知识图谱RAG框架KAG开源发布

English | 简体中文 | 日本語版ドキュメント

KAG 是一个基于 OpenSPG 引擎和大语言模型的逻辑推理与问答框架，用于为垂直领域知识库构建逻辑推理和问答解决方案。KAG 能够有效克服传统 RAG 向量相似度计算存在的语义歧义，以及 OpenIE 给 GraphRAG 带来的噪声问题。KAG 支持逻辑推理、多跳事实问答等能力，效果显著优于当前的 SOTA 方法。

KAG 的目标是在专业领域构建知识增强型 LLM 服务框架，支持逻辑推理、事实问答等能力。KAG 充分融合了知识图谱（KG）的逻辑特性与事实特性，其核心功能包括：

• 通过 Knowledge 与 Chunk 相互索引结构，融合更完整的上下文文本信息
• 利用概念语义推理进行知识对齐，缓解 OpenIE 带来的噪声问题
• 通过 Schema 约束的知识构建，支持领域专家知识的表达与构建
• 通过逻辑形式引导的混合推理与检索，支持逻辑推理及多跳推理问答

⭐️ 为我们的仓库点亮 Star，及时了解令人期待的新功能和改进！第一时间获取新版本通知！🌟

2.1 知识表示

在私有知识库场景中，非结构化数据、结构化信息与业务专家经验往往同时存在。KAG 参考 DIKW 层次体系，将 SPG 升级为对 LLM 更友好的版本。

对于新闻、事件、日志、书籍等非结构化数据，交易、统计、审批等结构化数据，以及业务经验和领域知识规则，KAG 采用版面分析、知识抽取、属性归一化、语义对齐等技术，将原始业务数据与专家规则整合进统一的业务知识图谱。

由此，同一种知识类型（例如实体类型、事件类型）既可以使用不受 Schema 约束的信息抽取，也可以进行受 Schema 约束的专业知识构建，同时还支持图结构与原始文本块之间的交叉索引表示。

这种相互索引的表示方式有助于构建基于图结构的倒排索引，并推动逻辑形式的统一表示与推理。

2.2 逻辑形式引导的混合推理

KAG 提出了一套由逻辑形式引导的混合求解与推理引擎。

该引擎包含三类算子：规划、推理和检索，用于将自然语言问题转换为结合语言与符号的问题求解过程。

在这个过程中，每一步都可以使用不同的算子，例如精确匹配检索、文本检索、数值计算或语义推理，从而实现四类问题求解过程的融合：Retrieval、Knowledge Graph 推理、语言推理和数值计算。

2025.06.27：发布 KAG 0.8.0 版本

扩展了两种模式：私有知识库（包括结构化与非结构化数据）和公共网络知识库，支持通过 MCP 协议接入 LBS、WebSearch 及其他公共数据源。增强了私有知识库的索引能力，内置 Outline、Summary、KnowledgeUnit、AtomicQuery、Chunk 和 Table 等基础索引类型。实现知识库与应用解耦：Knowledge Bases 负责管理私有数据（结构化与非结构化）和公共数据；Applications 可以关联多个知识库，并根据知识库构建过程中建立的索引类型，自动适配相应的 retriever 进行数据召回。全面拥抱 MCP，使 Agent 工作流能够通过 MCP 协议使用由 KAG 驱动的推理问答能力。完成对 KAG-Thinker 模型的适配。通过优化横向问题分解、纵向方案推导、知识边界判断以及抗噪检索结果，在多轮迭代思考框架的引导下，提升了框架推理范式的稳定性与逻辑严谨性。

