Semantica：为 AI Agent 构建可审计的知识图谱

Fen9Pi2026/8/12大约 13 分钟

前言：AI 的"黑箱"困境

2026-08-12 14:53 GMT+8

大多数 AI Agent 在"暗箱"中运行。

它们存储的是嵌入（embeddings），而不是意义（meaning）：

✅ 上下文可以检索（"什么相似？"）
❌ 上下文无法解释（"为什么相关？"）
❌ 决策无法审计（"为什么做这个决定？"）

在高风险领域，这是个问题：

金融：贷款审批必须通过监管机构的"为什么"询问
医疗：诊断决策必须有完整的因果链
法律：案件分析必须有可追溯的证据链
政府：政策决策必须有完整的决策路径

今天介绍 Semantica：

Graph-Native Infrastructure for Context and Accountable AI Systems
开源版 Palantir for AI Agents

一、项目概览

Semantica 是一个开源的、基于图的知识图谱基础设施，为 AI Agent 提供可审计、可解释、可追溯的上下文管理。

一句话说清楚：

摄取企业数据，提取关键信息，构建上下文图谱和知识图谱，运行图分析和因果推理，所有决策都带有完整的可追溯性。

项目地址：https://github.com/semantica-agi/semantica 官网：https://getsemantica.ai 文档：https://docs.getsemantica.ai 开源协议：MIT Python：3.8+

核心特性

决策智能（Decision Intelligence）

上下文管理（Context Management）
确定性推理（Deterministic Reasoning）
本体管理（Ontology Management）
知识建模（Knowledge Modeling）
端到端可追溯性（End-to-End Traceability）

企业级特性

开源、可自托管、可审计、可治理、零供应商锁定
多语言图存储（RDF & LPG 支持）
W3C 标准兼容、可互操作

目标用户

1. AI/ML 平台团队

部署 Agent 做关键决策
需要结构化、可查询的上下文
不只是向量索引

2. Databricks/Snowflake 数据平台团队

需要把表变成知识图谱
不需要先导出到第三方 SaaS

3. 合规、风险、审计团队

需要"为什么 AI 做了这个决定？"的直接答案
格式必须被监管机构接受

4. 受监管企业

金融、医疗、法律、政府、国防
不能部署黑箱
不能把数据发送给第三方 SaaS

5. 平台和基础设施工程师

需要 KG、推理、provenance 栈可自托管、可替换
不锁定于单一供应商

6. 数据和知识工程师

从混乱、多源数据构建 KG
实体和关系提取、冲突检测、重复合并

二、核心能力

1. Context Graphs：上下文图谱

定义：

一个结构化的、可查询的图
包含 Agent 知道的、决定的、推理的所有内容

对比传统 RAG：

RAG：回答"什么相似？"（嵌入相似度）
Context Graph：回答"什么相连、为什么、如何？"（图遍历）

核心能力：

✅ 每个实体、关系、决策、事实都是一等节点
✅ 可通过图遍历查询
✅ 实体链接到源文档
✅ 决策链接到证据和后果
✅ 事实携带完整 provenance
✅ 冲突被检测，而非静默覆盖

为什么图优于嵌入？

遍历找到嵌入错过的连接（距合同 3 跳的人）
每个节点携带 provenance
冲突在污染知识库之前被标记
时间点快照允许重放历史而无需重新处理

2. Decision Intelligence：决策智能

定义：

每个 AI 决策都是一等对象
可追溯、可按先例搜索、因果链接

核心问题：

"你的 AI 决定了什么、为什么、接下来发生了什么？"
这是监管机构和企业风险团队越来越迫切询问的问题。

在 Semantica 中，决策不是日志行：

它是一个完整生命周期的图节点
存储为带有完整结构上下文的图节点
可导出为 W3C PROV-O（大多数合规框架接受的监管提交格式）

核心 API：

record_decision()             # 存储为带有完整结构上下文的图节点
add_causal_relationship()     # 链接到上游原因和下游效果
find_similar_decisions()      # 跨所有过去决策的语义先例搜索
trace_decision_chain()        # 完整因果谱系回到根本原因
analyze_decision_impact()     # 下游影响图 - 此决策影响的一切
check_decision_rules()        # 策略合规门
export / audit trail          # W3C PROV-O, CSV, 或 JSON 用于监管提交

