字数 2455,阅读大约需 13 分钟
RAG (Retrieval-Augmented Generation,检索增强生成 )——你一定不陌生吧!
答不对 、搜不到 ,是 "非结构化文档" 问答中常见的两大痛点。
因为RAG存在向量相似度与知识推理相关性差距较大、对知识逻辑(如数值、时间关系、专家规则等)不敏感,严重降低了使用体验。
于是,
KAG
(Knowledge-Aware Graph Generator,知识感知图谱生成器 )应运而生。
它旨在充分利用知识图谱和向量检索 的优势,为复杂问题提供更准确、更符合上下文的答案 。
我们先了解下 KAG
是什么,如何部署、配置和使用,包括API使用 和 接入Dify(一手实测),最后是RAG和KAG的简单评测。
让你从0到1学会 KAG
的 What 和 How。
- 什么是KAG
OpenSPG 是由蚂蚁集团与 OpenKG 社区联合推出的一款基于 SPG(Semantic-enhanced Programmable Graph,语义增强可编程图) 框架的知识图谱引擎 。
KAG 是基于OpenSPG引擎,用于为垂直领域知识库构建逻辑推理和 Q&A 解决方案。
主要特点
-
- 克服传统 RAG 向量相似性计算的复杂性
-
- 克服RAG 的不确定性
-
- 支持逻辑推理和多跳事实问答
工作原理
如上图所示,KAG架构由三个核心组件组成:
KAG-Builder
、
KAG-Solver
和
KAG-Model
。
- • KAG-Builder 负责构建离线索引。该模块提出了一个兼容大型语言模型的知识表示框架,并实现了知识结构与文本片段之间的相互索引机制。 KAG-Builder相关代码[1]
- • KAG-Solver 引入以逻辑形式为导向的混合推理引擎,融合大型语言模型推理、知识推理和数理逻辑推理,并利用语义推理进行知识对齐,提升KAG-Builder和KAG-Solver在知识表示和检索方面的准确性。 KAG-Solver相关代码[2]
- • KAG-Model 基于通用语言模型,并针对各个模块所需的特定能力进行优化,从而提升整体模块性能。
- 部署 OpenSPG
硬件要求
CPU ≥ 8 cores;
RAM ≥ 32 GB;
Disk ≥ 100 GB;
软件要求
- • 操作系统
macOS 用户:macOS Monterey 12.6 或更新版本
Linux 用户:CentOS 7 / Ubuntu 20.04 或更新版本
Windows 用户:Windows 10 LTSC 2021 或更新版本
- • 应用软件
macOS / Linux 用户:Docker,Docker Compose
Windows 用户:WSL 2 / Hyper-V,Docker,Docker Compose
Docker ≥ 24.0.0 & Docker Compose ≥ v2.26.1.
启动服务
# 设置 HOME 环境变量(仅 Windows 用户需要执行)
# set HOME=%USERPROFILE%
# 拉取docker-compose.yaml 文件
$ curl -sSL https://raw.githubusercontent.com/OpenSPG/openspg/refs/heads/master/dev/release/docker-compose.yml -o docker-compose.yml
# 启动服务
$ docker compose -f docker-compose.yml up -d
检查容器状态
docker ps
能看到
8887
、
7474
这两个关键端口已在运行
docker logs 可以显示 openspg 服务端启动成功的标识
docker logs -f release-openspg-server
访问openspg-kag 产品界面
在浏览器中访问
http://127.0.0.1:8887
,使用默认用户名和密码登录(用户名:
openspg
,密码:
openspg@kag
)。
- 配置OpenSPG
以下是全局配置,包括通用配置、模型配置和用户配置
2.1 通用配置
通用配置包括图存配置、向量配置、提示词中英文配置
图存储配置
{
"database":"neo4j", # 图存储的数据库名称,固定和知识库英文名称保持一致,且不可修改
"uri":"neo4j://release-openspg-neo4j:7687",
"user":"neo4j", # 默认值为:neo4j
"password":"neo4j@openspg", # 默认值为:neo4j@openspg
}
向量配置 (硅基流动[3]示例)
{
"type": "openai",
"model": "BAAI/bge-m3",
"base\_url": "https://api.siliconflow.cn/v1",
"api\_key": "你的硅基流动API-KEY",
}
提示词中英文配置
用于模型调用时判断是否使用中文(zh )或英文(en )。
{
"biz\_scene":"default",
"language":"zh"
}
2.2 模型配置
{
"type": "maas",
