OpenSPG/KAG 0.8发布：可配置知识库索引 x 拥抱接入MCP x 系统接口完善，多跳问答效果持续领先

总体摘要#

我们正式发布KAG 0.8版本，本次更新旨在持续提升大模型利用知识库推理问答的一致性、严谨性和精准性，并引入了多项重要功能特性。

首先，我们升级了KAG 知识库的能力。扩展了私域知识库（含结构化、非结构化数据）、公网知识库两种模式，支持通过MCP 协议引入LBS、WebSearch 等公网数据源。此外，升级了私域知识库索引管理的能力，内置Outline、Summary、KnowledgeUnit、AtomicQuery、Chunk、Table 等多种基础索引类型，支持开发者自定义索引 & 产品端联动的能力。用户可根据场景特点选择合适的索引类型，在构建成本&业务效果之间取得平衡。

其次，我们优化了产品体验、完善了系统集成接口。产品方面，将知识库和应用解耦，知识库管理私域数据（结构化 & 非结构化）、公网数据；应用可关联多知识库，基于知识库构建阶段的索引类型，自动适配对应的检索器完成数据召回；应用/知识库独立管理模型依赖、任务调度，以提升灵活性。系统集成方面，完善了KAG召回 & 问答接口，新增对业务应用中嵌入推理问答页面的支持；全面拥抱MCP，提供在agent 流程中接入KAG 推理问答（基于MCP 协议）的能力。

再次，KAG 完成了对KAG-Thinker 模型的适配。通过复杂问题的广度拆分和深度求解、知识边界判定、检索结果抗噪等优化，在多轮迭代式思考范式的牵引下，提升了KAG框架推理范式的稳定性，推理逻辑的严谨性。KAG-Thinker 模型的发布和使用请关注我们后续的公告。

除了上述框架和产品优化外，我们还提升了问答效率&流式输出稳定性。本次更新以Qwen2.5-72B为基础模型，完成了各RAG框架及部分KG数据集的效果对齐。发布的整体榜单效果可参考图1~图3，榜单细节详见open_benchmark部分。

图1 Performance of KAG V0.8 and baselines on Multi-hop QA benchmarks

图2 Performance of KAG V0.8 and baselines(from OpenKG OneEval) on Knowledge based QA benchmarks

图3 Performance of KAG V0.8 on NetOperatorQA benchmarks

框架优化#

1.索引配置化管理#

图4 KAG Framework Optimization in V0.8

索引抽取和索引检索是知识库类应用的核心能力，KAG v0.8 对架构进行了升级，以支持索引构建和检索的配置化管理。每种索引类型拥有独立的抽取器(Extractor)和检索器（Retriever），通过IndexManager 进行管理。

KAG 内置KnowledgeUnit（图谱三元组的升级版）、Outline、Summary、Chunk、AtomicQuery、Table 等基础索引类型，以及对应的索引抽取器、检索器。知识库构建阶段，平台根据用户选择的索引类型，调用对应的抽取器完成索引抽取；知识库应用阶段，根据应用关联的知识库，平台自动调用对应检索器完成graph/chunk/doc 的召回，并联动KAG-Solver pipeline 实现推理问答。

开发者可扩展IndexManager，实现/组合对应的索引抽取器、检索器，完成KAG 打包并替换openspg-server 镜像中对应的安装包，在知识库构建的产品页面即可勾选自定义索引类型，实现自定义索引类型&产品的联动。

2.KAG-Thinker 工程化#

请关注我们即将发布的KAG-Thinker 模型公告。

OpenBenchmark#

1.多跳事实问答#

1.1benchMark

musique

Method	EM	F1	llm_accuracy
Naive Gen	0.033	0.074	0.083
Naive RAG	0.248	0.357	0.384
HippoRAGV2	0.289	0.404	0.452
PIKE-RAG	0.383	0.498	0.565
KAG-V0.6.1	0.363	0.481	0.547
KAG-V0.7LC	0.379	0.513	0.560
KAG-V0.7	0.385	0.520	0.579
KAG-V0.8	0.432	0.569	0.626

hotpotqa

Method	EM	F1	llm_accuracy
Naive Gen	0.223	0.313	0.342
Naive RAG	0.566	0.704	0.762
HippoRAGV2	0.557	0.694	0.807
PIKE-RAG	0.558	0.686	0.787
KAG-V0.6.1	0.599	0.745	0.841
KAG-V0.7LC	0.600	0.744	0.828
KAG-V0.7	0.603	0.748	0.844
KAG-V0.8	0.625	0.772	0.857

twowiki

Method	EM	F1	llm_accuracy
Naive Gen	0.199	0.310	0.382
Naive RAG	0.448	0.512	0.573
HippoRAGV2	0.542	0.618	0.684
PIKE-RAG	0.63	0.72	0.81
KAG-V0.6.1	0.666	0.755	0.811
KAG-V0.7LC	0.683	0.769	0.826
KAG-V0.7	0.684	0.770	0.836
KAG-V0.8	0.692	0.784	0.847

