通过将RAG与知识图谱相结合的知识增强生成（KAG）

知识增强型生成结合了知识图谱和语言模型，以提供准确、逻辑且特定领域的AI解决方案。

知识增强型生成（Knowledge Augmented Generation，简称KAG）的出现标志着人工智能领域的一个关键进步，特别是在提升大语言模型（Large Language Models，简称LLMs）的能力方面。KAG将知识图谱（Knowledge Graphs，简称KGs）的结构化推理能力与语言模型的通用性相结合，形成一个能够产生连贯、逻辑且符合特定领域的输出的框架。这一创新在医疗保健、法律和行政服务等专业领域尤其有价值，在这些领域中，精确性和上下文理解至关重要。

1. 知识增强型生成（KAG）的需要

传统的检索增强生成（RAG）方法显著提高了语言模型对领域特定知识的检索能力。然而，这些系统面临几个挑战：

• 缺乏逻辑推理：RAG高度依赖于文本相似性，往往忽略了知识元素之间的深层逻辑联系。
• 在数值和时间上下文中的弱点：涉及计算、时间关系或分析推理的任务超出了标准RAG框架的能力范围。
• 碎片化的知识：由于基于文本的检索系统的固有噪声，检索到的知识往往是不完整或缺乏连贯性的。

为了应对这些不足，KAG通过将KG的推理优势与LLM的语言理解能力相结合而开发出来。

2. KAG的核心组件