从RAG到KAG，利用知识图谱大幅提升检索性能

最新推荐文章于 2025-04-10 08:00:00 发布
最新推荐文章于 2025-04-10 08:00:00 发布
阅读量737 收藏 11
点赞数 16
分类专栏： 检索增强生成RAG 文章标签： 知识图谱 人工智能 语言模型 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ai_tech_talk/article/details/146571557
版权

全方位解析KAG。

微信搜索关注《AI科技论谈》  

随着人工智能技术的不断演进，知识增强生成（KAG）作为一项创新型技术，正在逐步取代传统的检索增强生成（RAG）系统，增强了专业精确度和领域智能。

本文带大家详细解析KAG的架构、优势及其在实际应用中的表现。

RAG

RAG，即检索增强生成，是一种为大型语言模型（LLM）提供额外知识的技术，提供了模型训练之外的信息。

其核心步骤包括：

  • 文档：使用个人或定制的数据。

  • 块：从小规模到大规模文档中提取信息片段。

  • 嵌入：将文本信息转化为向量形式。

  • 检索数据：用户提问后，问题转化为向量，并通过语义搜索在数据库中匹配答案，然后与问题一起输入模型以生成回答。

GraphRAG

RAG在向量检索中存在一些限制，主要是缺乏深入的上下文理解和复杂的推理能力。

现在，先稍微了解一下GraphRAG，这样才能更好地理解KAG。

那么，GraphRAG，简单地说，通过节点和边的形式存储数据：

  • 节点：代表单个数据实体，如人、地点或物体，每个节点都有标识符、标签和属性。

  • 边：表示节点间的联系，展示它们的关系，包括起点、终点、类型和属性。

例如，如果Samar和ABC公司是实体，那么“Samar在ABC公司工作”就是一个边的描述。

KAG：下一代智能框架

KAG集开放信息提取、知识图谱和多跳推理技术于一身，构建了一个统一的智能框架。

相较于传统RAG，KAG不仅依赖语义搜索，还结合了逻辑推理和混合检索，能够有效避免因数据不完整或不相关而导致的误差，确保答案的精确性和可靠性。

KAG的技术架构

KAG的技术架构分为两大主要环节：

  • 数据存储：

  • 接收非结构化的领域特定文档，如文本和报告。

  • 通过语义分块将文档分解为有意义的信息块。

  • 提取实体、事件和关系等结构化信息，准备进一步处理。

  • 将信息与领域知识库对齐，整合预定义模式和领域概念。

  • 将数据与知识图谱链接，增强数据的语义一致性和细节，以适配LLM。

  • 数据检索：

    • 逻辑形式求解器通过规划、推理和检索三个步骤解决复杂问题。

    • 规划涉及拆解问题，确定解决问题的顺序。

    • 推理是根据拆解后的问题检索信息，推断答案，或在需要时进一步拆解子问题。

    • 检索旨在找到可用于解答原始问题或子问题的参考内容。

选择KAG的理由：

RAG在特定情况下有效，但它存在知识分散、推理能力弱和复杂查询错误多的问题。KAG通过以下方式改善了这些问题：

  • 整合知识：统一整合不同数据源。

  • 强化推理：使用高级算法提高答案准确性。

  • 提高精确度：针对特定领域优化，增强可靠性和精确性。

KAG的实际应用

KAG的实际应用广泛：

  • 电子政务：快速准确地回应公众咨询。

  • 医疗领域：提升诊断和治疗方案的知识检索精准度。

  • 专业领域：在金融、法律和教育等行业中处理复杂的多步骤查询。

性能基准与表现

KAG在HotpotQA、WikiHop和MusicQA等标准测试中展现出比传统RAG系统更优的效果。

AI新时代

KAG是AI领域的一大进步，它通过结合强大的推理和统一知识体系，超越了RAG的局限，树立了新的专业智能标准。

随着KAG技术的不断演进，它有望彻底改变行业并重新定义AI解决方案。让我们拥抱这项技术，共同迈入AI的新发展阶段。

推荐书单

《大模型RAG实战：RAG原理、应用与系统构建》

内容简介这是一本全面讲解RAG技术原理、实战应用与系统构建的著作。作者结合自身丰富的实战经验，详细阐述了RAG的基础原理、核心组件、优缺点以及使用场景，同时探讨了RAG在大模型应用开发中的变革与潜力。书中不仅揭示了RAG技术背后的数学原理，还通过丰富的案例与代码实现，引导读者从理论走向实践，轻松掌握RAG系统的构建与优化。无论你是深度学习初学者，还是希望提升RAG应用技能的开发者，本书都将为你提供宝贵的参考与指导。通过阅读本书，你将掌握以下知识：?透彻理解RAG的召回和生成模块算法?高级RAG系统的技巧?RAG系统的各种训练方式方法?深入了解RAG的范式变迁?实战0基础搭建RAG系统?实战高级RAG系统微调与流程搭建

