP 协议的集成，使得各类符号求解器（如 **math-executor** 和 **cypher-executor**）能够实现水平扩展。这些改进不仅有助于用户快速构建知识增强型应用，以验证创新想法或领域特定解决方案，还支持持续优化 KAG Solver 的能力，从而进一步提升垂直应用场景中的推理严谨性。\n\n其次，我们对产品体验进行了全面优化：在推理阶段，推出了“简单模式”和“深度推理”两种模式，并新增了流式推理输出功能，显著缩短了用户的等待时间。尤为值得一提的是，我们引入了“轻量化构建”模式，以更好地推动 KAG 在大规模业务场景中的应用，并解决社区最为关注的知识构建成本过高的问题。如图 1 中 KAG-V0.7LC 列所示，我们测试了一种混合方案：由 7B 模型负责知识构建，而 72B 模型则用于基于知识的问答。在 two_wiki、hotpotqa 和 musique 三个基准测试上，性能仅分别下降了 1.20%、1.90% 和 3.11%，降幅十分有限。与此同时，构建一份 10 万字文档所需的 token 成本（参考阿里云百炼定价）从 4.63 元降至 0.479 元，降幅达 89%，从而大幅节省了用户的时间和资金成本。此外，我们还将推出 KAG 专用的抽取模型以及分布式离线批量构建版本，持续压缩模型规模、提升构建吞吐量，力争在单一场景下实现每日构建百万甚至千万级文档的能力。\n\n最后，为了更好地促进知识增强型 LLM 的商业应用、技术进步及社区交流，我们在 KAG 仓库的根目录下新增了 **open_benchmark** 目录。该目录包含了各类数据集的复现方法，帮助用户在不同任务上复现并提升 KAG 的性能。未来，我们将继续扩充更多垂直场景的任务数据集，为用户提供更加丰富的资源。\n\n除上述框架和产品优化外，我们还修复了推理和构建阶段的若干 bug。本次更新采用 Qwen2.5-72B 作为基础模型。","2025-04-17T10:07:49",{"id":139,"version":140,"summary_zh":141,"released_at":142},247497,"v0.6","# 版本 0.6（2025-01-07）\r\n2025年1月7日，OpenSPG正式发布0.6版本，带来了多方面的更新，涵盖领域知识挂载、垂直领域模式管理、可视化知识探索以及摘要生成任务支持等。在用户体验方面，新增了知识库任务断点续跑机制，引入了用户登录与权限体系，并优化了构建流程的任务调度。在开发者模式下，支持为不同阶段配置不同模型，并启用基于模式约束的抽取模式，从而显著提升了系统的灵活性、易用性、性能和安全性。此次发布为用户提供了更强大的知识管理平台，能够适应多样化的应用场景。\r\n\r\n\r\n---\r\n\r\n### 🌟 **新特性**  \r\n1. **支持摘要生成任务**\r\n   - 原生支持抽象式摘要生成任务，且不牺牲多跳事实推理的准确性。在CSQA数据集上，尽管全面性、多样性和赋能性指标略低于LightRAG（低1.2\u002F10），但事实准确性指标却优于LightRAG（高0.1\u002F10）。而在HotpotQA、TwoWiki和MuSiQue等多跳问答数据集上，由于LightRAG和GraphRAG并未提供事实型问答的评估入口，使用默认入口计算的EM指标接近于0。有关定量评估结果，请参阅KAG代码仓库中的`examples\u002Fcsqa\u002FREADME.md`文件，并按照步骤进行复现。\n\n2. **领域模式管理**\r\n   - 产品新增SPG模式管理功能，允许用户通过自定义模式来优化知识库构建及推理问答性能。\n\n3. **知识探索**\r\n   - 新增知识探索功能，支持对知识库数据进行可视化查询与分析，并提供HTTP API以方便与其他系统集成。\n\n4. **KAG-Builder（开发者模式）支持挂载领域知识**\r\n   - 在开发者模式下，系统支持将领域知识（领域词汇、术语间关系）注入知识库，从而显著提升知识库构建及推理问答性能（在医疗领域可实现10%以上的提升）。\n\n5. **KAG-Builder流水线中新增知识对齐组件**\r\n   - Kag-Builder提供了一个默认的知识对齐组件，具备过滤无效数据、链接相似实体等功能，有助于优化图谱的结构与数据质量。\n\n### ⚙️ **用户体验优化**  \r\n1. **任务可续跑**\r\n   - 在产品模式和开发者模式下，均针对知识库构建任务提供了文件级和分块级的断点续跑能力，以减少因任务失败而需从头重新运行所带来的时间与Token消耗。\n\n2. **用户登录与权限体系**\r\n   - 实现了用户登录与权限…","2025-01-08T03:50:54",{"id":144,"version":145,"summary_zh":146,"released_at":147},247498,"v0.5.1","# 版本 0.5.1（2024-11-21）\r\nOpenSPG 在 2024 年 11 月 21 日发布了 v0.5.1 版本。此版本重点解决了用户反馈的问题，并带来了一系列新功能和用户体验的优化。\r\n\r\n### 🌟 **新增功能**\r\n1. **支持 word 文档的构建**\r\n   - 用户现可通过知识库管理页面直接上传 .doc 或 .docx 后缀的文件，进行知识库的构建流程。这一更新使得知识内容的导入更加便捷，提高效率。\r\n \u003Cimg src=\"https:\u002F\u002Fgithub.com\u002Fuser-attachments\u002Fassets\u002F9efec8d6-4b22-4680-86bb-9bf28d55d17b\" width=\"600\" >\r\n\r\n2. **提供项目删除接口**\r\n   - 为了帮助用户更高效地管理项目，我们新增了一个项目删除接口。用户可以通过访问 http:\u002F\u002F127.0.0.1:8887\u002Fproject\u002Fapi\u002Fdelete?projectId=xx 完成项目的快速清空与删除操作。该接口会同步清理项目下的所有schema、知识库任务、知识库问答任务以及关联的 Neo4j","2024-11-21T12:11:12",{"id":149,"version":150,"summary_zh":151,"released_at":152},247499,"v0.5","# 版本 0.5（2024-10-25）\r\n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。10月25日正式发布了知识增强生成（KAG）的专业领域知识服务框架\r\n\r\n## 版本亮点\r\n\r\n### 1. KAG 专业领域知识服务框架\r\nKAG 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\r\n(1) 对 LLM 友好的语义化知识管理\r\n(2) 知识图谱与","2024-11-04T07:27:43"]