KAG来了，RAG慌了！

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946 收藏 3
点赞数 5
文章标签： 人工智能
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/sinat_37574187/article/details/143619632
版权

KAG来了，RAG慌了！

原创 热爱AI的 NLP前沿 2024年10月31日 11:55 湖北

上个周，OpenSPG 开源了KAG 框架，通过利用知识图谱和向量检索的优势，在四个方面双向增强LLM和知识图谱，以解决 RAG 存在的挑战（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。）。

整个框架包括kg-builder和kg-solver两部分

  • 图片

    kg-builder实现了对LLM友好的知识表示，支持无schema约束的信息提取和有schema约束的专业知识构建，并支持图结构与原始文本块之间的互索引表示。

  • kg-solver采用逻辑形式引导的混合求解和推理引擎，包括规划、推理和检索三种类型的运算符，将自然语言问题转化为结合语言和符号的问题求解过程。

知识表示：

图片

KAG参考了DIKW（数据、信息、知识和智慧）的层次结构，将SPG升级为对LLM友好的版本，能够处理非结构化数据、结构化信息和业务专家经验。采用版面分析、知识抽取、属性标化、语义对齐等技术，将原始的业务数据&专家规则融合到统一的业务知识图谱中。

推理步骤：

图片

  1. 将自然语言问题转换成可执行的逻辑表达式，此处依赖的是项目下的概念建模，可参考黑产挖掘文档。

  2. 将转换的逻辑表达式提交到 OpenSPG reasoner 执行，得到用户的分类结果。

  3. 将用户的分类结果进行答案生成。

效果如何？

KAG在多跳问答任务中表现优异，相较于其他方法如NaiveRAG、HippoRAG等，在hotpotQA上的F1分数提高了19.6%，在2wiki上的F1分数提高了33.5%。

图片

NLP前沿

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_40941102的博客
11-18 1004
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。
2025年开源RAG最佳选择：浙大与蚂蚁的 KAG 技术突破
surfirst的博客
01-03 1447
浙江大学与蚂蚁集团推出的**知识增强生成（KAG）**框架，旨在解决传统**检索增强生成（RAG）**方法在多跳推理和复杂逻辑处理中的不足。KAG通过结合知识图谱（KGs）和创新技术，显著提升了大语言模型在专业领域问答中的准确性和效率。
AI | 大模型入门（十）：RAG vs. KAG
kukule520129的博客
04-08 207
因此，需要构建一种新型多模数据库，将向量库、图库、关系库进行统一管理，消除现在的割裂状态，实现各类型数据的统一存储，实现查询使用简化操作，同时实现自主知识更新的功能，例如通过冲突检测自动修正知识图谱，实现多模态融合，将图像、视频等非文本数据纳入知识图谱。然而，对于需要基于结构化知识的一致的、基于事实的答案的任务，需严格逻辑和事实验证的专业领域（如法律条文引用、医疗诊断），或涉及多步推理的复杂问题（如“头痛+高血压→脑卒中风险”），那么KAG则可以提供更可靠的方法。
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 3121
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。
一文讲明白RAG 与 KAG 的区别：自然语言处理中的知识增强方法对比
weixin_73790979的博客
02-16 1654
RAG（检索增强生成）是一种结合检索和生成模型力量的框架。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）连接到 LLM 以进行问答案例。查询通过检索系统，从外部知识源检索相关文档或段落。将这些检索到的段落作为上下文纳入生成模型（如 GPT-4 或 Gemini），模型综合信息以生成相关答案。其应用多种多样，从回答开放领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。
RAG与KAG：GenAI知识增强生成的比较和差异
小哲的博客
04-09 960
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。
知识增强图（KAG）在LLM检索中的应用
llm_way的博客
01-03 1423
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。
【RAG实战】RAG与大模型应用
sysu_lluozh
12-16 1744
一种能够生成各类内容的技术，包括文本、图像、音频和合成数据。自2022年底ChatGPT在全球范围内推广以来，基于Transformer解码器结构的大模型已能在短时间内为用户生成高质量的文本、表格、代码，使整个AI领域迈入了新的时代。大语言模型（Large Language Model，LLM）经过海量文本数据的训练后，能将这些文本数据以一种黑盒形式压缩在模型参数中。预训练完成后，模型便掌握了大量的人类知识世界。
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 1670
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。
KAG开源了，知识增强掀翻RAG，性能翻倍
2401_84208172的博客
10-29 1547
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。
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 2461
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。
AI 知识库的 O1 时刻！蚂蚁KAG或将取代RAG【含喂饭级教程】
m0_59235245的博客
01-30 5406
KAG（Knowledge Augmented Generation）是一个基于OpenSPG引擎和大型语言模型（LLM）的推理问答框架，旨在通过结合知识图谱和向量检索的优势，提供更加严谨的决策支持和信息检索服务。KAG通过四个关键方面来增强LLM和知识图谱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.逻辑形式引导的混合推理引擎；4.以及与语义推理的知识对齐。简单来说，KAG就是通过创新技术，更好的融合了知识图谱和向量检索诞生的一个知识库框架。
LLMs之RAG：KAG(知识增强生成)的简介、安装和使用方法、案例应用之详细攻略
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
12-09 2910
​ LLMs之RAG：KAG的简介、安装和使用方法、案例应用之详细攻略 目录 KAG的简介 KAG的安装和使用方法 KAG的案例应用 KAG的简介 2024年10月25日，KAG (Knowledge Augmented Generation) 是一个基于OpenSPG引擎和大型语言模型(LLM)的逻辑形式引导推理和检索框架。它用于构建专业领域知识库的逻辑推理和事实问答解决方案。KAG能够有效克服传统RAG向量相似度计算模型的不足以及OpenIE引入的GraphRAG的噪声问题。它支
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 1437
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。
开源开放 | 突破 RAG 局限，KAG 专业领域知识服务框架正式开源！
开放知识图谱
10-28 828
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...
KAG
03-11
### Kaggle Competitions and Datasets Overview Kaggle, an online community of data scientists and machine learners, hosts competitions to solve real-world problems with machine learning techniques[^1]. Participants can access various datasets that are provided by companies and organizations from different industries. These datasets cover a wide range of topics such as healthcare, finance, technology, etc., which allows users not only to compete but also to learn new skills through practice on diverse projects. In addition to hosting competitions, Kaggle offers a platform where participants share their work via kernels (now known as notebooks), discuss ideas within forums, and collaborate on improving models together. For those interested specifically in machine learning modeling approaches used during these events or when working with dataset challenges, common algorithms include classification methods like Random Forest, GBM (Gradient Boosting Machine), Logistic Regression, Naive Bayes, Support Vector Machines, k-Nearest Neighbors; while regression tasks may involve using Random Forest again alongside other options including Linear Regression, Ridge, Lasso, SVR (Support Vector Regressor)[^3]. ```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score # Example code snippet showing how one might start exploring a dataset obtained from Kaggle. data = pd.read_csv('path_to_kaggle_dataset.csv') X_train, X_test, y_train, y_test = train_test_split(data.drop(columns=['target']), data['target'], test_size=0.2) model = RandomForestClassifier() model.fit(X_train, y_train) predictions = model.predict(X_test) print(f'Accuracy: {accuracy_score(y_test, predictions)}') ```
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

打赏作者

强化学习曾小健

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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