Semantica：面向 AI 智能体的开源决策追溯与图谱基础设施

Semantica 在 Hacker News 上以「开源版 Palantir for AI Agents」为定位亮相，瞄准的是当前 AI 智能体落地中的一个具体痛点：智能体做出决策，但这些决策往往缺乏可追溯、可审计的语义层，只有向量嵌入，没有「含义」。在授信、医疗等强监管场景下，这种「说不出为什么」的状态本身就是合规风险。

与传统向量数据库或纯 LLM 记忆相比，Semantica 强调的是「系统级可解释性」而非「模型内部可解释性」——它不试图拆解 LLM 内部的思维链，而是建模外部上下文、决策过程与数据来源。每一项决策都成为一等公民对象，可以追溯、可查询、可按先例检索。

核心能力

• Context Graphs（上下文图谱）：将智能体所知、所决、所推理的内容结构化为可查询的图。
• Decision Intelligence（决策智能）：每个决策都是可追溯、可按先例搜索、因果关联的一等对象。
• AI 治理与本体：支持 SHACL 约束、冲突检测、合规规则、OWL 生成与 SKOS 词表管理。
• 全链路审计：基于 W3C PROV-O 的事实溯源，审计轨迹可导出为 JSON、CSV 或 RDF。
• 确定性推理：前向链、Rete 网络、Datalog、SPARQL，推理路径完全可解释。
• 知识管线：多源数据接入、实体感知分块、NER/关系/事件抽取，构建中自动去重并保留来源。

与向量库、纯 LLM 记忆的对比

Semantica 明确把自己定位为现有栈的「补充层」，而非替代品：保留 LLM、向量库与智能体框架，只在之上叠加决策记录、因果推理、来源、本体治理与审计。简单对比几项关键能力：

• 决策历史：向量库 / 纯 LLM 记忆均不存储；Semantica 存为一等可查询对象。
• 来源：三者中只有 Semantica 提供 W3C PROV-O 级别的来源链接。
• 推理方式：向量库无推理；纯 LLM 记忆是黑箱；Semantica 基于前向链、Rete、Datalog、SPARQL。
• 冲突检测：前两者遇到冲突均静默覆盖；Semantica 会标记并可解决。
• 时间旅行：向量库与 LLM 记忆均不支持；Semantica 提供时间点图谱快照。
• 策略执行：仅 Semantica 内置规则引擎 + SHACL。

集成与部署

Semantica 通过 pip install semantica 即可安装，并提供 Agno、CrewAI 的原生集成以及一个完整的 MCP 服务器。底层的图存储是可插拔的：RDF 侧支持内嵌 Oxigraph、Blazegraph、Apache Jena、Eclipse RDF4J；标签属性图侧支持 Neo4j、FalkorDB、Apache AGE、AWS Neptune，向量库亦可替换，业务代码无需改动。

对企业数据平台，它原生对接 Databricks（Unity Catalog + Delta Lake，支持 PAT/OAuth M2M 认证，可读取 catalog/schema/table/lineage）和 Snowflake（warehouse/database/schema，支持密钥对与 OAuth），数据无需出仓即可成为带溯源的图节点。

适用场景与边界

Semantica 面向的是需要做出「可解释决策」的 AI 智能体，如金融授信、医疗辅助、法律审查、政府与国防等强监管场景，目标是让平台/基础设施团队不依赖单一厂商 SaaS 也能拿到可审计的因果链。它不解决 LLM 内部可解释性问题——模型内部的链式思维对任何外部系统而言仍然不可见，这一点文档中已明确说明。