1.2各种方法参数配置

Method	数据集	基模 (构建/推理)	向量模型	参数设置
Naive Gen	hippoRAG 论文提供的1万 docs、1千 questions；	qwen2.5-72B	bge-m3	无
Naive RAG	同上	qwen2.5-72B	bge-m3	num_docs: 10
HippoRAGV2	同上	qwen2.5-72B	bge-m3	retrieval_top_k=200 linking_top_k=5 max_qa_steps=3 qa_top_k=5 graph_type=facts_and_sim_passage_node_unidirectional embedding_batch_size=8
PIKE-RAG	同上	qwen2.5-72B	bge-m3	tagging_llm_temperature: 0.7 qa_llm_temperature: 0.0 chunk_retrieve_k: 8 chunk_retrieve_score_threshold: 0.5 atom_retrieve_k: 16 atomic_retrieve_score_threshold: 0.2 max_num_question: 5 num_parallel: 5
KAG-V0.6.1	同上	qwen2.5-72B	bge-m3	参见https://github.com/OpenSPG/KAG/tree/v0.6 examples 各子目录的kag_config.yaml
KAG-V0.7LC	同上	构建：qwen2.5-7B 问答：qwen2.5-72B	bge-m3	参见https://github.com/OpenSPG/KAG open_benchmarks 各子目录kag_config.yaml
KAG-V0.7	同上	qwen2.5-72B	bge-m3	参见https://github.com/OpenSPG/KAG open_benchmarks 各子目录kag_config.yaml
KAG-V0.8	同上	qwen2.5-72B	bge-m3	参见https://github.com/OpenSPG/KAG open_benchmarks 各子目录kag_config.yaml

2.运营商知识库问答#

Method

llm_accuracy

方法论

指标来源

Naive_RAG

78.6%

基于向量的知识库检索

蚂蚁KAG团队

KAG-V0.8

93.9%

基于KAG 框架自定义

NetOperatorQA pipeline

蚂蚁KAG 团队

参见

https://github.com/OpenSPG/KAG/kag/examples/NetOperatorQA

3.结构化数据集#

PRQA(人物关系问答)

Method	EM	F1	llm_accuracy	方法论	指标来源
deepseek-v3 (OpenKG oneEval))	-	2.60%	-	Dense Retrieval+LLM Generation	OpenKG 公众号
qwen2.5-72B (OpenKG oneEval)	-	2.50%	-	Dense Retrieval+LLM Generation	OpenKG 公众号
GPT-4o (OpenKG oneEval)	-	3.20%	-	Dense Retrieval+LLM Generation	OpenKG 公众号
QWQ-32B (OpenKG oneEval)	-	3.00%	-	Dense Retrieval+LLM Generation	OpenKG 公众号
Grok 3 (OpenKG oneEval)	-	4.70%	-	Dense Retrieval+LLM Generation	OpenKG 公众号
KAG-V0.7	45.5%	86.6%	84.8%	基于KAG 框架自定义AffairQA pipeline+ cypher_solver	蚂蚁KAG 团队
KAG-V0.8	47.6%	89.3%	91.0%	基于KAG 框架自定义AffairQA pipeline+ cypher_solver	蚂蚁KAG 团队

AffairQA（政务信息问答）

Method	EM	F1	llm_accuracy	方法论	指标提供者
deepseek-v3	-	42.50%	-	Dense Retrieval + LLM Generation	OpenKG 公众号
qwen2.5-72B	-	45.00%	-	Dense Retrieval + LLM Generation	OpenKG 公众号
GPT-4o	-	41.00%	-	Dense Retrieval + LLM Generation	OpenKG 公众号
QWQ-32B	-	45.00%	-	Dense Retrieval + LLM Generation	OpenKG 公众号
Grok 3	-	45.50%	-	Dense Retrieval + LLM Generation	OpenKG 公众号
KAG-V0.7	77.5%	83.1%	88.2%	基于KAG 框架自定义AffairQA pipeline	蚂蚁KAG 团队
KAG-V0.8	78.4%	84.7%	97.5%	基于KAG 框架自定义AffairQA pipeline	蚂蚁KAG 团队

产品优化#

1.系统集成#

本次升级提供了三种将KAG 集成到业务系统的方式：HttpAPI、MCP Protocol、前端页面嵌入。

KAG HttpAPI 提供了召回、推理问答两类接口，开发者可选择将KAG 作为一路检索源、或者作为完整的推理问答能力使用。KAG MCP Protocol 提供了推理问答的接口，可嵌入Cursor 等Agent 应用中。此次发版，推理问答升级为独立的页面，开发者可选择将该页面嵌入业务系统中。

2.用户体验优化#

此次发版，对于社区用户关注的问答耗时、流式输出稳定性、模型配置管理、任务调度稳定性等问题都做了较多优化，感谢社区对KAG 的包容。

后续计划#

近期版本迭代中，我们持续致力于持续提升大模型利用外部知识库的能力，实现大模型与符号知识的双向增强和有机融合，不断提升专业场景推理问答的事实性、严谨性和一致性等，我们也将持续发布，不断提升能力的上限，不断推进垂直领域的落地。

致谢#

此次框架升级得到了以下专家和同仁的鼎力支持，我们深表感激：

开源社区热心用户：Novelrui 、thundax-lyp、thesteganos 、Like0x 、unrealise 、J4ckycjl、luzizhuo、hy89
特别鸣谢：资深开发者李云鹏，提供IDEA、pycharm、vscode 等插件，极大提升了KAG schema 编写的体验

GitHub

1、OpenSPG github 地址：https://github.com/OpenSPG/openspg

2、KAG github 地址：https://github.com/OpenSPG/KAG

3、KAG 官网文档：https://openspg.github.io/v2/

OpenSPG 和KAG 关系：OpenSPG 是语义增强的可编程知识图谱，KAG 是一个知识增强生成的专业领域知识服务框架，KAG 依赖 OpenSPG 提供的引擎依赖适配、知识索引、逻辑推理等能力。

🌟 欢迎大家 Star 关注~