前言：读者需在引擎&依赖及镜像安装的基础上，才可顺利使用蚂蚁所推出的产品。本文主要介绍通过案例介绍如何进行全局配置和知识库创建，以及后续的知识构建：包括知识建模、知识抽取和知识问答等。前文可参考：蚂蚁 KAG 环境部署、技术实践和全部复现（面向用户）-CSDN博客
目录
二、开启 openspg 服务端（KAG 是基于 openspg 的）
① 启动 openspg 服务端命令（上一篇文章讲过，不再重复：蚂蚁 KAG 环境部署、技术实践和全部复现（面向用户）_蚂蚁kag-CSDN博客）
② 查看状态是否开启，出现以下图标（Open-SPG）等标志，代表服务端开启成功：
⑤ 通过 pip 安装 SDK，这样可以通过 Python SDK 进行模型调用
五、KAG 项目案例实践 -hotpotqa（无实体类型关系知识图谱 schema）
六、KAG 项目案例实践-医疗图谱（有实体类型关系知识图谱 schema）
七、KAG 项目案例实践-黑产挖掘（事件图谱 schema）
一、蚂蚁 KAG 开发环境搭建
① 安装 python 虚拟环境
conda create -n kag-demo python=3.10 && conda activate kag-demo
② 代码 clone
git clone https://github.com/OpenSPG/KAG.git③ 进入项目根目录即 ./KAG，进行安装
cd ./KAG && pip install -e .
④ 验证是否安装成功
knext --version
knext --help
二、开启 openspg 服务端（KAG 是基于 openspg 的）
① 启动 openspg 服务端命令（上一篇文章讲过，不再重复：蚂蚁 KAG 环境部署、技术实践和全部复现（面向用户）_蚂蚁kag-CSDN博客）
# service start
docker-compose -f docker-compose-west.yml up -d
② 查看状态是否开启，出现以下图标（Open-SPG）等标志，代表服务端开启成功：
docker ps
docker logs -f release-openspg-server
三、开通 API 服务，进行全局配置（大模型、数据库等）
登录后，进入全局配置：
# Default login information:
# Username: openspg
# Default password: openspg@kag
① 图存储配置
我用的是 openspg-neo4j 图存储数据库（也可以不用docker里边的neo4j，参考我之前的博文本地配置：使用 Neo4j 图数据库可视化（网络安全）知识图谱_neo4j知识图谱可视化-CSDN博客）：
按照以下用户名密码直接填入到全局配置中（记得保存）：
{
"database":"neo4j", # default database name, which will be replaced by namespace of knowledge base
"uri":"neo4j://release-openspg-neo4j:7687", # neo4j server address, which can be replaced by customized neo4j server which is accessbile
"user":"neo4j", # neo4j username, default to neo4j
"password":"neo4j@openspg", # neo4j password, default to neo4j@openspg
}
② 向量配置（即表示模型配置）
KAG 支持 OpenAI 兼容类接口的表示模型服务，如 OpenAI、硅基流动等。开发者可自行前往 硅基流动官网、openai官网等网站，提前完成账户的注册以及模型服务的开通，并获取 api-key，填入到后续的项目配置中。KAG 也支持对接 ollama、xinference 等提供的表示模型预测服务，详情可参考模型服务相关章节。
这里我使用的是硅基流动 (SiliconFlow)，需要开通 API 服务（硅基流动统一登录）：
{
"type":"openai", # KAG supports openai compatible interface of embedding service
"model":"BAAI/bge-m3", # model name of embedding service
"base_url":"https://api.siliconflow.cn/v1", # url of embedding service
"api_key":"your api key"
}将以上对应填入网站中对应表格即可：
③ 提示词中英文配置
用于决定调用模型时，使用中文还是英文，按照以下提示直接填入即可：
{
"biz_scene":"default", # biz_scene for kag template
"language":"en", # en for english and zh for chinese
}
前三个配置好后，点击保存！
④ 大模型配置
KAG 支持 Open-AI 兼容的生成模型 API (如 chatGPT、deepseek、qwen2)，支持 ollama、maas、vllm，点中间那个：
我这里用的是 DeepSeek：
选择中间的 mass，对应 API 文档说明进行填入 ：
点击确定，就配置好了：
⑤ 通过 pip 安装 SDK，这样可以通过 Python SDK 进行模型调用
pip install dashscope
⑥ 安装 OpenAI Python 库。从终端/命令行运行，确认 OpenAI Python 库已成功安装。 之后可以直接通过 OpenAI 的相关接口进行调用，目前平台支持 OpenAI 相关的大多数参数
pip install --upgrade openai
四、创建和构建知识库，实现 KAG 知识关联展示及推理问答
① 创建知识库及相应的配置
可以针对特定新创建的知识库使用上述的全局配置，也可以重新自定义配置：
