首页项目文章PK榜关于
探索项目

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

优势与不足

✅ 优势

  • • 社区热度高（9.0k stars）
  • • 开源许可证友好（Apache-2.0）

⚠️ 不足

  • • 已超过 7 个月未更新

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

GraphRAG

35.9k · Python
活跃 A+

微软开源的基于知识图谱的模块化检索增强生成（RAG）系统，利用大语言模型从文本中提取结构化知识图谱，支持全局和局部社区摘要查询。

graphragragknowledge-graph +3
  • · 知识图谱构建 — 使用 LLM 从非结构化文本中自动提取实体和关系，构建结构化知识图谱
  • · 社区检测与摘要 — 基于 Leiden 算法对知识图谱进行社区检测，并生成层级摘要
  • · 全局查询 — 通过社区摘要回答需要跨文档推理的全局性问题
查看完整详情 → 在 GitHub 查看

LightRAG

39.5k · Python
活跃 A+

LightRAG 是一个简洁高效的 RAG 框架，使用图结构增强检索效果，发表于 EMNLP 2025。

raggraphretrieval +2
  • · 图结构增强检索 — 使用知识图谱实体和关系进行双层检索（local/global），比传统向量检索更精准
  • · 四种文本分块策略 — 支持 Fixed、Recursive、Vector、Paragraph 分块，适应不同文档类型
  • · 多后端存储支持 — 兼容 Neo4j、PostgreSQL、MongoDB、OpenSearch、JSON KV Store 等多种存储方案
查看完整详情 → 在 GitHub 查看

RAG Techniques

29.4k · Jupyter Notebook
活跃 A+

NirDiamant 的 RAG_Techniques 仓库系统收录并演示了当下主流的检索增强生成（RAG）进阶技术与工程实践。

ragretrievaltechniques +2
  • · 系统化分类 — 把 RAG 技术按简单 / 高级 / 模块化等维度组织，便于按需学习
  • · 可运行 Notebook — 每个技术都附 Jupyter Notebook 与最小可运行代码
  • · 评测与对比 — 同时提供检索质量、答案质量的评测脚本与可视化
查看完整详情 → 在 GitHub 查看

R2R

8.0k · Python
不活跃 B

生产级 Agentic RAG 系统，提供 RESTful API 和完整的多模态文档解析、混合搜索、知识图谱构建能力，支持 Agent 化的检索增强生成流程。

ragretrievalknowledge-graph +3
  • · 生产级 Agentic RAG 系统，提供 RESTful API 用于检索增强生成工作流
  • · 多模态文档摄入，支持 .txt、.pdf、.json、.png、.mp3 等多种格式
  • · 混合搜索结合语义搜索和关键词搜索，使用倒数排名融合
查看完整详情 → 在 GitHub 查看