semantica: 為具備確定性推理與完整決策溯源能力的負責任 AI Agent 所打造的圖原生基礎設施層

它解決了什麼問題

Semantica 為 AI Agent 提供了一個確定性的基礎設施層，以確保其決策是可解釋、可追溯且可審計的。它解決了 LLM 的「黑盒」問題以及僅依賴向量的 RAG 之局限性，透過將扁平的嵌入（embeddings）替換為結構化上下文圖譜（context graphs）與形式化推理，這對於金融、醫療保健和政府等高風險、受監管的行業至關重要。

運作原理

Semantica 位元於 LLM 與向量儲存庫之下，作為一個管理知識與決策溯源的圖原生層。它從各種來源（包括 Databricks 和 Snowflake）攝取數據，提取實體與關係以構建知識圖譜（KG），並應用確定性推理（透過 Rete、Datalog 和 SPARQL）來推導新事實。每一項 AI 決策都會被記錄為一等公民圖節點（first-class graph node），並使用 W3C PROV-O 標準與其證據和結果建立因果連結，以實現完整的審計能力。

目標對象

• AI/ML 平台團隊：正在構建會做出重大決策之 Agent 的團隊。
• 數據平台團隊：使用 Databricks 或 Snowflake 並需要將表格轉換為受治理知識圖譜的團隊。
• 合規與風險團隊：需要針對 AI 行為提供結構化、受監管機構認可的審計軌跡的團隊。
• 受監管企業：在金融、醫療保健、法律和國防領域，無法使用黑盒系統的企業。
• 知識工程師：從碎片化、多來源的企業數據中構建 KG 的工程師。

重點特色

• 決策智能：將決策記錄為具備因果祖先與影響地圖的可查詢對象。
• 上下文圖譜：使用圖遍歷（graph traversal）而非簡單的嵌入相似度來尋找複雜的關聯。
• 確定性推理：採用前向鏈結（forward chaining）與 Rete 網絡來實現無需 LLM 的可解釋邏輯。
• 多語言儲存：同時支援 RDF 三元組儲存庫（例如 Blazegraph、Apache Jena）與標籤屬性圖（Labeled Property Graphs，例如 Neo4j、AWS Neptune）。
• 企業整合：針對 Databricks Unity Catalog 與 Snowflake 數據倉庫提供原生連接器。
• 完整溯源：實施 W3C PROV-O 與 SHACL 約束，以進行治理與合規性匯出。