FDE 企业 AI 落地与交付 · 企业知识治理 · 2026-02-20

大模型时代的知识工程:OpenKG年度回顾(2025-2026)

大模型时代的知识工程如何突破瓶颈?OpenKG年度回顾揭示四大关键进展。核心内容: 1. OneGraph:从规模缩放转向结构缩放,破解大模型的结构性瓶颈 2. SPG + KAG:知识增强的推理新范式,提升逻辑推理能力 3. SkillNet与OneEval:Agent时代的知识工程新范式与动态评测体系

概述

在过去一年大模型(LLM)高速发展的背景下,Palantir 的动态本体(Dynamic Ontology)与 Anthropic 的 Context Graph 等实践,进一步证明了知识图谱在推理决策与知识对齐中的核心价值。

OpenKG 紧扣这一趋势,依托 SIGData、SIGSPG、SIGTool、SIGModel、SIGAgent、SIGEval 等兴趣小组开展协同协作,并在高质量知识数据、知识增强生成与推理、以及 Agent 时代的知识工程新范式、基于知识增强的动态大模型评测等方面做了诸多有意义的尝试。社区在发布系统评测基准的同时,通过开源工具的 MCP 封装与多工具编排,实现了知识图谱全生命周期的自动化管理;此外,社区正积极布局知识图谱基座模型,旨在探索如何进一步提升系统在未见数据泛化与链接预测等任务中的潜力。

值此新年伊始,我们将从上述探索中挑选出四个代表性工作进行系统回顾与解读,并给出相应的未来趋势预测,分别是:数据层的 OneGraph、推理层的 SPG + KAG、Agent 层的 SkillNet,以及评测层的 OneEval。希望这些分享能为大家带来启发。

OneGraph:从规模缩放走向结构缩放

一、 驱动动机:破解大模型的“结构性瓶颈”

当前大模型(LLM)社区正面临从“概率统计”向“逻辑推理”跨越的关键期,SIGData的核心动机在于:

二、 建设现状:千万级双语知识基础设施

过去一年,SIGData在OneGraph (http://onegraph.openkg.cn/,见图1) 的建设与服务上取得了里程碑式进展:

图1 OneGraph服务方法(涵盖抽取-检索-生成-思考四类图谱增强服务)

三、 核心洞察:结构即力量(Structure is Power)

通过 OneGraph 的大规模实践,我们提炼出两条对社区具有借鉴意义的洞察:

图2 基于知识图谱的规划指令合成(3步流程图:Data Construction → Planning LLM Tuning and Inference → Plan Parsing and Execution)

图3 基于本体的大模型领域知识力提升语料合成(OntoTune对比图)

四、 趋势预测:迈向自进化的知识增强新纪元

展望 2026 年,知识增强大模型技术将呈现以下趋势:

SPG + KAG:知识增强推理的演变与未来

一、驱动动机:从“检索增强”到“推理增强”

大模型在开放域问答中展现了强大的语言能力,但在知识密集型的专业场景中仍面临三重困境:

SIGSPG 的核心使命正是围绕上述痛点,构建从语义底座、推理框架到推理模型的三层递进式知识增强体系。

二、核心架构与建设现状

围绕“语义底座 → 推理框架 → 推理模型”的三层递进思路,SIGSPG 构建了 OpenSPG、KAG-Solver、KAG-Thinker 三大核心组件:

OpenSPG:语义底座与动态本体

OpenSPG (https://openspg.github.io/v2/) 承担着类似于 Palantir Dynamic Ontology(动态本体)的角色,其核心价值在于构建一个严谨的“实体空间”。它通过 Schema 定义严谨的实体、关系与属性约束,为大模型提供确定性的事实底座。通过“KAG Index Diffusion”机制,将本体知识、实体、关系、时间空间知识与原文段落映射到统一语义空间,有效解决了传统向量检索在指代、时空、数值及逻辑四个维度上的偏差(见图4)。

图4 KAG Index Diffusion 四类错位问题对比表(指代/时空/数值/逻辑错位)

KAG-Solver:驱动 Agentic RAG 的执行枢纽

在结构化底座之上,KAG (https://github.com/OpenSPG/KAG) 通过 Agentic RAG 范式将应用升级为“自主规划与混合执行”。KAG-Solver 采用 Planner(规划)、Executor(执行)与 Generator(生成)的闭环架构。Planner 负责逻辑拆解,Executor 则动态调用逻辑演绎器、代码计算器或基于 OpenSPG 的检索器,实现从“盲目匹配”到“语义路径搜索”的转变(见图5)。

图5 KAG框架概述与KAG五大增强

KAG-Thinker:推理能力的内化与模型优化

SIGSPG 的核心创新在于引入 KAG-Thinker,将推理能力从框架层内化到模型层。它融合了自然语言推理与符号表达式(Logical Form)推理(见图6)。通过引入变量、运算器与运算规则,赋予模型简明的逻辑约束,实现可稳定求解与逐步验证的能力。通过交互式迭代合成高质量 SFT 语料,让模型学习思考范式,将结构化推理转化为原生内核能力(见图7)。

图6 Logical Form的合理性与必要性

图7 KAG-Thinker推理范式与推理过程样本合成

图8 KAG 0.8流程图(迭代式求解或DAG引导求解)

三、核心洞察:框架推理与内化推理的互补共生

通过 SPG + KAG 体系的持续迭代,我们提炼出三条对社区具有借鉴意义的洞察:

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/knowledgegraph/2026022019635.html