随着 AI 技术蓬勃发展，RAG 正成为游戏规则改变者，迅速成为问题解决和领域应用的合作伙伴，这正是 RAG 的独特之处。
然而，RAG 存在一些问题，例如向量相似性与知识推理相关性之间的巨大差距，以及对知识逻辑（如数值、时间关系、专家规则等）的不敏感，这些都阻碍了专业知识服务的实现。
你能想象吗？你有一个聊天机器人，需要基于知识片段之间的特定关系进行推理，以收集与回答问题相关的信息。然而，RAG 通常依赖文本或向量的相似性来检索参考信息，这可能导致搜索结果不完整和重复。
这就是 KAG 的用武之地。知识增强生成（Knowledge Augmented Generation）旨在充分利用知识图谱和向量检索的优势，双向增强大语言模型（LLM）和知识图谱（KG），以解决这些问题。
基于语义推理的知识对齐 KAG 在多跳问答任务中显著优于 NaiveRAG 和 HippoRAG 等方法，在 hotpotQA 上的 F1 分数相对提高了 19.6%，在 2wiki 上提高了 33.5%。
这些性能飞跃主要归功于框架中更高效的索引构建、知识对齐和混合问题解决库的开发。
所以，让我给你展示一个实时聊天机器人的快速演示，让你明白我的意思。
我们有两个独立的部分。
首先，我们从知识管理开始，我将上传一个包含所有图表、表格和图片的 PDF。让我展示 KAG 如何提取数据。KAG 采用知识表示模型，将信息组织成结构化格式，使其兼容结构化和非结构化数据。
接下来，KAG 使用互索引机制，将知识图谱与原始文本块链接起来。其索引机制能根据用户查询高效检索相关信息，并将结构化知识与非结构化数据连接起来。
然后，我们进入知识库问答部分。我会问一个简单的问题：“2024年的净收入是多少？”当我提出这个问题时，KAG 会处理查询以理解其意图和上下文。这包括识别关键实体、关系和问题的整体结构。之后，KAG 会根据我的查询生成一个逻辑形式。然后，它从知识图谱（KG）中检索相关信息，包括实体、关系、三元组和数据聚合，以生成一个清晰易懂的答案给用户。
在接下来的部分，我会让你 100% 了解 KAG 是什么、它的功能、如何工作、GraphRAG 与 KAG 的区别。
首先插一句，为了感谢一直以来支持我的铁子们，从4月13日到4月20日，我将向评论获赞数前3名的铁子们赠送一本我最近正在阅读的书：
当然，我也很欢迎你们点击上方链接购买图书支持一下我
KAG（Knowledge-Aware Graph Generator，知识感知图生成器）框架是开源的，充分利用了知识图谱和 RAG 技术的互补优势。它不仅将图结构整合到知识库中，还将知识图谱的语义类型、关系和知识图谱问答（KGQA，Knowledge Graph Question Answering）整合到 KAG 中。
KAG 框架具有几个重要功能，使其在专业环境中回答问题时表现更出色。这些功能包括：
1. 与大语言模型（LLM）兼容的知识表示
KAG 使用一个与 LLM 兼容的系统（LLMFriSPG）。它帮助 LLM 理解数据、信息和知识，从而更轻松地使用知识图谱。
2. 互索引（Mutual Indexing）
该框架通过互索引将知识图谱与原始文本连接起来。它有助于更轻松地查找和组织信息，将结构化知识与非结构化文本链接。
3. 逻辑形式引导的混合推理引擎
KAG 拥有一个推理引擎，结合了多种推理类型，如规划、检索和数学计算。它使 KAG 能够将自然语言问题转化为结构化的问题解决步骤，从而更好地处理复杂问题。
4. 语义推理的知识对齐
KAG 使用语义推理将知识与用户的问题相匹配。它通过确保信息符合上下文并与用户需求对齐，提高了答案的准确性。
5. 改进的自然语言处理
该框架改进了理解、推理和语言生成等基本任务。这些改进帮助 KAG 更好地理解问题、进行推理并生成清晰的答案。
工作原理
如上图所示，KAG 架构由三个核心组件组成：KAG-Builder、KAG-Solver 和 KAG-Model。
KAG-Builder 负责构建离线索引。该模块提出了一个与大语言模型兼容的知识表示框架，并实现了知识结构与文本片段之间的互索引机制。
