检索增强生成（RAG）技术推动了领域应用与大模型结合。然而，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。
10 月 24 日，OpenSPG 发布 V0.5 版本，正式发布了知识增强生成（KAG）的专业领域知识服务框架。KAG 旨在充分利用知识图谱和向量检索的优势，并通过四个方面双向增强大型语言模型和知识图谱，以解决 RAG 挑战： KAG 在多跳问答任务中显著优于 NaiveRAG、HippoRAG 等方法，在 hotpotQA 上的 F1 分数相对提高了 19.6%，在 2wiki 上的 F1 分数相对提高了33.5%。我们已成功将 KAG 应用于蚂蚁集团的两个专业知识问答任务，包括电子政务问答和电子健康问答，与 RAG 方法相比，专业性有了显著提高。用户可以基于开源的 KAG 编程框架可以自助基于私域知识库完成领域图谱的构建和知识问答。KAG 地址：https://github.com/OpenSPG/KAGKAG 提出了一种对大型语言模型（LLM）友好的知识表示框架，在 DIKW（数据、信息、知识和智慧）的层次结构基础上，将 SPG 升级为对 LLM 友好的版本，命名为 LLMFriSPG。这使得它能够在同一知识类型（如实体类型、事件类型）上兼容无 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。这种互索引表示有助于基于图结构的倒排索引的构建，并促进了逻辑形式的统一表示、推理和检索。同时通过知识理解、语义对齐等进一步降低信息抽取的噪声，提升知识的准确率和一致性。KAG 提出了一种逻辑符号引导的混合求解和推理引擎。该引擎包括三种类型的运算符：规划、推理和检索，将自然语言问题转化为结合语言和符号的问题求解过程。在这个过程中，每一步都可以利用不同的运算符，如精确匹配检索、文本检索、数值计算或语义推理，从而实现四种不同问题求解过程的集成：图谱推理、逻辑计算、Chunk 检索和 LLM 推理。
KAG 还提供了一个用户友好的产品界面，支持用户在本地部署后，通过可视化界面进行文档上传和管理、预览抽取结果、以及知识问答。 在知识问答环节，系统不仅展示最终答案，还会呈现推理过程，从而增强了整个问答流程的透明度和可解释性。通过这个产品界面，用户能够更直观、更轻松地上手使用 KAG，下面通过视频为大家展示 KAG 产品如何使用： 在 OpenSPG 的下一个版本中，将持续增强领域知识注入的能力，推动领域概念图与实例图的融合，实现行业领域知识、专家经验、业务规则与业务数据的结合；其次，将发布 3B 规模的图谱构建&问答模型，提升构图&问答的效率，为 KAG 大规模应用奠定基础；然后，持续降低知识图谱的构建成本，通过语义对齐降低领域知识注入成本，提升领域知识构建的准确率和覆盖率；再次，还会进一步升级知识逻辑约束的幻觉抑制，增强复杂问题执行规划、答案判定的稳定性；最后，不断迭代升级产品的核心能力，并及时修复已发现的问题，以确保稳定、可靠的用户体验。目前 KAG 还处于早期阶段，诚邀对知识服务和知识图谱技术感兴趣的用户和开发者加入我们，共建新一代 AI 引擎框架。我们建立了 OpenSPG 技术交流群，欢迎大家添加小助手微信加入：jqzn-robot。 | 
