KAG（Knowledge Augmented Generation）是基于 OpenSPG 引擎和大语言模型（LLM）构建的逻辑推理与问答框架，用于专业垂直领域的知识库问答解决方案。它通过将知识图谱（KG）与原始文本块进行互相索引，融合结构化与非结构化数据，并引入逻辑形式引导的混合推理机制，显著提升了推理严谨性与多跳问答能力，有效缓解传统 RAG（基于相似度检索）的歧义问题和 GraphRAG 引入噪音的弊端。
KAG 主要用来解决传统 RAG 在专业领域知识问答中的局限，例如：单纯依赖向量相似度检索可能导致答案模糊或相关性差，以及 GraphRAG 在开放式知识抽取时容易引入噪音。KAG 则通过知识对齐、逻辑形式引导、图谱与文本的互相索引，融合检索、知识图谱推理、语言推理与数值计算，支持多步逻辑推导与事实问答，确保在复杂场景下提供更准确、连贯的回答。
在实际应用中，Ant Group 已将 KAG 成功运用于政务问答与健康医疗问答领域。在政务场景，通过构建包含行政手续、政策法规的专业知识库，KAG 可以基于用户提问提供准确的流程建议；在医疗场景，结合疾病、症状、治疗方案等医疗资源，KAG 能清晰逻辑地组织信息，并生成专业可信的问答响应。实验数据显示，与传统 RAG 方法相比，KAG 在这些专业问答任务中显著提升了准确性和可信度。
适配机型：
京公网安备 11010802021500号