• 扩展了两种模式：私有知识库（包括结构化与非结构化数据）和公共网络知识库，支持通过 MCP 协议接入 LBS、WebSearch 及其他公共数据源。
• 增强了私有知识库的索引能力，内置 Outline、Summary、KnowledgeUnit、AtomicQuery、Chunk 和 Table 等基础索引类型。
• 实现知识库与应用解耦：Knowledge Bases 负责管理私有数据（结构化与非结构化）和公共数据；Applications 可以关联多个知识库，并根据知识库构建过程中建立的索引类型，自动适配相应的 retriever 进行数据召回。
• 全面拥抱 MCP，使 Agent 工作流能够通过 MCP 协议使用由 KAG 驱动的推理问答能力。
• 完成对 KAG-Thinker 模型的适配。通过优化横向问题分解、纵向方案推导、知识边界判断以及抗噪检索结果，在多轮迭代思考框架的引导下，提升了框架推理范式的稳定性与逻辑严谨性。

2025.04.17：发布 KAG 0.7 版本

首先，我们重构了 KAG-Solver 框架。新增对静态和迭代两种任务规划模式的支持，同时为推理阶段实现了更严谨的知识分层机制。其次，我们优化了产品体验：在推理阶段引入「简单模式」和「深度推理」双模式，并支持流式推理输出、图索引自动渲染，以及将生成内容链接至原始参考资料。在 KAG 仓库顶层新增 open_benchmark 目录，在相同基础条件下比较多种 RAG 方法，并取得了当前最佳（SOTA）结果。引入「轻量构建」模式，将知识构建的 token 成本降低了 89%。

• 首先，我们重构了 KAG-Solver 框架。新增对静态和迭代两种任务规划模式的支持，同时为推理阶段实现了更严谨的知识分层机制。
• 其次，我们优化了产品体验：在推理阶段引入「简单模式」和「深度推理」双模式，并支持流式推理输出、图索引自动渲染，以及将生成内容链接至原始参考资料。
• 在 KAG 仓库顶层新增 open_benchmark 目录，在相同基础条件下比较多种 RAG 方法，并取得了当前最佳（SOTA）结果。
• 引入「轻量构建」模式，将知识构建的 token 成本降低了 89%。

2025.01.07

支持领域知识注入、领域 Schema 自定义、QFS 任务、可视化查询分析，并为抽取启用 Schema 约束模式等。

2024.11.21

支持上传 Word 文档、设置模型调用并发数，并优化用户体验等。

2024.10.25

KAG 首次发布。

我们将继续专注于增强大模型利用外部知识库的能力。我们的目标是在大模型与符号知识之间实现双向增强与无缝融合，提高专业场景中推理与问答的事实性、严谨性和一致性。我们还会持续发布更新，拓展能力边界，推动 KAG 在垂直领域落地。

4.1 基于产品使用（面向普通用户）

4.1.1 安装引擎及依赖镜像

推荐的系统版本：macOS 用户：macOS Monterey 12.6 或更高版本；Linux 用户：CentOS 7 / Ubuntu 20.04 或更高版本；Windows 用户：Windows 10 LTSC 2021 或更高版本。

推荐的系统版本：

macOS User：macOS Monterey 12.6 or later
Linux User：CentOS 7 / Ubuntu 20.04 or later
Windows User：Windows 10 LTSC 2021 or later

软件要求：macOS / Linux 用户：Docker、Docker Compose；Windows 用户：WSL 2 / Hyper-V、Docker、Docker Compose。

软件要求：

macOS / Linux User：Docker，Docker Compose
Windows User：WSL 2 / Hyper-V，Docker，Docker Compose

使用以下命令下载 docker-compose.yml 文件，并通过 Docker Compose 启动服务。

# set the HOME environment variable (only Windows users need to execute this command)
# set HOME=%USERPROFILE%

curl -sSL https://raw.githubusercontent.com/OpenSPG/openspg/refs/heads/master/dev/release/docker-compose-west.yml -o docker-compose-west.yml
docker compose -f docker-compose-west.yml up -d

