从RAG到KAG，认识知识增强生成技术的演进（上）

检索增强生成 RAG 和 知识增强生成 KAG 代表了当前大模型与外部知识结合的两代技术范式。随着大模型在专业领域的应用深入，传统 RAG 技术暴露出诸多局限性，而KAG作为新一代框架，通过深度融合 知识图谱 与 大语言模型，显著提升了专业领域问答的 准确性、逻辑性和可解释性。

今天的这篇文章将系统分析RAG的局限性、KAG的创新架构、两者核心技术对比、实际应用效果以及未来发展趋势，希望能帮助您全面理解这一技术演进的内在逻辑与 实用价值。

RAG技术的局限性

RAG 技术自提出以来，已成为连接大语言模型与外部知识的 重要桥梁，但在专业领域应用中逐渐暴露出 多方面的不足。理解这些局限性是认识 KAG 价值的前提。

① 知识检索的模糊性是RAG最根本的问题。

RAG依赖向量相似度进行检索，而语义相似并不等同于知识相关。在专业领域中，许多问题需要精确匹配专业术语和概念，向量检索常会返回语义相近但知识无关的内容。

例如，在法律领域查询"过失致人死亡罪的量刑标准"，可能会检索到关于"故意杀人罪"的内容，因为两者在向量空间中的位置接近。这种"近似而非精确"的检索机制导致专业领域回答的准确率大幅下降。

② 逻辑推理能力薄弱是另一大缺陷。

RAG本质上仍基于大语言模型的 next-token预测机制，对需要数值计算、时间序列分析或复杂逻辑推理的问题表现不佳。测试显示，传统RAG仅能解决企业知识库中约16%的问题，特别是对需要多步推理的复杂问题几乎无能为力。

③ 多跳问答的级联错误在复杂查询中尤为明显。

当问题需要串联多个知识点时，这一过程中任何一环的检索错误都会导致最终答案偏离正确方向。而RAG缺乏对各跳检索结果的逻辑校验机制，错误会不断累积。

④ 知识更新与一致性问题也制约着RAG的表现。

专业领域的知识更新频繁且需要严格一致性，如：临床指南的修订或法律条款的更新。RAG系统难以保证所有相关文本块同步更新，可能导致同一问题在不同文档块中得到 矛盾的信息。

⑤ 领域适应性差和领域特定逻辑的处理不足。

金融领域的复利计算、法律领域的条文援引规则 等专业知识，仅靠通用语言模型难以准确把握。蚂蚁集团在电子政务问答中发现，传统RAG对政府服务流程、材料要求等问题的回答专业度不足。

表：RAG在不同类型问题上的表现对比

这些局限性促使业界探索更强大的 知识增强方案，KAG 正是在这样的背景下应运而生，通过知识图谱与大模型的 双向增强，系统性地解决了上述问题。