"base\_url": "https://api.siliconflow.cn/v1",
"api\_key": "你的硅基流动API-KEY",
"model": "deepseek-ai/DeepSeek-V3",
"stream":"False",
"temperature":0.7
}
2.3 知识库配置
2.3.1 新建知识库
配置项:
- • 知识库中文名称
- • 知识库英文名称
- • 图床、向量、提示词中英文配置均在第1步配置过了,默认即可
2.3.2 新建知识
设置最大长度和对话模型
2.3.3 知识解析
解析完成,可以看到日志的6个过程:
数据读取(Reader)
从原始数据源(如文本、数据库)加载信息。 2. 2. 预处理与拆分(Splitter)
对数据进行清洗、分块或结构化处理。 3. 3. 知识抽取(Extractor)
提取实体、关系、属性等知识要素。 4. 4. 向量化(Vectorizer)
将知识转换为向量表示(如嵌入模型)。 5. 5. 对齐与融合(Alignment)
整合多源数据,解决冲突或冗余。 6. 6. 存储与输出(Writer)
将结果保存到知识库或下游系统。
能在“详情”页看到知识解析分段效果,说明解析有效
知识解析分段效果
就可以在"推理问答"页面进行问答了
- 使用OpenSPG
openspg API参考[4]
3.1 API测试
请求方法 :POST
请求地址 :https://你的ip
+8887端口
/v1/chat/completions/
请求参数 :3个Headers + 1个Body
【Headers 参数】
- • content-type: application/json
- • Accept: text/event-stream
- • Cookie:
【Body 参数】
- •
sessionId
: ( Body parameter )知识库问答,当前会话的id,可以通过 1.5 创建 - •
projectId
: ( Body parameter )知识库的id。 - •
thinking\_enabled
: ( Body parameter )是否开启深度推理,开启true
。 - •
prompt
: ( Body parameter ) 问题
- • type: 支持的类型,目前只支持 text
- • content: 具体问题
其中
YOUR\_BROWSER\_COOKIES
按照以下步骤获取
OpenSPG页面 -- F12 -- Network -- Doc -- Name -- Header -- Cookie
sessionId
和 projectId
在推理问答页面的网址中
假设推理问答页面网址:
https://ltzuda-fuwswy-8887.app.cloudstudio.work/#/analysisReasoning?projectId=3&sessionId=4
那么得到:
- •
sessionId
: 4 - •
projectId
: 3
可以手动 新建会话
,也可以通过API创建
详见openspg API参考[5]
3.2 Dify+KAG 问答
Dify接KAG整体工作流如下所示
Dify接KAG的整体工作流
节点1 :开始
节点2 :请求KAG
- • 请求方式 :POST
- • 请求地址 :https://ktzkcq-fcjkdp-8887.app.cloudstudio.work/v1/chat/completions/
- • Headers和BODY的配置参照 3.1 中介绍的配置,json格式要严格检查(若出现400错误)
节点3 :提前最后一个Answer. 代码如下
def main(data: str) -> dict:
last\_answer = ""
# 按行分割数据
for line in data.split('\n'):
if line.startswith('data: {'):
try:
# 解析JSON数据
json\_data = json.loads(line[6:]) # 去掉"data: "前缀
if'answer'in json\_data:
last\_answer = json\_data['answer']
except json.JSONDecodeError:
return {
"result": "未提取到答案",
}
return {
"Last\_answer": last\_answer,
}
节点4 :直接回复
发起一次请求 相当于 在会话页面发送了一次对话 ,返回结果同时也会呈现在OpenSPG会话页面。
完整工作流可以看GitHub链接:GitHub工作流[6]
需要修改两处:请求地址 和 你的Cookie
注1 :sessionId
和 projectId
必须已存在,不能 请求回答
的同时让它创建
注2 :word 和 pdf 解析还存在bug,未解析成功,坐等后续产品的更新。。。
1.wps的.docx 分段时预览不成功
2.wps转的.pdf 分段时预览不成功
3.微软word2021的.docx 分段时预览不成功
4..微软word2021转的.pdf 成功!!!
