近年来，RAG（Retrieval-Augmented Generation，检索增强生成）技术在人工智能领域掀起了一股热潮。随着大模型的快速发展，传统的纯生成式方法在面对复杂、多变的信息需求时，往往面临上下文有限、事实准确性不足等挑战。而RAG通过结合信息检索（Retrieval）与文本生成（Generation）两大核心能力，使模型能够在实时获取外部知识的基础上生成更精准、可信的内容。这一技术不仅提升了AI的回答质量，还在搜索引擎、智能助手、企业知识管理等多个应用场景展现出了巨大潜力。因此，RAG正成为众多企业和研究机构竞相探索的热点，推动着AI技术迈向更智能、更可靠的未来。
然而，RAG 存在诸多问题：例如，其向量相似度与知识推理相关性之间存在较大差距，对知识逻辑（例如数值、时间关系、专家规则等）不敏感，从而阻碍了专业知识服务的实施。
你能想象吗？假设你有一个聊天机器人，它需要基于知识碎片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相似度来检索参考信息，这可能导致搜索结果不完整且重复。
这正是 KAG 发挥作用的地方。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，并双向提升大模型与知识图谱，从而解决这些问题。
基于语义推理的知识对齐使得 KAG 在多跳问答任务中明显超越了 NaiveRAG 和 HippoRAG 等方法，在 hotpotQA 数据集中 F1 分数相对提升了 19.6%，在 2wiki 数据集中提升了 33.5%。
这些性能的大幅跃升主要归功于框架中更高效的索引构建、知识对齐及混合问题求解库的开发。详细可查看https://arxiv.org/abs/2409.13731
什么是 KAG
知识感知图生成器（KAG）框架是开源的，充分利用了知识图谱与 RAG 技术的互补优势。它不仅将图结构集成到知识库中，还将知识图谱内的语义类型、关系以及知识图谱问答（KGQA）整合到 KAG 中。
特点
知识感知图生成器（KAG）框架具备以下几个关键特性，使其在专业场景下的问答表现更为优越
- 适应大模型的知识表示：
KAG 采用了一个（LLMFriSPG）系统，能与大模型（LLMs）良好协同，帮助 LLM 理解数据、信息与知识，从而更易于利用知识图谱。 - 互索引
该框架通过互索引将知识图谱与原始文本连接在一起，帮助更轻松地查找和整理信息，将结构化知识与非结构化文本有效衔接。 - 基于逻辑形式引导的混合推理引擎
KAG 拥有一个融合规划、检索与数学计算等多种推理方式的推理引擎。它能够将自然语言问题转换为解决问题的结构化步骤，从而更擅长处理复杂问题。 - 基于语义推理的知识对齐
KAG 利用语义推理将知识与用户问题进行匹配，确保信息符合上下文，与用户需求保持一致，从而提高答案的准确性。 - 改进的自然语言处理
框架在理解、推理和生成语言等基础任务上进行了优化，帮助 KAG 更好地理解问题、深入思考并生成清晰的答案。
如上图所示，KAG 架构包括三个核心组件：KAG-Builder、KAG-Solver 和 KAG-Model。
• KAG-Builder 负责构建离线索引。该模块提出了一种与大模型兼容的知识表示框架，并在知识结构与文本碎片之间实现了互索引机制。
• KAG-Solver 引入了基于逻辑形式引导的混合推理引擎，整合了大模型推理、知识推理及数学逻辑推理。它采用语义推理进行知识对齐，从而提升 KAG-Builder 与 KAG-Solver 在知识表示及检索方面的准确性。
• KAG-Model 则基于通用语言模型，对各个模块所需的特定能力进行优化，从而提升整体性能。
KAG 与 GraphRAG 主要在整合和推理能力上存在差异。KAG 通过整合语义关系并采用混合推理引擎来处理逻辑、检索和数值任务，充分发挥知识图谱（KG）的作用，实现结构化且复杂的问题求解。它通过改进语义对齐及定制化的自然语言理解、推理和生成来增强大模型在专业领域的能力。
相比之下，GraphRAG 更注重检索与生成，对语义推理、逻辑规划和领域特定性能关注较少，这可能限制其在处理复杂查询和专业应用中的效果。
实操KAG 图形后端服务基于我们之前讨论过的 OpenSPG 知识图谱构建框架。首先，根据官方 OpenSPG-Server 服务器文档构建图服务器服务。
打开终端并运行以下命令（需要具备docker环境）
1curl -sSL https://raw.githubusercontent.com/OpenSPG/openspg/refs/heads/master/dev/release/docker-compose.yml -o docker-compose.yml
