在人工智能领域蓬勃发展的当下，生成式人工智能技术不断取得新的突破，其中基于大语言模型（LLM）的检索技术更是成为众多应用场景的核心。检索增强生成（RAG）和 GraphRAG 作为该领域的重要探索成果（2024 年 RAG 的崛起和演变：一年回顾综述（1.25万字+46参考文献+18张图）），曾为连接外部文档与大语言模型进行问答任务提供了有力支持，但它们也存在着不可忽视的局限性。在此背景下，知识增强生成（KAG）应运而生，它不仅有效克服了前两者的不足，更在诸多方面实现了显著提升，为基于 LLM 的检索技术带来了崭新的发展方向。
一、RAG 与 GraphRAG 的发展脉络与局限剖析
（一）RAG：连接外部知识的先驱
RAG （面向企业RAG（Retrieval Augmented Generation）系统的多维检索框架）自诞生起便在生成式人工智能应用中占据重要地位，其核心功能是将各类外部文档，包括 PDF 文件、视频资料等，与大语言模型进行连接，以满足问答场景的需求。在实际应用中，RAG 能够检索外部文档中的相关内容，并将这些信息输入到 LLM 中，帮助模型生成更具针对性和准确性的回答。这一技术的出现，在很大程度上弥补了 LLM 自身知识储备的不足，使其能够借助外部数据回答特定领域或基于最新信息的问题。
然而，RAG 也存在明显的缺陷。它主要依赖简单的基于相似度的搜索方法，这使得它在处理复杂问题时，容易生成模糊不清的答案。当用户的问题涉及多个知识点的关联或需要深入推理时，RAG 可能无法准确把握问题的核心，导致给出的回答无法满足用户需求。
（二）GraphRAG：对检索的优化探索
为了改进 RAG 的检索性能，GraphRAG 被引入（GraphRAG原理深入剖析-知识图谱构建）。GraphRAG 运用图分析和知识图谱创建技术，对 RAG 的检索能力进行了提升。通过构建知识图谱，GraphRAG 能够更好地理解数据之间的关系，从而在检索过程中更精准地定位相关信息。与 RAG 相比，GraphRAG 在一些场景下确实提高了检索的准确性和效率。
但 GraphRAG 同样存在短板。在推理过程中，由于信息提取可能存在误差，它可能会引入噪声，影响最终回答的质量。对于复杂的查询，GraphRAG 在将检索到的事实进行组合和推理时，往往力不从心，难以给出全面、准确的答案。这意味着在面对专业领域的复杂问题时，GraphRAG 的表现仍不尽人意。
二、KAG 的诞生背景与核心内涵
（一）诞生的必然性
鉴于 RAG 和 GraphRAG 存在的上述局限性，研发一种更为先进、能够有效解决这些问题的技术成为当务之急。KAG 正是在这样的背景下应运而生，它的目标是克服 RAG 和 GraphRAG 的缺点，为基于 LLM 的检索提供更强大、更可靠的解决方案。
（二）KAG 的定义与基础架构
KAG 即知识增强图（Knowledge - augmented Graph），它将大语言模型与结构化的知识图谱深度整合，旨在实现专业领域中的逻辑推理和问答功能。KAG 构建于 OpenSPG 引擎之上，这一引擎是创建和管理知识图谱的框架，就如同一张庞大且详尽的信息地图，能够将原始数据转化为有用的知识，支持知识图谱的持续更新和完善，并将大数据与人工智能系统相连接，以解决复杂的实际问题。OpenSPG 的灵活性使其可以根据不同行业和需求进行定制化调整，为 KAG 的强大功能提供了坚实基础。
三、KAG 的关键特性解析
（一）强大的逻辑推理能力
KAG 支持先进的推理能力，尤其是多步（多跳）推理。这意味着它能够从多个相关信息片段中进行连接和推断，从而得出答案。在处理问题时，KAG 不再局限于简单的信息匹配，而是能够深入挖掘信息之间的内在逻辑关系，通过多步推理，为用户提供更具深度和准确性的回答。例如，在法律领域，当面对一个涉及多个法律条款和复杂事实情况的案例分析问题时，KAG 可以通过多步推理，将相关的法律条文、以往类似案例以及当前案件的具体情况相结合，给出全面且合理的法律建议。
（二）专注领域特定知识
（三）显著提升的准确性
KAG 通过针对性地解决传统 RAG 和 GraphRAG 的局限性，大大降低了错误率，提供更清晰、精确的答案。传统 RAG 因简单的相似度搜索易产生模糊答案，GraphRAG 则可能因信息提取错误在推理过程中引入噪声。KAG 在检索和推理过程中采用了更先进的算法和技术，能够对输入的信息进行更严格的筛选和验证，从而有效避免这些问题，确保回答的准确性。在金融领域的风险评估场景中，KAG 能够准确分析市场数据、行业动态以及企业财务状况等多方面信息，给出可靠的风险评估结果，相比 RAG 和 GraphRAG 具有更高的可信度。
（四）深度知识图谱整合