4.1.2 使用产品

使用浏览器访问 KAG 产品的默认地址：http://127.0.0.1:8887

Default Username: openspg
Default password: openspg@kag

详细介绍请参阅 KAG 使用指南（产品模式）。

4.2 基于 Toolkit 使用（面向开发者）

4.2.1 安装引擎及依赖镜像

请参考 3.1 节，完成引擎及依赖镜像的安装。

4.2.2 安装 KAG

macOS / Linux 开发者：

# Create conda env: conda create -n kag-demo python=3.10 && conda activate kag-demo

# Clone code: git clone https://github.com/OpenSPG/KAG.git

# Install KAG: cd KAG && pip install -e .

Windows 开发者：

# Install the official Python 3.10 or later, install Git.

# Create and activate Python venv: py -m venv kag-demo && kag-demo\Scripts\activate

# Clone code: git clone https://github.com/OpenSPG/KAG.git

# Install KAG: cd KAG && pip install -e .

4.2.3 使用 Toolkit

有关 Toolkit 的详细介绍，请参阅 KAG 使用指南（开发者模式）。随后，你可以使用内置组件复现内置数据集的性能结果，并将这些组件应用于新的业务场景。

KAG 框架包括三个部分：kg-builder、kg-solver 和 kag-model。本次发布仅涉及前两个部分，kag-model 将在未来逐步开源。

kg-builder 实现了一种对大语言模型（LLM）友好的知识表示方式。它基于 DIKW（数据、信息、知识和智慧）层次结构，升级了 SPG 的知识表示能力，使同一种知识类型（例如实体类型和事件类型）既兼容无 Schema 约束的信息抽取，也兼容有 Schema 约束的专业知识构建。它还支持图结构与原始文本块之间的相互索引表示，为推理问答阶段的高效检索提供支持。

kg-solver 采用逻辑符号引导的混合求解与推理引擎。该引擎包含规划、推理和检索三类算子，用于将自然语言问题转换为结合语言与符号的问题求解过程。在这个过程中，每一步都可以使用不同的算子，例如精确匹配检索、文本检索、数值计算或语义推理，从而实现四类问题求解过程的融合：Retrieval、Knowledge Graph 推理、语言推理和数值计算。

GitHub：https://github.com/OpenSPG/KAG

网站：https://openspg.github.io/v2/docs_en

欢迎加入我们的 Discord 社区。

关注 OpenSPG 官方账号，获取有关 OpenSPG 和 KAG 的技术文章与产品更新。

扫描下方二维码，加入我们的微信群。

KAG 介绍与应用：https://github.com/orgs/OpenSPG/discussions/52

如果你使用了本软件，请按以下方式引用：

KAG：通过知识增强生成提升 LLM 在专业领域中的能力

KAG：通过知识增强生成提升 LLM 在专业领域中的能力

KGFabric：面向企业数据互联的可扩展知识图谱仓库

KGFabric：面向企业数据互联的可扩展知识图谱仓库

@article{liang2024kag,
  title={KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation},
  author={Liang, Lei and Sun, Mengshu and Gui, Zhengke and Zhu, Zhongshu and Jiang, Zhouyu and Zhong, Ling and Zhao, Peilong and Bo, Zhongpu and Yang, Jin and others},
  journal={arXiv preprint arXiv:2409.13731},
  year={2024}
}

@article{yikgfabric,
  title={KGFabric: A Scalable Knowledge Graph Warehouse for Enterprise Data Interconnection},
  author={Yi, Peng and Liang, Lei and Da Zhang, Yong Chen and Zhu, Jinye and Liu, Xiangyu and Tang, Kun and Chen, Jialin and Lin, Hao and Qiu, Leijie and Zhou, Jun}
}

Lei Liang、Mengshu Sun、Zhengke Gui、Zhongshu Zhu、Zhouyu Jiang、Ling Zhong、Peilong Zhao、Zhongpu Bo、Jin Yang、Huaidong Xiong、Lin Yuan、Jun Xu、Zaoyang Wang、Zhiqiang Zhang、Wen Zhang、Huajun Chen、Wenguang Chen、Jun Zhou、Haofen Wang