KAG (Knowledge Augmented Generation) ist ein professionelles Framework für domänenspezifische Wissensdienste. Es nutzt die Vorteile von Wissensgraphen und Vektorsuche, um große Sprachmodelle und Wissensgraphen bidirektional zu verbessern. Dadurch werden die großen Unterschiede zwischen Vektorähnlichkeit und Wissensbeziehungsrelevanz bei RAG-Technologien (Retrieval Augmentation Generation) sowie die mangelnde Sensibilität für Wissenslogik behoben. KAG übertrifft Methoden wie NaiveRAG und HippoRAG deutlich bei Multi-Hop-Fragen. So erzielte es auf hotpotQA eine um 19,6 % höhere F1-Punktzahl und auf 2wiki eine um 33,5 % höhere Punktzahl. KAG wird bereits erfolgreich in zwei professionellen Wissensfragesystemen der Ant Group eingesetzt: 政务问答 (öffentliche Verwaltung) und Gesundheitsfragen. Im Vergleich zu RAG-Methoden zeigt es eine deutlich verbesserte Professionalität.