讲师演讲视频链接： https://www.bilibili.com/video/BV1eMUVYRE6D/?

KAG 是源于医疗、政务等蚂蚁集团核心业务场景打磨并沉淀的一种知识增强的私域知识库可信问答框架， 其技术架构独具特色：

• kg-builder  实现对大型语言模型（LLM）友好的知识表示，在 DIKW（数据、信息、知识和智慧）的层次结构基础上，升级 SPG 知识表示能力，在同一知识类型（如实体类型、事件类型）上兼容无 schema 约束的信息提取和有 schema 约束的专业知识构建，并支持图结构与原始文本块之间的互索引表示，为推理问答阶段的高效检索提供支持。

• kg-solver  采用逻辑符号引导的混合求解和推理引擎，该引擎包括三种类型的运算符：规划、推理和检索，将自然语言问题转化为结合语言和符号的问题求解过程。在这个过程中，每一步都可以利用不同的运算符，如精确匹配检索、文本检索、数值计算或语义推理，从而实现四种不同问题求解过程的集成：检索、知识图谱推理、语言推理和数值计算。

• kag-model  部分，希望基于小模型（如 qwen2.5 3B）sft、得到效果媲美（稍弱于）70B 规模大模型的能力；同时资源占用显著降低。Kag-model 将在后续版本开源发布。

KAG 在多跳问答数据集上表现出色，在内置方案中，多跳问答数据集较之 sota 方案，在 2wiki 上 F1 相对提升33.5%，在 hotpotQA 上相对提高19.6% 。

在蚂蚁应用中，KAG 广泛应用于多个领域：

• 在政务办事方面，可提供社保地转移等信息查询；

• 在金融领域，能进行银行风险分析；

• 在医疗健康领域，可解答孕期口腔问题对宝宝健康的影响等问题；

• 在生活热点方面，能解读 LPR 下调等事件；还能作为健康管家，解答体内影响快乐的激素等科普问题，充分展示了其在实际应用中的多样性和实用性。

内蒙古大学计算机学院教师，博士、研究生导师 安春燕

2. 包括对实体（如自然人、企业）、事件（原子事件、预警事件）、概念（如企业分类、行政区域等）的知识建模。使用 SPG-Schema 将不同的元素组织起来，形成清晰的图谱结构，支持复杂事件的定义和查询。

3. 规则定义与推理规则模块：用于定义图谱内的规则，如事件之间的“belongTo”和“leadTo”关系。SPG-Reasoner：通过加载规则，实现事件推理与传导，辅助自动生成风险预警事件节点。

4. 图谱构建与前端系统。事件图谱构建：结合 SPG 组件，生成并扩展奶业金融风险预警事件图谱。前端可视化系统：支持图谱的可视化展示、查询功能以及规则的修改，便于用户进行交互和分析。

在奶业金融风险预警事件图谱构建中，KAG+LLM 双重驱动发挥着关键作用。

首先是 LLM 友好的知识表示，利用 KAG 的知识抽取、属性标化和语义对齐技术，融合原始业务数据与专家规则至图谱。且图结构与原文片段互索引，便于追溯风险来源，增强解释性分析；

LLM 辅助下的事件抽取意义重大。以特定指令引导模型，如 GLM - 4，从文本中精准抽取符合 schema 的事件，经 LoRA 微调、数据增强等手段，有效提升抽取的准确性与完整性；基本三元组抽取同样依赖 LLM，像 Baichuan2 - 13B - base 等模型，从文本识别实体，经数据增强和微调阶段，不断优化抽取能力，为图谱构建提供基础元素。

此外，还包括事件对齐 & 事件更新、知识图谱推理以及基于 EG+LLM 的预警策略解释生成等任务。通过这些技术，能更全面地捕捉奶业金融领域事件信息，提升图谱质量，从而更精准地进行风险预警，为奶业金融风险管理提供有力支持。