3. AI Governance & Ontology：AI 治理和本体

核心能力：

SHACL 约束：Shapes 约束语言
冲突检测：冲突事实被标记和解决
合规规则：内置规则引擎
OWL 生成：Web 本体语言
SKOS 词汇表管理：知识组织系统
可视化编辑器：交互式本体管理

4. Full Auditability：完全可审计性

核心能力：

W3C PROV-O provenance：每个事实
审计追踪：可导出为 JSON, CSV, 或 RDF
时间旅行：时间点图快照
因果链：完整的决策谱系

5. Deterministic Reasoning：确定性推理

推理引擎：

Forward chaining：前向链推理
Rete network：Rete 网络算法
Datalog：数据日志语言
SPARQL：SPARQL 查询语言

特点：

✅ 完全可解释的路径
✅ 不是黑箱
✅ 不需要 LLM

6. Knowledge Pipeline：知识管道

核心能力：

多源摄取：文件、Web、数据库、企业数据平台、云、流、Git、邮件、MCP
实体感知分块：GraphRAG 原生
NER/关系/事件提取：命名实体识别、关系提取、事件提取
知识图谱构建：自动构建 KG
语义去重：智能重复合并
Provenance 保留合并：追溯保留

7. Enterprise Data Platforms：企业数据平台

原生连接器：

Databricks：
- Unity Catalog + Delta Lake
- PAT/OAuth M2M 认证
- catalog/schema/table/lineage 内省
Snowflake：
- warehouse/database/schema
- 密钥对和 OAuth 认证

价值：

✅ 已经居住在你的湖屋或仓库中的表变成带有 provenance 的图节点
✅ 不是另一个导出/导入跳

8. Graph Analytics：图分析

核心能力：

中心性：节点重要性分析
社区检测：群体发现
链路预测：关系预测
最短路径查询：路径优化

9. Polyglot Graph Storage：多语言图存储

RDF 存储：

嵌入式 Oxigraph
Blazegraph
Apache Jena
Eclipse RDF4J（通过 SPARQL）

LPG 存储：

Neo4j
FalkorDB
Apache AGE
AWS Neptune（通过 Cypher）

向量存储：

FAISS
其他向量存储

特点：

✅ 所有都可交换
✅ 无需触摸代码

10. Visualization：可视化

核心能力：

交互式浏览器工作台
探索任何图、本体或时间线
Knowledge Explorer
Ontology Hub

11. Drop-in Integrations：即插即用集成

原生支持：

Agentic：原生支持
MCP 服务器：完整的 MCP 服务器
CLI：全面的 CLI
REST API：RESTful API
编辑器插件：跨主要编辑器的插件

流程图1

三、对比分析

Semantica vs Vector DB + RAG

维度	Vector DB + RAG	Semantica
召回方法	嵌入相似度	图遍历 + 语义搜索
决策历史	不存储	不存储 → 一等可查询对象
Provenance	无	无 → W3C PROV-O, 源链接
推理	无	无 → 前向链, Rete, Datalog, SPARQL
冲突检测	静默覆盖	静默覆盖 → 检测、标记、解决
时间旅行	无	无 → 时间点图快照
合规导出	无	无 → PROV-O, SHACL, OWL, RDF
策略执行	无	无 → 内置规则引擎 + SHACL
实体解析	无	无 → Blocking + 语义去重
多 Agent 上下文	每个 Agent 分离	每个 Agent 分离 → 单一共享智能层

核心差异：

Semantica 补充你的现有栈，而不是替换它
保持你的 LLM、向量存储、Agent 框架完全不变
Semantica 添加决策记录、因果推理、provenance、本体治理、冲突检测、审计追踪