4.简单评测 RAG 和 KAG
| 评测 | 具体描述 | | 评测文档 | https://github.com/WTFAcademy/WTF-Langchain/edit/main/01\_Hello\_Langchain/README.md | | 评测问题 | 请简介LangChain,OpenAl,以及它们的关系,再给我一段简单的Python程序演示LangChain的使用,最后请总结这第一课 | | 段落长度 | 512 | | 嵌入模型 | BAAI/bge-m3 | | RAG大模型 | deepseek-R1 | | KAG大模型 | deepseek-V3(KAG深度推理) |
(注:评测基于同一份文档和同一问题,结果可复现。)
4.1 RAG效果
提示词
请总结知识库的内容来回答问题,请列举知识库中的数据详细回答。当所有知识库内容都与问题无关时,你的回答必须包括“知识库中未找到您要的答案!”这句话。
4.2 KAG效果
4.3 评测结果
评测维度与结果对比 ,如下表所示
| 评测维度 | RAG | KAG | | 思考深度 | 中等,部分上下文关联 | 深层逻辑推理 | | 思考时长 | ⚡️ 快(18s) | ⏳ 较慢(54s) | | 总结能力 | 结构化但缺乏归纳 | 完整人话总结 | | 语言自然度 | 技术术语较多 | 说人话 |
关键总结
KAG的深度优势
- • 在相同文档和问题下,KAG能提取 多层语义关系 ,而RAG仅回答表层信息。
- • 案例对比 :
- • RAG: "LangChain作为上层框架,可集成...通过LangChain的抽象层..."
- • KAG: "LangChain可以通过其框架集成和利用OpenAI的模型"
RAG的速度与局限
- • 用上DeepSeek-R1的RAG 虽然还是比
KAG
更快,但 牺牲了逻辑连贯性 。 - • 适合 实时性要求高但总结要求低 的场景。
总结能力的本质差异
- • KAG的总结呈现 教学式逻辑 (问题→方案→价值),而RAG输出 知识点罗列 。
4.4 评测结论
KAG在语义理解、总结能力和用户体验上显著优于RAG ,尤其在需要技术解释的场景中,其"说人话"的能力更符合实际需求。而RAG(含DeepSeek-R1)更适合对实时性敏感的轻量级问答。
写在最后
KAG 框架仍处于初期开发阶段,仍有改进和提升的空间。
期待更多格式的文件类型解析,以提升知识提取和问答的准确性和效率。
实践出真知,与君共勉。
引用链接
[1]
KAG-Builder相关代码:https://github.com/OpenSPG/KAG/blob/master/kag/examples/medicine/builder/indexer.py
[2]
KAG-Solver相关代码:https://github.com/OpenSPG/KAG/blob/master/kag/solver/main\_solver.py
[3]
硅基流动:https://cloud.siliconflow.cn/i/xJvN9Ecu
[4]
openspg API参考:https://openspg.yuque.com/ndx6g9/docs/xnxuhfldouqg0r2y
[5]
openspg API参考:https://openspg.yuque.com/ndx6g9/docs/xnxuhfldouqg0r2y
[6]
GitHub工作流:https://github.com/LGRY/Dify-dsl-lab.git
点击下方卡片 关注我们
📢【三连好运 福利拉满】📢
🌟 若本日推送有收获:
👍 点赞 → 小手一抖,bug没有
📌 在看 → 一点扩散,知识璀璨
📥 收藏 → 代码永驻,防止迷路
🍻 分享 → 传递战友,功德+999
🔔 关注 → 关注“AI早高峰”,追更不迷路,干货永同步
💬 若有槽点想输出:
👉 评论区已铺好红毯,等你来战!