Semantica

项目概述

Semantica 是面向 AI Agent 的图原生基础设施，作为确定性中间层部署在大语言模型、向量库与智能体框架之下。系统摄入企业级原始数据后，抽取实体、关系与事件，构造上下文图与知识图谱，进而执行图算法推理与因果分析，并对每一条决策保留完整溯源链路。在金融、医疗、法律、政府等强监管领域，平台直接回答监管机构追问的"AI 为什么这样做"，输出可审计、可追溯、可解释的决策证据。

核心特性

• 上下文图：将 Agent 所知、所决、所推理的对象建模为可查询的图节点，取代扁平嵌入。
• 决策智能：每一次 AI 选择都是一等图对象，可按先例检索，可因果追溯，可导出为 W3C PROV-O。
• 本体与治理：内置 SHACL 约束、冲突检测、合规规则、OWL 生成与 SKOS 词表管理。
• 确定性推理：前向链、Rete 网络、Datalog、SPARQL 推理全程可解释。
• 知识流水线：多源摄入、实体感知分块、命名实体识别 / 关系抽取 / 事件抽取、语义去重与冲突消解。
• 企业数据平台连接器：原生支持 Databricks（Unity Catalog + Delta Lake，PAT 与 OAuth M2M 鉴权）与 Snowflake（仓库 / 数据库 / 模式，密钥对与 OAuth 鉴权）。
• 图分析：中心度、社区发现、链路预测与最短路径查询。
• 多语言图存储：RDF（嵌入式 Oxigraph、Blazegraph、Apache Jena、Eclipse RDF4J）与标签属性图（Neo4j、FalkorDB、Apache AGE、AWS Neptune）以及向量库均可热插拔。
• 可视化与集成：交互式浏览器工作台、原生 Agno 与 CrewAI 支持、MCP 服务器、REST API 与 CLI。

系统架构

整体流水线分为九段：来源 → 摄入 → 解析 → 规范化 → 切分 → 抽取 → 冲突检测 → 去重 → 知识图谱 → 本体、推理、溯源、决策层 → 富化图谱 → 向量库与多语言图存储 → 导出、可视化、REST、CLI。每段均为独立可导入模块。

安装

pip install semantica

环境校验：

semantica doctor

快速上手

from semantica.context import ContextGraph

graph = ContextGraph(advanced_analytics=True)

# 将每一次 Agent 决策记录为可审计的知识节点
decision_id = graph.record_decision(
    category="vendor_selection",
    scenario="为 HIPAA 业务负载选择云服务商",
    reasoning="AWS 提供 BAA、成熟的 HIPAA 工具与现有团队经验",
    outcome="selected_aws",
    confidence=0.93,
)

# 围绕决策进行追溯与合规检查
chain     = graph.trace_decision_chain(decision_id)        # 完整因果祖先链
similar   = graph.find_similar_decisions("云服务商", max_results=5)
impact    = graph.analyze_decision_impact(decision_id)     # 下游影响图
compliant = graph.check_decision_rules({"category": "vendor_selection"})

决策智能示例

# 记录因果关联的决策链：申请 → 核保 → 利率
app_id  = graph.record_decision(category="credit_application", outcome="proceed_to_underwriting")
uw_id   = graph.record_decision(category="loan_underwriting",  outcome="approved")
rate_id = graph.record_decision(category="interest_rate",       outcome="rate_set_8.9pct")

graph.add_causal_relationship(app_id, uw_id,   relationship_type="CAUSED")
graph.add_causal_relationship(uw_id,  rate_id, relationship_type="INFLUENCED")

# 追溯、检索先例、评估影响、合规校验
graph.trace_decision_chain(rate_id)
graph.find_similar_decisions("个人贷款审批，31% DTI", max_results=5)
graph.analyze_decision_impact(uw_id)
graph.check_decision_rules({"category": "loan_underwriting", "confidence": 0.94})

relationship_type 必须是 CAUSED、INFLUENCED 或 PRECEDENT_FOR 三者之一。

上下文图

# 添加类型化节点与带权边
graph.add_node("acme_corp",    "Organization", name="Acme Corp", industry="SaaS")
graph.add_node("alice_chen",   "Person",       name="Alice Chen", role="CTO")
graph.add_edge("alice_chen", "acme_corp", edge_type="works_for", since="2019-03-01")

# BFS 遍历与时间点快照
neighbors = graph.get_neighbors("acme_corp", hops=2)
snapshot  = graph.state_at("2024-01-01")

# 高层 Agent 上下文 API
from semantica.vector_store import VectorStore
from semantica.context import AgentContext
ctx = AgentContext(vector_store=VectorStore(backend="faiss"), knowledge_graph=graph)
ctx.store("Alice 在 2024 Q1 批准了 Acme 续约", conversation_id="conv_001")

受监管决策审计范式

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

prov = ProvenanceManager(storage_path="./audit.db")
prov.track_entity("patient_P4821", source="ehr/medication_orders_2024.json")

# 导出 W3C PROV-O 给监管机构
kg = graph.to_kg_dict()
RDFExporter().export(kg, "audit_trail.ttl", format="turtle")

to_kg_dict() 输出 {"entities": [...], "relationships": [...]} 结构，可直接对接 RDFExporter，无需手工字段映射。

模块清单