嗨，大家好，我是小華同學，關注我們獲得“最新、最全、最優質”開源項目和高效工作學習方法

「垂直領域大模型落地難？邏輯推理總出錯？這個來自OpenSPG的開源框架，讓專業領域知識服務變得像搭積木一樣簡單！」

項目介紹

KAG是基于OpenSPG知識引擎和LLM的專業領域知識服務框架，專為解決傳統RAG方案在垂直領域應用的三大痛點而生：

1. 向量檢索的"似是而非"問題（語義相似但邏輯錯誤）
2. 開放信息抽取的"噪聲污染"問題
3. 復雜場景下的多跳推理難題

最新版本已支持：

 領域知識注入（金融/醫療/法律等）

 可視化圖譜分析查詢

 混合推理引擎（邏輯+語義+數值）

 多模態知識管理（文本/表格/圖譜）

核心功能亮點

邏輯推理問答

突破傳統QA系統的關鍵詞匹配模式，支持：

• 多條件組合推理（"找出近三年營收增長超20%但負債率低于60%的上市公司"）
• 時序推理（"某患者先出現A癥狀后出現B癥狀的可能病因"）
• 矛盾檢測（"合同條款X與行業規范Y是否存在沖突"）

知識對齊黑科技

通過概念語義推理實現：

• 自動消歧（"蘋果->水果/公司"智能判斷）
• 術語對齊（"心肌梗塞=心梗=心肌梗死"自動關聯）
• 知識糾錯（檢測并修正錯誤事實陳述）

多模態知識管家

• 文檔 知識圖譜雙向索引
• 支持Word/PDF/Excel多格式解析
• 專家經驗結構化（通過Schema約束）

混合推理引擎

# 問題求解過程示例

question = "某新能源車企近三年研發投入是否超過行業平均水平？"

求解步驟：

1. 檢索→獲取企業研發數據

2. 計算→行業均值計算

3. 推理→趨勢對比分析

4. 生成→自然語言結論

企業級知識安全

• 私有化部署方案
• 知識訪問權限控制
• 審計日志追蹤
• 數據加密存儲

技術架構解析

落地場景實測

金融風控場景

用戶問：A公司通過多層控股的子公司是否存在同業競爭？

系統執行：

1. 抽取股權結構圖譜

2. 分析業務范圍重疊度

3. 參照監管規則判斷

4. 生成風險評估報告

醫療診斷支持

病歷文本 → 信息抽取 → 癥狀圖譜 → 診斷規則 → 推理引擎

法律合同審查

傳統RAG：準確率68%（存在條款誤解）

KAG方案：準確率92%（邏輯關系精準把握）

與同類方案對比

快速上手指南

三步部署方案

# 1. 獲取部署文件

curl -sSL https://raw.githubusercontent.com/... -o docker-compose.yml

# 2. 啟動服務

docker compose -f docker-compose.yml up -d

# 3. 訪問系統

瀏覽器打開 http://127.0.0.1:8887

（默認賬號：openspg/openspg@kag）

開發者擴展示例

from kag import KnowledgeBuilder

# 自定義醫療schema

medical_schema = {

    "疾病類型": ["癥狀", "治療方案", "相關檢查"],

    "藥品": ["適應癥", "禁忌癥", "相互作用"]

}

builder = KnowledgeBuilder(schema=medical_schema)

builder.add_document("medical_report.docx")

kg = builder.build()

同類項目推薦

1. DeepSeek-R1

• 特點：通用領域對話優化
• 適用：日常問答、內容創作
• 局限：專業領域深度不足

2. LangChain

• 特點：靈活的工作流編排
• 適用：快速原型開發
• 局限：需要自行實現知識管理

3. Neo4j+LLM

• 特點：圖數據庫深度集成
• 適用：已有知識圖譜系統
• 局限：開發維護成本較高

項目地址

https://github.com/OpenSPG/KAG