Semantica：让AI决策可解释可追溯的开源知识图谱

Semantica：让AI决策可解释可追溯的开源知识图谱 | 前端进阶之旅

Full translation

完整中文译文

"向量数据库告诉你'什么是相关的'。知识图谱告诉你'为什么它是相关的'。溯源层告诉你'这个结论从何而来'。"

这是"每日一个开源项目"系列第 157 篇。今天要介绍的项目是 Semantica——来自 semantica-agi 的图原生 AI 决策基础设施，自定位为"AI 智能体的开源 Palantir"。

一句话概括它的功能：让每一个 AI 智能体决策都可解释、可追溯、可审计。

它不是 RAG 框架，不是向量数据库，也不是智能体框架。它位于这三者之下，提供确定性推理层和溯源层。当一个智能体做出决策时，你可以精确查询它使用了哪些上下文数据、遵循了哪些推理步骤、应用了哪些策略，以及每条证据的来源。

8200 Stars。MIT 协议。Python 3.8+。

Semantica 的定位与 RAG、向量数据库的区别

决策作为一等公民：为什么 AI 决策不应仅仅是日志条目

确定性推理引擎：无需 LLM 的可解释推理

W3C PROV-O 溯源：每个事实的来源链

冲突检测与时间旅行

使用场景：金融合规、医疗、法律、网络安全

前置知识

对 AI 智能体和 LLM 的基本理解

熟悉向量数据库的作用

基本知识图谱概念（节点、边、三元组）

背景：AI 问责缺口

当前的 AI 智能体存在一个普遍问题：决策过程不透明。

智能体给出一个推荐。为什么？它使用了什么数据？那些数据从何而来？有没有被其他内容矛盾？这个推荐一个月后还能复现吗？

在低风险场景中，这可以接受。但在银行贷款审批、临床决策支持、法律合同分析或政府政策执行中，"AI 这么说的"是不够的。监管者要求完整的决策日志、数据溯源、推理证据和合规证明。

现有工具处理语义检索（向量数据库）和对话记忆（各种记忆解决方案），但没有东西解决以下问题：

决策历史：每个智能体决策的结构化记录

因果溯源：这个结论，来自这个数据，经过这个推理步骤

冲突处理：当新数据与旧数据矛盾时，是静默覆盖还是标记？

跨智能体共享上下文：多个智能体在一个智能层上工作，而非孤立烟囱

时间维度：在某一时刻知识状态是什么样的（时间旅行）？

Semantica 将这些问题全部作为一等公民来对待。

决策是图节点，不是日志条目

传统方法将 AI 操作记录为日志文件——时间戳 + 字符串。难以查询，几乎无法交叉引用。

Semantica 将每个 AI 决策建模为具有完整生命周期的完整图节点：

from semantica.context import AgentContext, record_decision

ctx = AgentContext(agent_id="loan-agent-01", session_id="session-xyz")

decision = record_decision(
    context=ctx,
    decision_type="loan_approval",
    inputs={"applicant_id": "A123", "amount": 50000},
    output={"approved": True, "confidence": 0.87},
    reasoning_steps=[...],
    policies_applied=["credit_policy_v3", "risk_limit_2024"],
    provenance_sources=[...]
)

这个决策节点可以：

因果链接到其他决策（"这个决策影响了那个决策"）

检索历史先例（"类似案例以前是如何处理的"）

导出用于合规（为监管者生成审计报告）

确定性推理引擎

Semantica 的推理层使用经典 AI 确定性算法——无需 LLM：

Rete 网络：高效模式匹配规则引擎

Datalog：声明式逻辑查询

SPARQL：RDF 图标准查询语言

前向链：从已知事实增量推导新结论

from semantica.reasoning import ForwardChainReasoner

reasoner = ForwardChainReasoner()

# Rule: if X is a customer of Y and Y is a Bank, then X has an account at Y
reasoner.add_rule(
    condition=["?x customer_of ?y", "?y type Bank"],
    conclusion="?x has_account_at ?y"
)

results = reasoner.reason(facts=[
    ("Alice", "customer_of", "HSBC"),
    ("HSBC", "type", "Bank")
])
# → [("Alice", "has_account_at", "HSBC")]

推理链中的每一步中间过程都被保留。完整的推导追踪可以导出给审计人员。

W3C PROV-O 溯源

知识图谱中的每个事实都携带溯源元数据，遵循 W3C PROV-O 标准：

from semantica.provenance import ProvenanceTracker

tracker = ProvenanceTracker()

tracker.record(
    entity="Alice",
    attribute="credit_score",
    value=750,
    source="TransUnion API",
    retrieved_at="2026-08-17T10:00:00Z",
    agent="data-ingestion-agent",
    confidence=0.99
)

provenance = tracker.get_provenance("Alice", "credit_score")
# → {source: "TransUnion API", retrieved_at: ..., agent: ..., confidence: ...}

