蚂蚁集团发布专注于专业领域知识服务的架构KAG

KAG代表什么？

KAG（知识增强生成）是由蚂蚁集团开发的专业领域知识服务平台。该框架通过融入专业知识来优化大型语言模型在特定领域的对话能力，并为专门的知识库提供逻辑推演及问询解答方案。KAG依赖于一种基于文本片段与知识点相互索引的架构，整合了无结构数据、有组织的信息以及行业专家的经验，以构建统一的企业知识网络图谱。它还引入了一种由逻辑形式引导的混合推理系统，能够把自然语言提问转化为结合语义和符号处理的问题解答路径，并支持多步骤的事实查询及逻辑分析等功能。这种设计有效地解决了传统RAG（检索增强生成）技术中因向量相似度计算带来的不精确问题以及开放信息抽取方法引入的数据噪音挑战，大幅提高了推理与回答的精度和效能。

KAG的核心作用

• 提升专业知识领域的回答质量通过整合知识图谱与向量搜索技术，可以增强大型语言模型在专门领域内的问答表现，从而产生更为精确、专业且具备较强逻辑性的回答。
• 知识的表述及搜索性能提升采用适合LLM的知识表述架构，构建知识图谱与原生文字段落之间的双向索引体系，以提升知识表达、推演及查找流程的效果，并增强搜索输出的相关度和精确性。
• 结合推理技巧与解决问题的方法利用以逻辑结构为导向的综合推理系统，能够把日常语言提出的问题转变为融合了语义与象征元素的任务解析流程。这一方法促进了搜索功能、基于知识图表的推断、言语理解和数学运算的一体化整合，显著提升了对棘手问题处理的能力。
• 知识匹配及意义强化通过运用语义推理解析实现知识匹配，并将专业领域的信息界定于多元化的意义关联之中，以此来提升数据表述的一致性和精确度，加强其规范性与互联性。

KAG的核心技术机制

• 融合知识图谱和向量搜索技术利用知识图谱中的结构性语义数据及向量搜索的速度优势，该方法通过知识图谱来构建和展示专业领域的信息，并依靠高效的向量检索技术迅速找到与提问紧密相关的信息片段。
• 适合LLM的知识呈现形式开发了LLMFriSPG架构，旨在协调大型语言模型的输入输出模式与知识图谱中的数据、信息及层级化知识，以达成对知识的一致表达和高效传达。
• 相互索引系统构建连接知识图谱框架和基础文字段落间的交叉引用机制，使得图形架构里的实体及联系能够同段落信息相互联接，以此提升知识的语义互连性并提高搜索精度。
• 通过逻辑结构促进推理论证通过使用逻辑化的语言来拆分复杂的议题成若干个小问题，并利用诸如计划制定、推理论证以及信息搜索等多种运算手段来进行解答，从而达到对解决问题流程进行符号标识与系统构建的目的，进而增强论证的严密程度和结果的透明度。
• 意义推断及信息对齐于知识图谱的搭建与搜索环节中，借助语义推理手段实现信息的一致性对接及融合处理，明确并构建实体间的含义联系，以此增强所涉数据的确切度与统一性。

KAG项目的网址

• Git代码库：在GitHub上的OpenSPG组织下可以找到KAG项目。
• arXiv科技文章在学术预印平台ArXiv上发布了一篇编号为2409.13731的论文。

KAG的使用场合

• 金融服务中的风险控制结合金融信息与知识图谱技术，以发现并提前警示如贷款违约及诈骗之类的潜在风险，并支持金融机构构建有效的风险管理方案。
• 健康管理创建医学知识图谱以协助医师进行病症诊断、提供治疗建议及促进药品开发，进而增强医疗服务质量与工作效率。
• 人工智能客户服务系统作为智能客服的关键驱动，该系统致力于准确解析复杂的客户需求，并迅速给出回应，从而增强客户满足感并提高企业的服务质量与工作效率。
• 信息管理与辅助决策助力公司打造专业级别的知识图谱，以增强其在制定策略计划、开展市场竞争研究及推动新产品开发等方面的判断与抉择能力。
• 教学和学术研究结合教育资源与科研力量，支持教师优化课程规划，并助力研究人员深化学术探究，推动知识的广泛分享及创新发展。