2
然后，检查服务是否已启动并运行，执行以下命令：
1 docker compose -f docker-compose.yml up -d
为确保一切正常运行，请检查主服务日志，执行命令：
1docker logs -f release-openspg-server
2
复制 http://127.0.0.1:8887/ 并将其粘贴到浏览器中，以访问 openspg-kag 产品界面。
创建知识库
点击“创建知识库”，首先为知识库选择一个中文名称。接着，你需要输入一个英文名称——请记住，英文名称必须以大写字母开头，至少包含三个字符，并且仅包含字母和数字。在文本中，我将命名为 “KAG论文”。
之后，设置图存储配置。复制以下简单的 JSON 配置，默认使用本地 Neo4j 数据库
1{
2 "uri": "neo4j://release-openspg-neo4j:7687",
3 "user": "neo4j"
4}
5
接下来，进入模型配置。选择一个模型，如 ChatGPT 或 DeepSeek，在 JSON 格式中输入你的 API 密钥及其他详细信息
1{
2 "type": "maas",
3 "base_url": "https://api.deepseek.com",
4 "api_key": "deepseek api key",
5 "model": "deepseek-chat"
6}
对于嵌入，我将使用硅基流动的免费api，可以通过https://cloud.siliconflow.cn/i/CrQNvgcQ注册。你也可以选择 Ollama 进行嵌入，因为它有一些非常不错的嵌入模型。
1{
2 "type": "openai",
3 "model": "BAAI/bge-m3",
4 "base_url": "https://api.siliconflow.cn/v1",
5 "api_key": "YOUR_API_KEY",
6 "vector_dimensions": "1024"
7}
最后，为你的知识库设置语言——可以选择中文（zh）或英文（en），我将保持默认
1{
2 "biz_scene": "default",
3 "language": "en"
4}
5
保存配置成功后，你会看到一个包含知识管理和问答功能的小窗口，如下所示。
如果保存配置未成功，你可能会遇到我在安装 Neo4j 时遭遇的未知错误。解决该问题的方法很简单：检查 release-openspg-neo4j 是否成功启动，然后重新运行容器：
1docker logs release-openspg-neo4j
2docker start release-openspg-neo4j
聊天机器人演示
点击“知识库构建”，创建一个任务，为你的知识任务命名，然后通过知识库管理页面选择本地文件上传（支持所有文件后缀），以进行知识库构建流程。
点击“下一步”，保持默认的最大分段长度设置，然后点击“下一步”。
看到该界面后，保持默认设置，点击“完成”。完成后，你可以创建任意多的任务——知识越多，聊天机器人就会越智能。
注意：你需要等待直到图标变绿，表示任务状态已完成。你可以点击日志查看图标检查进度，确保所有内容都已成功提取，如下所示。
我非常喜欢 OpenSPG 的一个特点是，我们可以使用 Neo4j 浏览器提取知识并检查知识提取结果。这对于任何希望跟踪数据，并确保聊天机器人通过 Cypher 查询生成精确回答的人来说，都非常有帮助：
http://127.0.0.1:7474/browser/
接下来，让我们点击“知识库问答”与聊天机器人互动并进行测试。我将向聊天机器人提出 KAG 论文中的一个问题
“论文提出的 Knowledge Augmented Generation (KAG) 框架如何弥补 RAG 方法的不足？”
你会看到，当我提出问题时，聊天机器人通过逻辑推理生成了输出。其答案准确、结构严谨、便于非技术用户理解，而且更为精准，没有任何冗余信息。
KAG 框架仍处于开发初期，因此未来还有改进和优化的空间。借助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与效率，同时也巩固了其基础。这些更新为构建更强大、更可靠的专业知识服务奠定了基础。
此外，摘要生成类也已得到优化。如果我们在各个阶段尝试不同规模的模型，KAG 的性能可能会进一步提升。而且，鉴于 KAG 是开源的，我们应当充分利用其代码，看看它如何帮助我们为各种需求创建定制化方案！