在受监管环境中，这是"证明你的 AI 决策基于可信数据"的技术基础。

冲突检测——不静默覆盖

当两个数据源对同一事实持不同意见时，标准 RAG 会静默覆盖（新数据取代旧数据）或任意选择。Semantica 将此视为需要显式处理的问题：

from semantica.conflicts import ConflictResolver

resolver = ConflictResolver()

conflicts = resolver.detect(
    entity="Alice",
    attribute="annual_income",
    values=[
        {"value": 80000, "source": "Tax Bureau", "date": "2025-01"},
        {"value": 120000, "source": "Bank Statement", "date": "2025-06"}
    ]
)
# → Conflict detected: value conflict (80000 vs 120000)
# → Resolution strategy: most_recent wins

支持的解决策略：最近优先、最高置信度、优先数据源、标记待人工审核。

知识图谱构建（semantica.kg）

from semantica.kg import KnowledgeGraph

kg = KnowledgeGraph(backend="neo4j")  # or falkordb / oxigraph

kg.ingest_document("contract.pdf")
kg.ingest_web("https://example.com/news")
kg.ingest_database(conn="postgresql://...", table="customers")

# Graph analysis
centrality = kg.betweenness_centrality()
communities = kg.community_detection()
links = kg.link_prediction(entity="Alice")

语义抽取（semantica.semantic_extract）

from semantica.semantic_extract import SemanticExtractor

extractor = SemanticExtractor()

result = extractor.extract("Apple acquired Beats Electronics for $3 billion in 2014.")
# → entities: [Apple, Beats Electronics]
# → relations: [(Apple, acquired, Beats Electronics)]
# → events: [acquisition, 2014]
# → triples: [(Apple, acquisition_of, Beats Electronics, {amount: 3B, year: 2014})]

多源摄取（semantica.ingest）

支持的来源：PDF、Word、CSV、JSON、XML、Web URL（含 JS 渲染）、PostgreSQL、MySQL、MongoDB、Databricks、Snowflake、Kafka。

GraphRAG 原生分块（semantica.split）

from semantica.split import GraphRAGSplitter

splitter = GraphRAGSplitter()
chunks = splitter.split("contract.pdf", entity_aware=True)
# → chunk boundaries respect entity integrity

与其他方案的定位对比

Semantica 不取代向量数据库或 RAG——它在它们之下添加了确定性推理和问责层。

金融合规：记录每笔贷款决策的数据溯源、推理步骤和应用的信贷策略——满足监管审计要求。

临床决策支持：药物相互作用知识图谱，每条临床建议都附有证据溯源链。符合 HIPAA 导出规范。

法律合同分析：案例法推理，每条法律结论可追溯到具体先例和法规。

网络安全：IOC（入侵指标）关联图、攻击归因链、事件响应时间线。

AI/ML 平台团队：为多个智能体构建共享结构化上下文层——智能体在共享智能层上工作，而非孤立烟囱。

pip install semantica           # core
pip install semantica[all]      # everything

# specific backends
pip install semantica[graph-neo4j]           # Neo4j
pip install semantica[tripletstore-oxigraph] # embedded RDF (no external service needed)
pip install semantica[vectorstore-qdrant]    # Qdrant
pip install semantica[llm-litellm]           # LLM support
pip install semantica[crewai]                # CrewAI integration
pip install semantica[explorer]              # visualization workbench

最简单的起步方式（嵌入式 Oxigraph，无需外部数据库）：

pip install semantica[tripletstore-oxigraph]

git clone https://github.com/semantica-agi/semantica
cd semantica
docker-compose up -d
# Knowledge Explorer: http://localhost:3000
# REST API: http://localhost:8000

智能体框架集成

MCP 服务器（Claude Code、Claude Desktop 及任何 MCP 兼容客户端）：

{
  "mcpServers": {
    "semantica": {
      "command": "python",
      "args": ["-m", "semantica.mcp.server"]
    }
  }
}

CrewAI 原生集成：

from semantica.integrations.crewai import SemanticalKGTool

tool = SemanticalKGTool(kg=my_knowledge_graph)
# Use directly as a CrewAI agent tool

支持的智能体框架：Agno、CrewAI（原生）、LangChain、LangGraph、LlamaIndex、AutoGen、OpenAI Agents SDK、Google ADK（通过 REST/MCP）。

GitHub: semantica-agi/semantica

Website: getsemantica.ai

Docs: docs.getsemantica.ai

Discord: discord.gg/sV34vps5hH

Twitter/X: @BuildSemantica

Semantica 解决的是 AI 企业部署中最难的问题之一：问责。

向量数据库解决"找相关内容"。RAG 解决"用相关内容回答问题"。但"这个答案如何得出的、什么数据支持了它、是否存在矛盾、如果出问题谁负责"——整个这一层在当前 AI 工具链中是一个空白。

Semantica 填补了这个空白。它不与 RAG 竞争——它位于 RAG 之下，为每个 AI 决策添加确定性推理链和溯源标签。在金融、医疗、法律等受监管行业，这一层是区分"内部实验"和"监管者可接受的 production 部署"的关键。

"AI 智能体的开源 Palantir"这一定位是准确的：Palantir 的核心价值是连接数据、分析和决策过程，让政府机构和金融机构的操作员能够解释他们的决策。Semantica 的目标是在 AI 智能体身上实现同样的问责可能——开源且可自托管。

探索 PrimeSkills——精心挑选的 AI 智能体和技能市场。每一个都经过真实企业工作流验证，去除炒作，只保留真正有效的部分。

欢迎访问我的首页了解更多有用见解和有趣产品。