KAG 利用知识图谱（Graphusion：基于零样本LLM的知识图谱构建框架）来表示概念之间的关系，融合了逻辑（规则、关系）和事实（数据点）信息。这种整合方式使其能够高效地回答复杂的、具有上下文关联的问题。在历史研究领域，当研究者询问某个历史事件的背景、发展过程以及对后续历史进程的影响时，KAG 可以借助知识图谱中对各个历史事件、人物、时间等要素之间关系的描述，将相关信息进行整合和梳理，给出一个完整且条理清晰的答案，充分展示了知识图谱整合带来的优势。
（五）高度的可定制性
KAG 具备高度的可定制性，可以纳入特定领域的模式和规则，使其能够适应不同专业需求，无论是回答事实性问题还是推理复杂场景。在制造业中，不同企业可能有各自独特的生产流程、质量控制标准和供应链管理规则。KAG 可以根据企业的具体情况，定制相应的知识图谱和推理规则，为企业内部的生产决策、故障排查等提供个性化的支持，帮助企业提高运营效率和管理水平。
四、KAG 的知识表示与工作流程
（一）知识表示
KAG 能够将混合数据，包括非结构化文本（如新闻、日志）、结构化数据（如交易记录、统计数据）以及专家规则，组织成一个统一的知识图谱。它运用提取、规范化和语义对齐等技术，对这些信息进行连接和索引，使其既适用于无模式约束的数据，也能兼容有模式约束的数据。这种统一的知识图谱支持高效搜索、逻辑推理以及图谱与原始数据之间的交叉引用，使 KAG 能够有效地处理复杂查询，并提供特定领域的深刻见解。
例如，在一家电商企业中，KAG 可以将用户的浏览记录（非结构化数据）、购买订单信息（结构化数据）以及市场营销专家制定的促销规则（专家规则）整合到知识图谱中。当企业需要分析用户购买行为模式以制定精准营销策略时，KAG 可以通过对知识图谱的分析，挖掘出用户偏好、消费习惯等有价值的信息，为企业决策提供有力支持。
（二）工作流程
KAG 的工作流程可以分为学习（索引）和回答（查询）两个主要步骤：
- 学习（索引）步骤
- 信息收集
：KAG 收集用户提供的所有文档、数据或知识，如研究论文、手册或数据库等，并将其分解为更小的、有意义的信息块。 - 关键细节提取
：它识别重要的信息片段，如名称、日期、关系或事实等。例如，从一篇科技报道中提取出新技术的名称、研发团队、应用领域等关键信息。 - 知识图谱构建
：KAG 将提取到的信息组织成一个知识图谱，构建起一个相互连接的概念网络。例如，将不同的科技成果与相关的研究机构、科研人员以及应用场景等进行关联，形成一个完整的知识体系。 - 回答（查询）步骤
- 问题理解
：当用户提出问题时，KAG 不仅仅是简单地搜索关键词，而是深入理解用户的意图，并在必要时对问题进行改写，使其更加清晰明确。 - 知识图谱搜索
：它在构建好的知识图谱中查找最相关的信息片段。 - 推理与连接
：KAG 不会仅仅给出单个事实，而是将多个相关信息片段进行连接和推理，以提供完整的答案。例如，当用户询问关于某项新技术的市场前景时，KAG 会综合考虑技术特点、行业竞争态势、政策环境等多方面因素，给出全面的分析。 - 答案生成
：最后，KAG 将整合后的信息以清晰、自然的语言形式呈现给用户，生成符合人类表达习惯的回答。
五、KAG 与 GraphRAG 的对比优势
尽管 KAG 和 GraphRAG 都使用知识图谱，但两者存在显著差异：
（一）知识图谱使用方式
（二）推理能力
GraphRAG 在检索事实方面表现尚可，但在将这些事实组合起来回答复杂查询时存在困难。KAG 则运用多跳推理，能够将不同信息进行连接和综合，为用户提供精确的答案。
（三）复杂查询处理能力
对于简单查询，GraphRAG 能够发挥一定作用，但在面对复杂问题时，可能无法把握问题的全貌。KAG 则擅长处理复杂的、特定领域的查询，通过将问题分解并综合分析，给出准确且全面的回答。
（四）准确性和错误率
GraphRAG 虽然相较于传统 RAG 有所进步（GraphRAG原理深入剖析--图谱检索），但在处理复杂查询时仍容易出现错误。KAG 通过结合检索、推理和图谱对齐等技术，实现了专业级别的准确性，大大降低了错误率。
以农业领域关于气候变化对作物产量影响的问题为例，GraphRAG 可能只能给出一些零散的信息，而 KAG 能够通过连接气候变化数据、农业生产规律以及地区特点等多方面信息，提供一个详细、连贯的答案，充分展示了其在复杂问题处理上的优势。
KAG 的出现为基于 LLM 的检索技术带来了新的活力和广阔的应用前景。在金融、医疗、科研等众多对信息准确性和深度推理要求极高的领域，KAG 都有望发挥重要作用。它能够帮助金融分析师更准确地预测市场趋势，辅助医生做出更精准的诊断决策，支持科研人员快速获取全面的研究资料并进行深入分析。
KAG 作为对 RAG 和 GraphRAG 的强化升级，凭借其独特的技术特性和强大的功能，为基于 LLM 的检索技术开辟了新的道路，将在人工智能应用的发展历程中留下重要的印记。