KAG-Solver引入了逻辑形式引导的混合推理引擎，整合了大语言模型推理、知识推理和数学逻辑推理。语义推理用于知识对齐，以增强 KAG-Builder 和 KAG-Solver 在知识表示和检索中的准确性。
KAG-Model 基于通用语言模型，优化了每个模块所需的特定能力，从而提升整体模块性能。
KAG 与 GraphRAG 的比较
KAG 和 GraphRAG 的主要区别在于它们的整合和推理能力。KAG 通过融入语义关系并采用混合推理引擎处理逻辑、检索和数值任务，充分利用知识图谱（KG），实现结构化和复杂的问题解决。
它通过改进语义对齐和定制的自然语言理解、自然语言推理和自然语言生成，增强了通用大语言模型在专业领域的性能。
相比之下，GraphRAG 更专注于检索和生成，对语义推理、逻辑规划和领域特定性能的关注较少，这可能限制其在复杂查询和专业应用中的效果。
搭建过程
KAG 图后端服务基于我们讨论过的 OpenSPG 知识图谱构建框架。首先，使用官方 OpenSPG-Server 服务器文档构建图服务器服务。
访问 docker 网站，下载 docker 文件，我是 Windows 系统。
安装 Docker Desktop 后，我们打开终端并运行以下命令：
curl -sSL https://raw.githubusercontent.com/OpenSPG/openspg/refs/heads/master/dev/release/docker-compose.yml -o docker-compose.yml
然后我们执行以下命令检查服务是否启动并运行：
docker ps
为确保一切正常工作，执行以下命令检查主服务的日志：
docker logs -f release-openspg-server
创建知识库
然后我们点击“Create Knowledge Base”创建知识库。首先，我们为知识库选择一个中文名称。接下来，你需要一个英文名称——请记住，英文名称必须以大写字母开头，至少包含三个字符，且只能包含字母和数字。在这个示例中，我会将其命名为类似“KAGDemo”的名称。
之后，我们将设置图存储配置。我们复制一个简单的 JSON 配置；默认情况下，你可以使用本地 Neo4j 数据库。
现在，我们转到模型配置。选择一个模型，如 ChatGPT 或 DeepSeek。以 JSON 格式添加你的 API 密钥和其他详细信息。
对于嵌入，我将使用 OpenAI Embedding。你也可以使用 Ollama 进行嵌入，因为它有一些很酷的嵌入模型。
最后，你需要为知识库设置语言——中文（zh）或英文（en）。我将保持默认设置。
请注意，你可以使用 Ollama 完全本地化设置聊天机器人。如果想了解如何操作，请查看此文档。
https://openspg.yuque.com/ndx6g9/wc9oyq/yexegklu44bqqicm
成功保存配置后，你会看到一个小框，包含知识管理和问答功能，如下所示。
解决这个问题的方法很简单：只需检查 release-openspg-neo4j 是否成功启动，然后重新运行容器：
聊天机器人演示
我们点击“Knowledge Management”知识管理。点击后，我们创建一个任务，命名你的知识任务，并选择本地文件，通过知识库管理页面上传所有支持类型文件后缀的文件创建知识库。
http://127.0.0.1:7474/browser/
让我们点击“Knowledge Management”知识管理来与聊天机器人互动并进行测试，我将向聊天机器人提出 KAG 论文中的一个复杂问题：
“他们免微调的模型的全名是什么？”
如果你仔细观察，会发现当我提出这个问题时，聊天机器人使用了逻辑推理来生成输出。答案准确、结构清晰、易于非技术用户理解，且更加精确，没有任何无关信息。
总结
KAG 框架仍处于早期开发阶段，因此还有改进和变化的空间。凭借自定义模式和可视化查询等新功能，KAG 不仅提升了知识提取和问答的准确性和效率，还加强了其基础。这些更新为开发更强大、更可靠的专业知识服务铺平了道路。
此外，抽象生成类已得到优化。如果我们在不同阶段尝试使用不同规模的模型，KAG 的性能可能会进一步提升。而且，既然 KAG 是开源的，我们应该充分利用其代码，看看如何为我们的需求创建定制解决方案！
