semantica-agi/semantica

Semantica – 面向可信AI代理的图原生、可审计知识层

概述 – 一个开源Python库，位于大型语言模型（LLM）/代理栈与企业数据之间。它将原始表格、文档和流转换为上下文图（一种通过本体、来源和确定性推理增强的知识图谱）。该图成为一个结构化、可查询的记忆层，记录每个AI决策作为一等节点，实现可审计的追踪、冲突检测和策略执行。

核心能力

功能	说明
上下文图	从多源摄取（文件、数据库、Databricks、Snowflake、SAP OData、Kafka等）构建的实体丰富图。节点携带来源链接和时间戳。
决策智能	`record_decision()` 创建持久图节点；您可以追踪因果链、分析下游影响并导出审计跟踪（W3C PROV-O）。
确定性推理	前向链接、Rete网络、Datalog和SPARQL推理，具有完全可解释的路径——推理不需要LLM。
AI治理与本体	内置SHACL/OWL/SKOS支持、冲突检测、规则引擎和可视化本体编辑器。
多语言存储	可替换的后端：RDF三元组存储（Oxigraph、Blazegraph、Jena、RDF4J）和带标签的属性图（Neo4j、FalkorDB、Apache AGE、AWS Neptune）以及向量存储。
分析与可视化	中心性、社区检测、链接预测、最短路径查询，以及用于探索图、时间线和本体的交互式浏览器工作台。
集成	为LangChain、CrewAI、Agno、REST服务器、CLI和主要编辑器插件提供现成适配器。

目标用户

AI/ML平台团队：需要为做出重大决策的代理提供结构化、可搜索的记忆层。
数据平台工程师：在Databricks、Snowflake或类似湖仓上，希望在不将数据迁移到第三方SaaS的情况下，将现有表转换为受治理的知识图谱。
合规、风险和审计团队：在受监管行业（金融、医疗、法律、政府、国防）中，必须用监管机构接受的来源回答“AI为什么做出这个决定？”的团队。
基础设施工程师：寻找自托管、供应商无关的知识图谱和推理栈。

快速开始（Python）

pip install semantica

from semantica.context import ContextGraph

graph = ContextGraph(advanced_analytics=True)

# 记录决策
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,
)

# 查询决策
chain = graph.trace_decision_chain(decision_id)      # 完整因果链
similar = graph.find_similar_decisions("cloud vendor", max_results=5)
impact = graph.analyze_decision_impact(decision_id)

运行 semantica doctor 验证安装。

架构快照

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

每个阶段都是独立的可导入模块，因此您可以使用所需的部分。

了解更多

网站和文档: https://getsemantica.ai/ / https://docs.getsemantica.ai/
演示视频: https://www.youtube.com/watch?v=QfnNZg4-dZA
社区: Discord https://discord.gg/sV34vps5hH
源代码: https://github.com/semantica-agi/semantica

TL;DR

Semantica在现有LLM/代理栈之上提供自托管、标准合规的知识图谱。它将原始企业数据转换为可追踪、可查询、可治理的上下文层。通过确定性推理、决策可审计性和多语言存储，确保高风险、强监管环境中AI系统的可解释性和合规性。