购买链接：https://item.jd.com/14780610.html

精彩回顾

数据分析神器PandasAI，帮你高效处理10项常见任务

6款必知的AI Agent工作流，优缺点解析

QwQ-32B本地部署教程来了，全新开源推理大模型，性能比肩DeepSeek满血版

解读Deep Research：传统RAG已死，带你实现Agentic RAG

大模型应用开发平台Dify推出1.0版本，基于向量数据库Milvus实现RAG

从推理到编程，详细比较DeepSeek 32B、70B、R1实践性能

GraphRAG、Naive RAG框架总结主流框架推荐(共23个)：LightRAG、nano-GraphRAG、Fast-GraphRAG、Dify、RAGflow等
丨汀、的博客
11-28 1656
GraphRAG、Naive RAG框架总结主流框架推荐(共23个)：LightRAG、nano-GraphRAG、Fast-GraphRAG、Dify、RAGflow等
KAG：RAG已经不够了，知识增强生成才是王道，提升朴素RAG一倍性能
qkh1234567的博客
10-02 3015
RAG新推出的检索增强生成 (RAG) 技术虽能高效构建领域应用，但受限于模糊检索、通用语言模型的“幻觉”问题及复杂系统中的级联损失，专业知识服务效果受阻。在科学计算、医学和法律等领域，知识精准、信息完整及规则逻辑严密尤为关键。为此，我们推出知识增强生成 (KAG) 框架，通过双向增强大型语言模型 (LLM) 和知识图谱 (KG)，提升生成与推理能力，涵盖五大关键增强：LLM 友好的知识语义表示、知识图谱与原始块的相互索引、逻辑形式引导的混合推理、基于语义推理的知识对齐及 KAG 模型。
[Datawhale Camp] Task01- 知识图谱介绍
monarch
01-11 793
文章目录
2025年开源RAG最佳选择：浙大与蚂蚁的 KAG 技术突破
star_nwe的博客
02-14 1561
KAG（知识增强生成）框架通过结合知识图谱与大语言模型，显著提升了模型在处理复杂查询和多跳推理时的能力。通过在数据摄取和查询阶段的优化，KAG能够更精确地进行知识推理、信息检索及语义增强，尤其在电子政务和电子健康等专业领域应用中展现了其强大的实际效能。随着技术的不断发展，KAG将在更多领域中得到广泛应用，并有望继续推动大语言模型在专业领域的突破。KAG不仅仅是一个技术框架，它的创新性将为更多行业带来智能化转型的机会，未来的发展值得期待。
专业知识检索技术的未来：高级算法与工程架构解析
2301_76981999的博客
08-04 1565
在检索专业知识层需要涵盖更高级的检索技术，包括工程架构和算法策略。
KAG 技术与实践分享｜基于 KAG 框架自主完成领域图谱构建和知识问答
金融机器智能社区
12-02 3275
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。
知识图谱融入向量数据库，带来RAG效果飞升
2401_85325397的博客
10-16 1069
随着大型语言模型（LLMs）在各种应用中的广泛使用，如何提升其回答的准确性和相关性成为一个关键问题。检索增强生成（RAG）技术通过整合外部知识库，为LLMs提供了额外的背景信息，有效地改善了模型的幻觉、领域知识不足等问题。然而，仅依靠简单的 RAG 范式存在一定的局限性，尤其在处理复杂的实体关系和多跳问题时，模型往往难以提供准确的回答。
通过将RAG与知识图谱相结合的知识增强生成（KAG）
最新发布
小哲的博客
04-10 1616
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。
RAG与KAG：GenAI知识增强生成的比较和差异
小哲的博客
04-09 918
RAG，或检索增强生成（Retrieval-Augmented Generation），是一种结合了检索和基于生成模型的框架。它已成为生成式人工智能最重要的应用之一，将外部文档（PDF、视频等）与LLM连接起来用于问答案例。检索：查询通过一个检索系统，从外部知识源中检索相关文档或段落。生成：这些检索到的段落作为上下文被整合进一个生成模型（如GPT-4或Gemini），然后该模型综合信息以生成相关的答案。它的应用多种多样，从回答开放域查询或需要访问最新或特定领域信息的聊天机器人到定制搜索引擎。
基于 RAG（检索增强生成）、KAG（知识感知生成）和 CoT（链式思维）的生成式语言模型驱动推荐系统
weixin_41046245的博客
11-18 1206
通过细化 RAG、KAG 和 CoT 模块，并结合多维度特征（如相似购物习惯人群购物趋势等），可以构建一个高度个性化、可解释且动态适应的生成式语言模型驱动推荐系统。该系统不仅能够提供精准的推荐，还能通过自然语言解释增强用户信任，适用于电商、内容推荐和社交媒体等多个应用场景。通过系统化的设计、优化和持续迭代，能够满足不断变化的用户需求，提升整体用户体验和业务指标。
