KAG (Knowledge Augmented Generation) es un marco profesional para servicios de conocimiento de dominio específico. Su objetivo es mejorar mutuamente los modelos de lenguaje grandes y los grafos de conocimiento mediante el aprovechamiento de las ventajas de los grafos de conocimiento y la recuperación vectorial. Esto aborda las grandes brechas entre la similitud vectorial y la relevancia de la inferencia de conocimiento, así como la falta de sensibilidad a la lógica del conocimiento inherente a las tecnologías RAG (Retrieval Augmentation Generation). KAG muestra un rendimiento significativamente superior al de métodos como NaiveRAG e HippoRAG en tareas de preguntas y respuestas de múltiples saltos. Por ejemplo, la puntuación F1 mejoró un 19,6% en hotpotQA y un 33,5% en 2wiki. KAG se ha implementado con éxito en dos tareas de preguntas y respuestas de conocimiento profesional dentro de Ant Group, incluyendo preguntas y respuestas sobre asuntos gubernamentales y salud, mostrando una mejora significativa en la profesionalidad en comparación con los métodos RAG.