6.4K star！轻松搞定专业领域大模型推理，这个知识增强框架绝了！

「垂直领域大模型落地难逻辑推理总出错这个来自OpenSPG的开源框架，让专业领域知识服务变得像搭积木一样简单！」

项目介绍

KAG是基于OpenSPG知识引擎和LLM的专业领域知识服务框架，专为解决传统RAG方案在垂直领域应用的三大痛点而生：

1. 向量检索的"似是而非"问题（语义相似但逻辑错误）
2. 开放信息抽取的"噪声污染"问题
3. 复杂场景下的多跳推理难题

最新版本已支持：
✅ 领域知识注入（金融/医疗/法律等）
✅ 可视化图谱分析查询
✅ 混合推理引擎（逻辑+语义+数值）
✅ 多模态知识管理（文本/表格/图谱）

核心功能亮点

逻辑推理问答

突破传统QA系统的关键词匹配模式，支持：

• 多条件组合推理（"找出近三年营收增长超20%但负债率低于60%的上市公司"）
• 时序推理（"某患者先出现A症状后出现B症状的可能病因"）
• 矛盾检测（"合同条款X与行业规范Y是否存在冲突"）

知识对齐黑科技

通过概念语义推理实现：

• 自动消歧（"苹果->水果/公司"智能判断）
• 术语对齐（"心肌梗塞=心梗=心肌梗死"自动关联）
• 知识纠错（检测并修正错误事实陈述）

多模态知识管家

• 文档 ↔ 知识图谱双向索引
• 支持Word/PDF/Excel多格式解析
• 专家经验结构化（通过Schema约束）

混合推理引擎

# 问题求解过程示例
question ="某新能源车企近三年研发投入是否超过行业平均水平"
求解步骤：
1.检索→获取企业研发数据
2.计算→行业均值计算
3.推理→趋势对比分析
4.生成→自然语言结论

企业级知识安全

• 私有化部署方案
• 知识访问权限控制
• 审计日志追踪
• 数据加密存储

技术架构解析

组件	核心技术	优势特点
kg-builder	LLMFriSPG框架、DIKW模型、多模态抽取	兼容结构化/非结构化知识
kg-solver	逻辑符号引导、混合运算符（规划/推理/检索）	支持四种推理模式无缝切换
kag-model	领域适配微调、知识蒸馏、提示工程优化	专业领域效果提升40%+

落地场景实测

金融风控场景

用户问：A公司通过多层控股的子公司是否存在同业竞争
系统执行：
1. 抽取股权结构图谱
2. 分析业务范围重叠度
3. 参照监管规则判断
4. 生成风险评估报告

医疗诊断支持

病历文本 → 信息抽取 → 症状图谱 → 诊断规则 → 推理引擎

法律合同审查

传统RAG：准确率68%（存在条款误解）
KAG方案：准确率92%（逻辑关系精准把握）

与同类方案对比

	传统RAG	GraphRAG	KAG
推理能力	❌	⚠️	✅ 逻辑+语义
知识准确性	⚠️	❌	✅ 双重校验
多跳问答	❌	⚠️	✅ 自动链路
部署复杂度	✅	❌	✅ 容器化方案
领域适配成本	高	中	低

快速上手指南

三步部署方案

# 1. 获取部署文件
curl -sSL https://raw.githubusercontent.com/... -o docker-compose.yml

# 2. 启动服务
docker compose -f docker-compose.yml up -d

# 3. 访问系统
浏览器打开 http://127.0.0.1:8887
（默认账号：openspg/openspg@kag）

开发者扩展示例

fromkagimportKnowledgeBuilder

# 自定义医疗schema
medical_schema = {
 "疾病类型": ["症状","治疗方案","相关检查"],
 "药品": ["适应症","禁忌症","相互作用"]
}

builder = KnowledgeBuilder(schema=medical_schema)
builder.add_document("medical_report.docx")
kg = builder.build()

同类项目推荐

1. DeepSeek-R1

• 特点：通用领域对话优化
• 适用：日常问答、内容创作
• 局限：专业领域深度不足

2. LangChain

• 特点：灵活的工作流编排
• 适用：快速原型开发
• 局限：需要自行实现知识管理

3. Neo4j+LLM

• 特点：图数据库深度集成
• 适用：已有知识图谱系统
• 局限：开发维护成本较高