从 RAG 到 GraphRAG：利用知识图谱转变信息检索
xx_nm98的博客
07-10 2643
GraphRAG 在 RAG 概念的基础上更进一步，引入了一个两步流程，该流程利用从大型语言模型（LLMs）中提取的知识图谱。
KAG LLM + 图谱的五方面增强：知识表示增强、图结构与文本互索引、符号引导的拆解和推理、知识对齐、模型，支付宝支小宝、蚂蚁集团应用算法，医疗问答指标解释准确率 ＞ 93%
Debroon
11-26 2753
这个框架的重要性在于它为构建专业领域的知识服务提供了一个可行的方案，既保持了大语言模型的灵活性，又具备了知识图谱的精确性和可解释性。通过将结构化的知识图谱推理与传统检索相结合，KAG能够实现更准确和更有逻辑性的响应，特别是在需要多跳推理的复杂领域特定查询方面。KAG 目标是在专业领域内实现准确的事实性回答和报告生成，融合不同层级知识创建从严格到宽松的决策范式。与主要依赖向量相似度的传统RAG不同，KAG集成了结构化的知识推理。先结构化图谱搜索和推理，当图谱无法回答，变成非结构化文本信息检索。
知识增强图（KAG）在LLM检索中的应用
llm_way的博客
01-03 1355
KAG 即知识增强图（Knowledge - augmented Graph），它将大语言模型与结构化的知识图谱深度整合，旨在实现专业领域中的逻辑推理和问答功能。KAG 构建于 OpenSPG 引擎之上，这一引擎是创建和管理知识图谱的框架，就如同一张庞大且详尽的信息地图，能够将原始数据转化为有用的知识，支持知识图谱的持续更新和完善，并将大数据与人工智能系统相连接，以解决复杂的实际问题。OpenSPG 的灵活性使其可以根据不同行业和需求进行定制化调整，为 KAG 的强大功能提供了坚实基础。
自然语言处理:第六十二章 KAG 超越GraphRAG的图谱框架
victor_manches的博客
11-18 1727
一个对大型语言模型（LLMs）友好的知识表示框架。SPG属性被划分为知识和信息领域，也称为静态和动态领域，它们分别与具有强模式约束的决策专长和具有开放信息表示的文档检索索引知识兼容。归功于在构建更有效的索引、知识对齐和混合解决库方面的创新，KAG框架在多跳问答任务中相比于现有的RAG方法有显著的性能提升，KAG框架介绍了一个基于逻辑形式的混合推理和求解引擎，它能够将自然语言问题转化为结合语言和符号的解题过程。这个框架的目的是为了让知识图谱（KG）更好地支持LLMs的应用，并提高两者之间的协同效果。
KAG，一种知识增强生成的私域知识库可信框架，产品模式、开发者模式实操演示，支持GPT大模型、国产大模型、开源本地大模型
youeyeb的博客
01-08 1334
1.1 主要内容KAG开源框架介绍及使用KAG实现知识增强生成应用本次实现功能为:产品模式测试、开发者模式测试1.2 KAG框架(1)KAG是什么KAG是OpenSPG发布v0.5版本中推出的知识增强生成（KAG）的专业领域知识服务框架，旨在充分利用知识图谱和向量检索的优势，增强大型语言模型和知识图谱，以解决 RAG 挑战。
RAG v.s. KAG 检索增强生成 or 缓存增强生成
Niki2020_2017的博客
04-05 188
RAG的工作原理是将用户的查询转换为嵌入向量，在预先构建的向量数据库中搜索相关信息，并将检索到的内容与用户的原始查询一起输入模型，以生成更准确的响应。这种方法虽然有效，但需要复杂的设置，并可能引入额外的延迟和检索不准确的问题。总之，随着LLM技术的不断进步，CAG方法为开发者提供了新的途径，利用扩展的上下文窗口和缓存机制，简化系统架构，提高响应速度和准确性。例如，谷歌的Gemini 2.0 Flash模型支持高达100万标记的上下文窗口，使得预加载大量数据成为可能，进一步提升了模型处理复杂任务的能力。
国内首个专业领域知识增强服务框架 KAG 技术报告，助力大模型落地垂直领域
m0_59235245的博客
09-25 2410
以上也是当前多数大模型所欠缺的能力。鉴于此，今年上半年我们进行了大量探索，并正式着手构建一个基于知识增强的、面向垂直领域的可控生成框架。
KAG开源了，知识增强掀翻RAG，性能翻倍
2401_84208172的博客
10-29 1497
LLMFriSPG定义了一个数据结构M，包括实体类型（T）、概念类型（C）、归纳关系（ρ）和可执行规则（L）。实体类型包括预定义的属性，这些属性与LPG语法声明兼容。概念类型包括概念类、概念及其关系，每个概念树的根节点是一个与LPG语法兼容的概念类型类。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值