Semantica vs Plain LLM Memory

维度	Plain LLM Memory	Semantica
召回方法	Token 窗口	图遍历 + 语义搜索
决策历史	不存储	一等可查询对象
Provenance	无	W3C PROV-O, 源链接
推理	黑箱	前向链, Rete, Datalog, SPARQL
冲突检测	静默覆盖	检测、标记、解决
时间旅行	无	时间点图快照
合规导出	无	PROV-O, SHACL, OWL, RDF
策略执行	无	内置规则引擎 + SHACL
实体解析	无	Blocking + 语义去重
多 Agent 上下文	每个 Agent 分离	单一共享智能层

核心差异：

LLM Memory 是黑箱
Semantica 是白箱、可解释、可审计

四、快速开始

安装

pip install semantica

验证安装

semantica doctor

# Python 3.11.9         pass
# semantica 0.6.5       pass
# faiss vector store    pass
# Config file           pass    ~/.semantica/config.yaml

Decision Intelligence 示例

from semantica.context import ContextGraph

graph = ContextGraph(advanced_analytics=True)

# 每个 Agent 决策变成可查询、可审计的知识节点
decision_id = graph.record_decision(
    category="vendor_selection",
    scenario="Choose cloud provider for HIPAA workload",
    reasoning="AWS offers BAA, mature HIPAA tooling, and existing team expertise",
    outcome="selected_aws",
    confidence=0.93,
)

# 问"为什么发生这个？"并获得一个真实的、结构化的答案
chain     = graph.trace_decision_chain(decision_id)       # 完整因果谱系
similar   = graph.find_similar_decisions("cloud vendor", max_results=5)  # 先例
impact    = graph.analyze_decision_impact(decision_id)    # 下游影响图
compliant = graph.check_decision_rules({"category": "vendor_selection"})  # 策略门

Context Graph 示例

from semantica.context import ContextGraph, AgentContext
from semantica.vector_store import VectorStore

graph = ContextGraph(advanced_analytics=True)

# 添加带有类型属性的节点
graph.add_node("acme_corp",    "Organization", name="Acme Corp", industry="SaaS")
graph.add_node("alice_chen",   "Person",       name="Alice Chen", role="CTO")
graph.add_node("contract_001", "Contract",     value=2_400_000, currency="USD")

# 添加类型化、加权边
graph.add_edge("alice_chen", "acme_corp",    edge_type="works_for",  since="2019-03-01")
graph.add_edge("acme_corp",  "contract_001", edge_type="party_to",   signed="2024-01-15")

# BFS 遍历 - 从任何节点跳过图
neighbors = graph.get_neighbors("acme_corp", hops=2)

# 时间点快照 - 过去任何日期的图状态
snapshot  = graph.state_at("2024-01-01")

五、实际场景

场景 1：审计追踪（金融）

场景：贷款审批决策

需求：

监管机构要求回答"为什么批准这笔贷款？"
必须提供完整的因果链
必须可以追溯到源数据

使用 Semantica：

from semantica.context import ContextGraph
from semantica.provenance import ProvenanceManager
from semantica.export import RDFExporter

graph = ContextGraph(advanced_analytics=True)
prov  = ProvenanceManager(storage_path="./audit.db")

# 记录决策链
d1 = graph.record_decision(
    category="credit_application",
    scenario="Personal loan, $85k income, 31% DTI, 3yr employment",
    reasoning="Income meets threshold; employment stable; no adverse credit events",
    outcome="proceed_to_underwriting",
    confidence=0.88,
    metadata={"applicant_id": "A-7291"},
)

d2 = graph.record_decision(
    category="loan_underwriting",
    scenario="Underwriting review for A-7291",
    reasoning="DTI within policy; clean 36-month credit history",
    outcome="approved",
    confidence=0.94,
)

# 建立因果链
graph.add_causal_relationship(d1, d2, relationship_type="CAUSED")

# 追踪每个实体的 provenance
prov.track_entity("applicant_A7291", source="loan_applications_2024.json")

# 导出 W3C PROV-O 用于监管提交
graph_dict = graph.to_dict()
kg = {
    "entities": [{"id": n["id"], "type": n["type"], "text": n["content"]} for n in graph_dict["nodes"]],
    "relationships": [
        {"source_id": e["source"], "target_id": e["target"], "type": e["type"]}
        for e in graph_dict["edges"]
    ],
}
RDFExporter().export(kg, "audit_trail.ttl", format="turtle")

