KAG：当知识图谱遇上大模型，专业领域问答的强力引擎

[故事没有后来]

最近，检索增强生成（RAG）技术迅速崛起，成为让大模型获取领域知识、减少“幻觉”的主流方案。但在面对法律、医疗、政务等专业领域时，单纯基于向量相似度的检索往往显得“力不从心”——它难以捕捉知识之间的逻辑关联、数值关系与专家规则，导致生成的答案缺乏严谨性与专业性。

为了解决这一问题，蚂蚁集团知识图谱团队与浙江大学合作，提出了一种全新的专业领域知识服务框架——知识增强生成（Knowledge Augmented Generation, KAG）。KAG 并非简单地将图谱结构融入检索流程，而是深度融合知识图谱的符号推理能力与大模型的语义理解能力，构建了一个双向增强、逻辑严谨、可解释性强的新一代问答系统。

论文标题：KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation
论文链接：https://arxiv.org/abs/2409.13731
开源代码：https://github.com/OpenSPG/KAG

---

一、为什么现有的 RAG 还不够？

传统 RAG 的核心是通过向量检索找到与问题相似的文本片段，然后交给大模型生成答案。这种方式存在两个根本瓶颈：

1. 语义对齐弱：向量相似度不等于逻辑相关性。例如，“蔬菜或水果”和“蔬菜和水果”的向量可能很接近，但逻辑含义截然不同。
2. 缺乏逻辑与数值推理：对于需要跨段落推理、时序判断、数值计算的专业问题（如“某地爆发过多少次瘟疫？”），纯文本检索难以保证答案的准确性与连贯性。

知识图谱（KG）以其显式的语义关系和强大的符号推理能力，恰好能补足这些短板。但传统 KG 构建成本高、覆盖面有限，且与大模型的结合往往停留在“检索后拼接”层面，未能实现深度融合。

---

二、KAG 的核心设计：五大创新模块

KAG 框架包含三个主要部分：KAG-Builder（离线构建）、KAG-Solver（在线求解）和 KAG-Model（模型增强），并通过以下五个关键技术实现突破：

1. LLM 友好的知识表示（LLMFriSPG）

为了让知识既适合机器推理又便于大模型理解，KAG 提出了 LLMFriSPG 知识表示框架。它将知识分为三个层次：

• 知识层：经过模式约束、人工校验的高质量领域知识，逻辑严谨。
• 信息层：通过信息抽取从文本中提取的实体、关系、事件，覆盖面广。
• 原始文本块层：经过语义分块的原文，提供可追溯的上下文。

图1：KAG 整体框架，包含 KAG-Builder、KAG-Solver 和 KAG-Model。

这种分层设计既保证了知识的准确性，又通过“支持块”索引实现了图谱与原文的互相关联，为后续的混合检索与推理奠定了基础。

2. 知识结构-文本块互索引

KAG 在构建阶段就建立了图谱节点与文本块之间的双向索引。每个实体、事件都会关联到原文中出现的所有文本块，反之每个文本块也会指向其中出现的知识节点。这种结构不仅增强了知识的可解释性，也为后续的图引导检索提供了可能。

3. 逻辑形式引导的混合推理引擎

这是 KAG 的“大脑”。它定义了一套逻辑形式语言，将自然语言问题转化为包含检索、排序、计算、推理等多个步骤的可执行计划。

例如，对于问题：“C罗在 2011 年效力的球队中，哪一支成立时间最晚？”，逻辑形式可以分解为：

1. 检索 C罗在 2011 年效力的球队；

2. 检索这些球队的成立年份；

3. 按成立年份排序，取最晚的一支。

   图2：LLMFriSPG 知识表示框架。

4. 基于语义推理的知识对齐

为了提升知识的连贯性与检索准确性，KAG 在构建与检索阶段都引入了语义关系推理，如同义、上下位、包含、因果等关系。例如，“白内障患者”可对齐到“视障人士”，即使用户未明确提及后者，系统也能通过语义关联找到相关文档。

5. KAG 模型增强

KAG 还对底层大模型进行了针对性增强，通过指令微调提升其在自然语言理解、推理与生成三个核心任务上的表现。实验显示，经过 KAG 微调的模型在多项理解与推理基准上均有显著提升。

---

三、实验结果：显著优于现有方法

论文在三个经典的多跳问答数据集上进行了测试：

• HotpotQA
• 2WikiMultiHopQA
• MuSiQue

与当前最强的 RAG 方法 HippoRAG 相比，KAG 在 F1 分数上分别提升了 **19.6%、33.5% 和 12.5%**，检索召回率也有显著提高。

表1：KAG 在多项指标上显著优于现有方法（对应论文表8)。

消融实验进一步验证了各个模块的有效性：知识对齐增强明显提升了图谱的连通性与检索效果；逻辑形式推理在保证答案准确性的同时，也大幅提升了复杂问题的求解能力。

图3：知识与信息的分层表示。

---

四、落地场景：从政务到医疗

KAG 已在蚂蚁集团的实际业务中落地，覆盖政务与健康两大领域：

📍 政务问答

基于 1.1 万份政务服务文档，KAG 能够准确回答用户关于办事流程、所需材料、办理地点等问题。通过语义关联，系统还能识别同义事项（如“社保卡换领”与“社保卡挂失补办”），提升召回率。实验显示，KAG 在政务问答中的准确率达 **91.6%**，显著高于传统 RAG。

🏥 健康问答

在医疗场景中，KAG 依托高质量的医疗知识图谱，支持疾病科普、指标解读、医保政策查询等任务。系统还能触发预定义的医学规则（如血压分级判断），实现精准的指标推理与解释。在真实线上问答测试中，KAG 在科普类意图的准确率超过 **94%**，指标解读准确率超过 **93%**。

---

五、未来展望与开源计划

KAG 目前已在开源知识图谱引擎 OpenSPG 中原生支持，开发者可基于该框架快速构建专业领域的知识服务系统。未来，团队将继续优化知识提取与对齐技术、提升复杂问题规划能力，并探索基于 OneGraph 的大规模知识融合。

无论是构建严谨的知识决策系统，还是便捷的信息检索服务，KAG 都提供了一个融合符号与神经、兼顾准确性与覆盖度的新一代框架。

---

结语

在专业领域智能化服务的道路上，单纯依赖大模型或传统知识图谱都显得捉襟见肘。KAG 通过知识增强生成的设计理念，真正实现了 LLM 与 KG 的双向赋能：知识图谱为大模型提供精准、可推理的符号知识，大模型则为知识图谱提供语义理解与灵活生成能力。

这种“神经 + 符号”的融合，或许正是下一代专业 AI 系统的正确打开方式。