上个周，OpenSPG 开源了KAG 框架，通过利用知识图谱和向量检索的优势，在四个方面双向增强LLM和知识图谱，以解决 RAG 存在的挑战（RAG 存在着向量相似度与知识推理相关性差距大、对知识逻辑（如数值、时间关系、专家规则等）不敏感等问题，这些都阻碍了专业知识服务的落地。）。
整个框架包括kg-builder和kg-solver两部分
kg-builder实现了对LLM友好的知识表示，支持无schema约束的信息提取和有schema约束的专业知识构建，并支持图结构与原始文本块之间的互索引表示。 kg-solver采用逻辑形式引导的混合求解和推理引擎，包括规划、推理和检索三种类型的运算符，将自然语言问题转化为结合语言和符号的问题求解过程。
知识表示：
KAG参考了DIKW（数据、信息、知识和智慧）的层次结构，将SPG升级为对LLM友好的版本，能够处理非结构化数据、结构化信息和业务专家经验。采用版面分析、知识抽取、属性标化、语义对齐等技术，将原始的业务数据&专家规则融合到统一的业务知识图谱中。
推理步骤：
将自然语言问题转换成可执行的逻辑表达式，此处依赖的是项目下的概念建模，可参考黑产挖掘文档。 将转换的逻辑表达式提交到 OpenSPG reasoner 执行，得到用户的分类结果。 将用户的分类结果进行答案生成。
效果如何？
KAG在多跳问答任务中表现优异，相较于其他方法如NaiveRAG、HippoRAG等，在hotpotQA上的F1分数提高了19.6%，在2wiki上的F1分数提高了33.5%。