价值：

✅ 完整的因果链
✅ 可追溯到源数据
✅ W3C PROV-O 格式
✅ 监管机构接受

场景 2：医疗决策（医疗）

场景：药物相互作用检查

需求：

检测药物相互作用
记录决策和原因
提供完整的审计追踪

使用 Semantica：

from semantica.context import ContextGraph

graph = ContextGraph(advanced_analytics=True)

# 记录决策链
d1 = graph.record_decision(
    category="drug_interaction_check",
    scenario="Patient P-4821: warfarin + amiodarone co-prescribed",
    reasoning="Amiodarone potentiates warfarin's anticoagulant effect",
    outcome="flag_for_review",
    confidence=0.91,
)

d2 = graph.record_decision(
    category="dosage_adjustment",
    scenario="INR monitoring plan for P-4821",
    reasoning="Reduce warfarin dose per interaction severity; recheck INR in 5 days",
    outcome="dose_reduced_30pct",
    confidence=0.87,
)

# 建立因果链
graph.add_causal_relationship(d1, d2, relationship_type="CAUSED")

# 查询决策链
chain = graph.trace_decision_chain(d2)

价值：

✅ 完整的决策链
✅ 可解释的推理
✅ 可审计的追踪

场景 3：企业数据平台（Databricks/Snowflake）

场景：从 Databricks 表构建知识图谱

需求：

把 Unity Catalog 中的表变成知识图谱
不需要导出到第三方 SaaS
保留 provenance

使用 Semantica：

from semantica.ingest import DatabricksIngestor

# 连接到 Databricks
ingestor = DatabricksIngestor(
    host="adb-123456789.1.azuredatabricks.net",
    token="your_token",
    catalog="production",
)

# 摄取表并构建知识图谱
graph = ingestor.ingest_table("customers", "sales", "customer_orders")

# 表变成带有 provenance 的图节点
# 每个节点都知道它来自哪个表、哪个模式、哪个 catalog

价值：

✅ 无需导出数据
✅ 保留 provenance
✅ 可查询的图结构

场景 4：多 Agent 上下文共享

场景：多个 Agent 需要共享上下文

需求：

Agent A 做了决策
Agent B 需要知道这个决策
Agent C 需要追踪影响

使用 Semantica：

from semantica.context import AgentContext

# 创建共享的上下文
ctx = AgentContext()

# Agent A 记录决策
agent_a_decision = graph.record_decision(
    category="vendor_selection",
    scenario="Choose cloud provider",
    outcome="selected_aws",
)

# Agent B 查询决策
similar = graph.find_similar_decisions("cloud vendor")

# Agent C 分析影响
impact = graph.analyze_decision_impact(agent_a_decision)

价值：

✅ 单一共享智能层
✅ 所有 Agent 可以访问
✅ 完整的因果链

六、架构设计

端到端管道

Semantica 是一个真正的端到端管道，不是单个库：

Sources → Ingest → Parse → Normalize → Split → Extract → Conflict Detection → Deduplication
   → Knowledge Graph → [ Ontology · Reasoning · Provenance · Decisions ] → Enriched KG
   → Vector Store + Polyglot Graph Store (RDF & LPG) → Export / Visualize / REST · MCP · CLI

每个阶段都是可独立导入的模块

摄取层

数据源：

文件、Web、数据库
企业数据平台（Databricks, Snowflake）
云（Google Drive, Elasticsearch）
流（Kafka, Kinesis）
Git, 邮件, MCP

