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:
- 弥补原生缺陷:针对 LLM 固有的幻觉、知识滞后及长程逻辑不一致问题,通过开源并维护大规模结构化知识图谱提供事实锚点。
- 优化计算效率:传统 Transformer 的全连接注意力机制复杂度为 O(N^2)。通过引入“显性结构稀疏性”,将计算路径限制在图谱定义的逻辑轨道上,实现从“大海捞针”到“地图导航”的效率飞跃。
- 探索新型 Scaling Law:数据量 Scaling 已触及天花板。社区急需验证基于“节点/边数”及“拓扑复杂度”的 Graph Data Scaling Law,以结构化先验突破 AGI 的性能上限。
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:
- 海量规模与质量:OneGraph V2 已积累超过 3679 万个三元组,涵盖人文学科(2500万)、工程技术(450万)等核心领域。数据准确率达 86%,节点稠密度为 2.78。
- 全链路服务矩阵:设计了 OneGraph-E/R/G/T 体系,涵盖了知识抽取、精准检索、基于 EoG(Enrich-on-Graph)的生成增强的服务,已开放OneGraph-R/G的服务工具。
- 实测成效显著:在 CEval 评测中,OneGraph V2 将 DeepSeek 等主流模型的准确率从 80.7% 提升至 86.1%。此外,通过图谱指令微调的 Llama3 8B 在规划能力上已超越 GPT-3.5 (175B) 。
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:
- 合成数据的结构溢价:合成数据不再是“低质”代名词。通过 LLM 将模型内部的隐性直觉转化为显性逻辑(占比达 59.7%),能够突破人类标注的“天花板”,实现知识的自我审计与对齐(见图2)。
- 以结构稀疏性对冲参数不确定性:引入严谨的本体结构(如 OntoTune 方法)比单纯的语料堆砌更有效。良好的知识组织能够纠正模型的认知错乱,实现更高维度的“对齐”(见图3)。
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:
- 任务驱动的精准建设:数据构建将从“全量扩充”转向“任务驱动”。重点关注如何针对特定应用场景构建更具逻辑深度的微型专业图谱。
- 数据合成的自驱动进化:形成“模型生成数据 → 结构化清洗 → 增强模型表现 → 生成更高质数据”的正向循环,实现知识库与模型能力的同步规模缩放。
- 从 Scaling Law 进化为 Structural Law:社区将不再单纯追求参数量,而是追求“结构熵”与“逻辑深度”的 Scaling。具备更强结构先验的模型将在更小的参数规模下实现更优的推理性能。
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:
- 事实可靠性不足:大模型的参数化记忆难以保证事实的精确性与时效性,在法律、金融、医疗等对准确率要求极高的领域频繁出现幻觉。
- 复杂推理链条断裂:传统 RAG 以段落召回为核心,缺乏对多跳逻辑推理、数值计算与时空约束的结构化支撑,导致推理在"最后一公里"频繁崩溃。
- 推理能力外挂化瓶颈:当推理能力完全依赖外部框架编排时,系统的快速响应、可控性与泛化能力均受到严重制约,亟需将结构化推理内化为模型的原生能力。
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
- 在工程层面,最新的KAG 0.8版本进一步夯实了系统能力:支持自由定制 Builder 流水线,实现高效且低成本的知识加工;全面接入 MCP 协议,无缝连接外部数据源与工具链;持续优化求解策略,在跨文档、长链条推理任务中保持行业领先表现(见图8)。
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:
- 框架化推理与内化推理互补共生:KAG-Solver 提供了可解释、可调试的框架化推理路径,而 KAG-Thinker 则将这种推理能力蒸馏进模型参数中。二者并非替代关系,而是形成 “外部脚手架训练 → 内化为原生能力 → 反哺框架优化” 的螺旋上升闭环。
- 符号推理的回归与重塑:在大模型时代,符号推理并未过时,而是以 LogicalForm 等新形态重新嵌入神经网络推理过程。通过变量绑定与运算规则约束,符号机制为大模型的“自由联想”提供了必要的逻辑护栏,显著提升了复杂问题求解的稳定性与可验证性。
- 动态本体是知识增强的核心枢纽:OpenSPG 的实践表明,静态知识库难以适应快速变化的业务场景…