可以使用默认配置，但默认数据库名称会新起的知识库的名称所替换：
官方教程中有一个提示需要注意：
于是，我跟着创建一个知识库：
知识库名字：Zturbo9921，调用模型时用自定义改为了英文：en，其他均使用的时全局配置。
有时候会提示名字已存在或超时，但实际已创建成功，直接返回首页即可！
此处的 bug 已不想吐槽，成功界面如上图所示！
等以上配置搞定后，打开 Neo4j Browser 填入用户名和密码：
"user":"neo4j"
"password":"neo4j@openspg"
登录进去就可以看到同名数据库（zturbo9921）了（说明：知识库的名字会覆盖掉之前全局配置中给数据库起的名字）：
② 构建知识库，上传文档实现知识抽取及众多功能
点击知识库构建，可以进入这个项目的知识库构建阶段：
点击右上角创建任务，上传官方给定的三个文件，进行知识抽取：
Enter the knowledge base Build => Create task to initiate knowledge building tasks. Users can download sample files 📎David Eagleman.txt 📎Karl Deisseroth.txt 📎Thomas C. Sudhof.txt
点击右上方创建任务，依次上传这三个文件：
然后点击完成：
另外两个文件同理不赘述，全部成功上传后界面如下所示：
这个过程需要等挺长时间，因为要分割、抽取、向量化、对齐等操作，相当耗时：
抽取完成后状态会转变，可以实时看到处理状态，直到完成：
最终结果如下图所示：
③ 知识抽取和展示
点击左侧栏的知识探查（第三个），随意搜索 Thomas，可以检索以下表格：
也可以根据属性进行筛选：
点击和选中其中的一个人，点击画布探查，可展示完整的知识图谱及关系链接：
此外，可以看到对应的知识模型及详细的描述信息：
④ 知识推理和问答
输入问题：Which Stanford University professor works on Alzheimer's?
输入后，上述问题会自动拆分成若干子问题，并逐个给出回答：
最后，最终会返回给出源问题的回答：
此外，还可以查看每个子问题的答案，以及原因和上下文信息：
⑤ 通过 Neo4j 来看 KAG 中的知识关联等原理
除了在 OpenSPG 平台，也可以通过 Neo4j 更加直观地来查看和分析导入的文本数据（http://localhost:7474/browser/）：
点击左侧栏的 chunk，即语义块（共三个，对应导入的三个文档），可以分别从整体看到这三个语义块之间的关联，以及实体与实体之间的关联。知识图谱中每一种颜色代表一类，非常直观：
以下三个案例是 2024.1.7 之前项目没有更新至 V0.7版本时的复现，粗略介绍带过：
五、KAG 项目案例实践 -hotpotqa（无实体类型关系知识图谱 schema）
① 进入案例目录
cd kag/examples/hotpotqa/
② 项目初始化
knext project restore --host_addr http://127.0.0.1:6008 --proj_path .上述命令是报错的：
需要改为命令：
knext project restore --host_addr http://183.220.37.57:6008 --proj_path .
③ 知识建模
knext schema commit
由于服务端的 Schema 和提交的 Schema 一致，因此会出现上述警告（不用担心，在修改好自己的 Schema再提交时，就不会有这种情况了）。
上述命令完成后，可以在前端 http://183.220.37.57:6008/ 中，选择 HototQA，从而查看 schema 效果：
④ 知识抽取构建（需要开 VPN）
首先需要更改配置文件：
python ./builder/indexer.py上述命令完成后，可以在前端 http://183.220.37.57:6008/ 中，选择 HototQA，从而查看知识抽取构建效果。
六、KAG 项目案例实践-医疗图谱（有实体类型关系知识图谱 schema）
① 进入案例目录
(kag-demo) D:\KAG\kag\examples\hotpotqa>cd ../medicine/② 项目初始化
knext project restore --host_addr http://183.220.37.57:6008 --proj_path .
③ 知识建模
knext schema commit
上述命令完成后，可以在前端 http://183.220.37.57:6008/ 中，选择 Medicine，从而查看 schema 效果：
④ 知识抽取构建（需要开 VPN）
首先需要更改配置文件：
其次开 VPN，执行以下命令：
python ./builder/indexer.py上述命令完成后，可以在前端 http://183.220.37.57:6008/ 中，选择 Medicine，查看知识抽取构建效果。
七、KAG 项目案例实践-黑产挖掘（事件图谱 schema）
① 进入案例目录
(kag-demo) D:\KAG\kag\examples\hotpotqa>cd ../riskmining/② 项目初始化
knext project restore --host_addr http://183.220.37.57:6008 --proj_path .
③ 知识建模
knext schema commit上述命令完成后，可以在前端 http://183.220.37.57:6008/: 中，选择 RiskMing 项目，从而查看 schema 效果：
因此，这里只进行展示图谱某节点与周边节点之间的关系：
④ 知识抽取构建（需要开 VPN）
首先需要更改配置文件：
python ./builder/indexer.py上述命令完成后，可以在前端 http://183.220.37.57:6008/ 中，选择 RiskMing 项目，从而查看知识抽样的效果：
扫一扫
1407
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
