AI 智能体执行了决策，但"它为什么这么做"往往说不清：向量库里只有相似度，没有意义；对话记录里只有结果，没有依据。Semantica 是一个开源的图原生基础设施层，专门给这类问题补上"上下文 + 可解释 + 可审计"，被社区称为"开源版 Palantir"。

一、它解决什么问题

大多数 AI 智能体没有"决策轨迹"：存入的是嵌入向量而不是含义，做了决定却无法审计。在金融、医疗、法律等受监管场景里，一个信贷审批智能体的放贷决定，几个月后要能回答监管的"为什么"。Semantica 做的事情，就是在 LLM、向量库与 Agent 框架之下加一层确定性的基础设施：上下文图（Context Graph）、可解释推理、决策留痕与策略治理。

二、核心能力

  • 决策智能：每一次决策都是可查询的一等对象，可追溯因果链、检索相似先例、分析下游影响；
  • 完整溯源：基于 W3C PROV-O 标准记录每条事实来源，审计轨迹可导出为 JSON、CSV 或 RDF；
  • 确定性推理：前向链、Rete 网络、Datalog 与 SPARQL，推理路径完全可解释，不依赖 LLM 黑盒；
  • 多后端图存储：支持 RDF（Blazegraph、Apache Jena、Eclipse RDF4J）与属性图（Neo4j、FalkorDB、Apache AGE、AWS Neptune）自由切换；
  • 企业数据连接：原生连接 Databricks（Unity Catalog / Delta Lake）与 Snowflake，表直接变成带溯源的图节点；
  • 接入方式：提供 MCP Server、CLI、REST API 与可视化工作台，也可作为 Agno 等框架的集成组件。

三、快速上手

项目要求 Python 3.8+，安装与最小用法如下（更多示例见官方 README）：

pip install semantica

from semantica.context import ContextGraph
graph = ContextGraph(advanced_analytics=True)
decision_id = graph.record_decision(
    category="vendor_selection",
    scenario="为合规工作负载选择云厂商",
    reasoning="对方提供 BAA 与成熟合规工具链",
    outcome="selected",
    confidence=0.93,
)
chain = graph.trace_decision_chain(decision_id)  # 完整因果链路

项目地址：github.com/semantica-agi/semantica（MIT 许可，当前约 1700+ Star，持续活跃迭代中）。

四、成本与边界

  • 许可：MIT 开源协议，可自托管、可商用、无厂商锁定，但具体使用需遵守协议全文；
  • 成本结构：核心图谱构建、推理与溯源是确定性的、不调用 LLM；但实体抽取等可选能力若接入模型或 API，会产生相应调用费用；
  • 运维成本：图数据库后端（Neo4j、Jena、Blazegraph 等）需要自行部署、备份与维护，规模化后对硬件与运维有要求；
  • 项目阶段：项目仍处于快速迭代期，接口与行为可能变化，生产使用前建议锁定版本并做充分测试；
  • 数据责任：图谱中数据的合规性、敏感信息治理与访问控制，由使用方自行负责，工具本身不构成合规结论。

如果你所在团队正在做会"做决定"的智能体，并且需要向监管或客户解释每一个决定，Semantica 提供了一条自托管、可审计的技术路线。