近期，蚂蚁集团开源了一款名为KAG（Knowledge Augmented Generation）的知识增强生成框架，主要用于解决大语言模型（LLM）在专业领域知识服务中的局限性。KAG框架通过结合知识图谱和向量检索技术，显著提升了生成和推理性能，尤其在多跳问答任务中表现优异。
KAG 是基于 OpenSPG 引擎和大型语言模型的逻辑推理问答框架，用于构建垂直领域知识库的逻辑推理问答解决方案。KAG 可以有效克服传统 RAG 向量相似度计算的歧义性和 OpenIE 引入的 GraphRAG 的噪声问题。KAG 支持逻辑推理、多跳事实问答等，并且明显优于目前的 SOTA 方法。
核心功能与创新点
知识表示增强：KAG通过层次化的知识表示方式，使大语言模型更适应专业领域的知识处理需求。例如，它将非结构化文本转化为结构化的知识图谱，从而提升知识的可解释性和应用范围。
此外，KAG通过定义数据结构如概念类型、实体类型、关系类型等，可友好的表示知识框架，使得知识表示更加符合大语言模型的理解能力。
知识图谱与文本互索引：KAG实现了知识图谱与原始文本块之间的相互索引，这不仅提高了数据检索的精确度和效率，还增强了知识整合的能力。通过语义分块、信息注入和领域知识约束，KAG能够有效提升知识检索和表示的效率。
逻辑形式引导的混合推理引擎：KAG设计了一种逻辑符号引导的混合推理引擎，能够在知识逻辑层进行推理时，遇到无法解决的问题时转向检索层进行解答。这种机制显著提高了问题解决的召回率和准确性。
该推理引擎通过符号驱动方法生成可执行的逻辑查询表达式，并在必要时调用外部知识库进行补充，从而实现更复杂的推理任务。
基于语义的知识对齐：KAG利用语义对齐机制，通过构建开放世界知识图谱来增强模型的决策严谨性。这一机制确保了在复杂推理过程中，模型能够基于准确的知识做出合理的判断。另外，KAG还采用了基于概念的知识对齐技术，进一步提升了模型在专业领域中的表现。
KAG Model：KAG Model模块通过指令合成技术，使得小参数量的语言模型在接近大模型性能的同时，降低了与大型模型之间的耦合成本，这个模块特别适用于需要高效计算和低资源消耗的应用场景。
应用场景与效果
KAG框架已经在多个专业领域中展示了其优越性，特别是在电子政务和健康问答等场景中取得了显著的准确率提升。例如，在电子政务问答任务中，KAG达到了91.6%的准确率。在多跳问答任务中，KAG的表现也超越了现有的RAG方法，EM指标在两个数据集上均翻倍。
技术架构与开源信息
KAG框架基于蚂蚁集团自研的OpenSPG引擎开发，结合了图数据库TuGraph-DB作为底层存储引擎。这一架构不仅支持高效的知识存储与检索，还为开发者提供了灵活的定制化服务。目前，KAG已在GitHub上开源，开发者可以通过官方提供的文档和示例代码进行探索和应用。
总结
蚂蚁集团推出的KAG知识增强生成框架通过多方面的技术增强，显著提升了大语言模型在专业领域的推理能力和准确性。这一框架不仅解决了传统RAG方法在知识逻辑不敏感和推理能力不足的问题，还为未来在更多专业领域的应用奠定了基础。KAG的成功开源将进一步推动知识图谱与大语言模型结合的技术发展，并为行业提供更强大的知识服务工具。