处理层

Parse → Normalize → Split：

文档解析
文本/实体/日期规范化
GraphRAG 原生实体感知分块

Extract → Conflict Detection → Deduplication：

NER, 关系, 事件, 三元组
冲突事实在合并前被标记和解决

知识层

Knowledge Graph：

GraphBuilder 构建图
双时态事实
完整图分析（中心性、社区、链路预测）

Ontology · Reasoning · Provenance · Decisions：

SHACL/OWL 治理
Rete/Datalog/SPARQL 推理
W3C PROV-O lineage
一等决策记录

存储层

Polyglot by Design：

RDF 三重存储（嵌入式 Oxigraph, Blazegraph, Apache Jena, Eclipse RDF4J）
标记属性图（Neo4j, FalkorDB, Apache AGE, AWS Neptune）
向量存储（FAISS）
所有都可交换无需触摸代码

输出层

Export：

RDF, OWL, Parquet, Cypher, JSON-LD

Access：

REST API
MCP 服务器
CLI

Visualization：

交互式可视化
Knowledge Explorer
Ontology Hub

流程图2

七、核心价值

1. 可审计性

完整审计追踪：

W3C PROV-O provenance
时间点快照
决策因果链
源数据追溯

合规导出：

W3C PROV-O, SHACL, OWL, RDF
监管机构接受的格式

2. 可解释性

确定性推理：

前向链、Rete 网络、Datalog、SPARQL
完全可解释的路径
不是黑箱

冲突检测：

冲突事实被标记
在污染知识库之前解决
而非静默覆盖

3. 可追溯性

Provenance 追踪：

每个实体都有源链接
每个决策都有因果链
每个事实都有时间戳

时间旅行：

时间点图快照
重放历史而无需重新处理

4. 企业级特性

自托管：

完全自托管
无需第三方 SaaS
零供应商锁定

多语言图存储：

RDF 和 LPG 支持
所有存储都可交换
无需更改代码

W3C 标准：

PROV-O, SHACL, OWL, SKOS
可互操作
开放标准

八、总结

核心问题

大多数 AI Agent 在"暗箱"中运行：

❌ 存储嵌入，而不是意义
❌ 上下文可以检索，但无法解释
❌ 决策无法审计

Semantica 的解决方案

Graph-Native Infrastructure：

✅ 结构化、可查询的上下文图谱
✅ 每个决策都是一等对象
✅ 完整的 provenance 追踪
✅ 确定性推理引擎

三大核心价值

1. 决策智能

每个决策都是一等对象
可追溯、可查询、因果链接
语义先例搜索

2. 上下文图谱

结构化、可查询的图
实体、关系、决策、事实都是节点
冲突检测、时间旅行

3. 完全可审计性

W3C PROV-O provenance
监管机构接受的格式
完整的因果链

为什么选择 Semantica？

1. 不是替换，是补充

保持你的 LLM、向量存储、Agent 框架
Semantica 添加决策记录、provenance、审计追踪

2. 开源、自托管

零供应商锁定
完全控制
企业级特性

3. W3C 标准

可互操作
开放标准
监管机构接受

适用领域

高风险、受监管领域：

✅ 金融（贷款审批、风险控制）
✅ 医疗（诊断决策、药物相互作用）
✅ 法律（案件分析、合同审查）
✅ 政府（政策决策、合规检查）
✅ 国防（情报分析、威胁评估）

记住

Semantica 不是另一个 RAG 工具，而是为 AI Agent 构建的、可审计的知识图谱基础设施。
从"嵌入"到"意义"，从"黑箱"到"白箱"，从"不可审计"到"完全可追溯"。
这不是优化，这是范式转变。

附：资源链接

项目资源：

GitHub：https://github.com/semantica-agi/semantica
官网：https://getsemantica.ai
文档：https://docs.getsemantica.ai
Discord：https://discord.gg/sV34vps5hH

学习资源：

YouTube 演示：https://www.youtube.com/watch?v=QfnNZg4-dZA
架构文档：ARCHITANGCE.md
Changelog：CHANGELOG.md
PyPI：https://pypi.org/project/semantica/

安装速查：

# 安装
pip install semantica

# 验证
semantica doctor

# 快速开始
python -c "from semantica.context import ContextGraph; graph = ContextGraph()"