开源开放 | 突破 RAG 局限，KAG 专业领域知识服务框架正式开源！

主要观点总结

本文介绍了RAG技术的挑战以及KAG（知识增强生成）专业领域的知识服务框架的发布。KAG旨在解决RAG存在的问题，通过四个方面双向增强大型语言模型和知识图谱。文章还提到了KAG的几个创新点，如LLM友好的语义化知识管理、逻辑符号引导的混合推理引擎等。最后，文章介绍了KAG的应用、未来计划以及共建邀请。

关键观点总结

关键观点1: KAG框架的发布及目标

KAG旨在利用知识图谱和向量检索的优势，解决RAG技术存在的问题，通过四个方面双向增强大型语言模型和知识图谱。

关键观点2: KAG的创新点

KAG提出了LLM友好的语义化知识管理、逻辑符号引导的混合推理引擎等创新点，这些创新点有助于提高知识的准确率和一致性，促进逻辑推理和检索。

关键观点3: KAG的应用及效果

KAG已成功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。

关键观点4: 未来计划及共建邀请

OpenSPG计划在未来版本中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，降低知识图谱的构建成本等。同时，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共建新一代AI引擎框架。

文章预览

转载公众号 | SPG知识图谱 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： (1) 对 LLM 友好的知识表示 (2) 知识图谱与原文片段之间的互索引 (3) 逻辑符号引导的混合推理引擎 (4) 基于语义推理的知识对齐 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 ………………………………