KAG

不活跃
GitHub Python Apache-2.0

简介

KAG 是基于 OpenSPG 引擎和 LLM 的逻辑形式引导推理与检索框架，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，有效克服传统 RAG 向量相似度计算模型的不足。

核心特性

  • 知识与文本双向索引：知识图谱节点与原文分块互相索引，保留完整上下文信息
  • 逻辑形式引导的混合推理：将自然语言问题转化为形式化逻辑推理，支持精确匹配、文本检索、数值计算与语义推理
  • Schema 约束的知识构建：兼容自由信息抽取与领域专家知识的结构化表示
  • 概念语义对齐：利用语义推理消除 OpenIE 引入的噪声问题
  • 多跳事实问答：支持跨实体多跳推理的复杂问答场景
  • 私有知识库与公共网络知识库双模式：支持 LBS、WebSearch 等公共数据源的 MCP 协议集成

适用场景

💡 医疗领域知识问答：结合临床指南与病例知识库提供循证医学推理
💡 法律合规审查：基于法规知识库进行多条款交叉引用与合规判断
💡 企业内部知识管理：整合非结构化文档与结构化业务数据构建统一知识图谱
💡 金融研报分析：从大量研报中提取事实并进行逻辑推理生成投资建议

标签

knowledge-graph rag reasoning retrieval llm

分类

📚 RAG 工具

快速开始

1. 安装 Docker 和 Docker Compose
2. 下载 docker-compose.yml 并启动服务：docker compose up
3. 通过 Web UI 访问 KAG 界面
4. 创建知识库并上传文档
5. 选择 Simple Mode 或 Deep Reasoning 模式进行问答
访问 GitHub 访问官网

相关项目