Asistente de guiones▸ 
Apps AI 
Noticias AI KAG: framework de preguntas y respuestas con razonamiento lógico basado en el motor OpenSPG y LLMs
小编 ·
KAG: framework de preguntas y respuestas con razonamiento lógico basado en el motor OpenSPG y LLMs
¿Qué es KAG?
KAG (Knowledge Augmented Generation) es un marco de servicios de conocimiento para dominios profesionales lanzado por Ant Group, basado en el motor OpenSPG y LLM, con el objetivo de construir soluciones de preguntas y respuestas con razonamiento lógico para bases de conocimiento en dominios verticales. Al combinar las ventajas de los grafos de conocimiento y la recuperación vectorial, supera eficazmente la ambigüedad del cálculo de similitud vectorial del RAG tradicional y los problemas de ruido del GraphRAG introducido por OpenIE, soporta razonamiento lógico, preguntas y respuestas de hechos multi-hop, etc., superando el estado del arte más avanzado (SOTA) actual.
Funciones principales de KAG
Mejora de preguntas y respuestas en dominios profesionales: combina grafos de conocimiento y recuperación vectorial para mejorar la capacidad de preguntas y respuestas de los modelos de lenguaje grandes en dominios específicos, generando respuestas más precisas, profesionales y con mayor lógica.
Optimización de la representación y recuperación del conocimiento: adopta un marco de representación del conocimiento amigable con LLM, logra la indexación mutua entre el grafo de conocimiento y los bloques de texto originales, optimiza los procesos de representación, razonamiento y recuperación del conocimiento, y mejora la precisión y relevancia de los resultados de recuperación.
Razonamiento híbrido y resolución de problemas: basado en un motor de razonamiento híbrido guiado por formas lógicas, transforma las preguntas en lenguaje natural en procesos de resolución de problemas que combinan lenguaje y símbolos, integrando recuperación, razonamiento de grafos de conocimiento, razonamiento lingüístico y cálculo numérico, abordando eficazmente problemas complejos.
Alineación del conocimiento y mejora semántica: realiza la alineación del conocimiento basada en razonamiento semántico, define el conocimiento del dominio como diversas relaciones semánticas, mejora la estandarización y conectividad del conocimiento, y refuerza la precisión y coherencia de la representación del conocimiento.
Arquitectura técnica de KAG
kg-builder: responsable de la representación y construcción del conocimiento. Implementa una representación del conocimiento amigable con LLM, actualiza la capacidad de representación del conocimiento de SPG basándose en la jerarquía DIKW, es compatible con la construcción de conocimiento con y sin esquema, y soporta la representación de indexación mutua entre estructuras de grafos y bloques de texto, proporcionando soporte para una recuperación eficiente en las etapas posteriores de razonamiento y preguntas y respuestas.
kg-solver: responsable del razonamiento y la resolución. Adopta un motor híbrido de resolución y razonamiento guiado por formas lógicas, que incluye tres operadores: planificación, razonamiento y recuperación, capaz de integrar cuatro procesos de resolución de problemas: recuperación, razonamiento de grafos de conocimiento, razonamiento lingüístico y cálculo numérico, gestionando así tareas complejas de razonamiento lógico y preguntas y respuestas.
kag-model: se abrirá gradualmente como código abierto en el futuro; su funcionalidad no se detalla en la versión actual.
Tutorial de uso de KAG
Versión del producto (para usuarios comunes)
Requisitos del sistema: se recomienda una versión de sistema de macOS Monterey 12.6 o posterior, CentOS 7/Ubuntu 20.04 o posterior, Windows 10 LTSC 2021 o posterior.
Requisitos de software: los usuarios de macOS/Linux necesitan Docker y Docker Compose; los usuarios de Windows necesitan WSL 2/Hyper-V, Docker y Docker Compose.
Pasos de instalación: use el siguiente comando para descargar docker-compose.yml e iniciar el servicio con Docker Compose:
curl -sSL https://raw.githubusercontent.com/OpenSPG/openspg/refs/heads/master/dev/release/docker-compose.yml -o docker-compose.yml docker compose -f docker-compose.yml up -d
Instrucciones de uso: abra en el navegador el enlace predeterminado del producto KAG http://127.0.0.1:8887 e inicie sesión con el nombre de usuario predeterminado openspg y la contraseña openspg@kag.
Kit de herramientas (para desarrolladores)
Pasos de instalación:
Instale un entorno virtual de Python, clone el código e instale KAG.
Desarrolladores de macOS/Linux:
conda create -n kag-demo python=3.10 && conda activate kag-demo git clone https://github.com/OpenSPG/KAG.git cd KAG && pip install -e .
Desarrolladores de Windows:
py -m venv kag-demo && kag-demo\Scripts\activate git clone https://github.com/OpenSPG/KAG.git cd KAG && pip install -e .
Instrucciones de uso: los desarrolladores pueden basarse en los diversos componentes integrados de KAG para reproducir los efectos de los conjuntos de datos integrados e implementar nuevos escenarios.
GitHub: https://github.com/OpenSPG/KAG
OpenSPG: https://spg.openkg.cn/
