Semantica：面向可审计 AI 的图原生基础设施
内容提要
Semantica 是面向可审计AI的图原生基础设施，利用知识图谱记录决策因果链，支持溯源、推理和双时态快照。它无需LLM即可构建图，提供30多种数据源摄取、确定性推理及W3C PROV-O导出。尽管内存态存储和中文抽取存在局限，但为信贷、医疗等监管场景提供可靠审计账本。
延伸解读
审计链的建立依赖应用主动调用
Semantica 的 record_decision 需要应用主动调用，如果 agent 不调用，就不会产生审计链。它提供的是审计的基础设施，而非强制力。这意味着在实际部署中，必须配套相应的制度或框架，确保每次决策都记录在案，否则审计账本可能不完整。
中文与垂直领域抽取效果有限
默认 NER 基于 spaCy 和启发式规则，对英文通用文本尚可，但中文或垂直领域效果不佳，需要替换为 HuggingFace 领域模型或 LLM 才能提升质量。虽然图构建和推理不依赖 LLM，但抽取环节的增强成本不可忽视，这会影响整体效果和成本。
内存态存储与生产级部署的差距
ContextGraph 是纯 Python 的进程内字典图，持久化依赖手动保存或外部图库。虽然内存索引速度快，但多副本、跨进程一致性、崩溃恢复等生产级特性需要依赖 Neo4j 等后端自行搭建。因此，它更适合作为内存中的智能层，而非存储引擎。
安全与成熟度需关注
v0.6.5 修复了 5 个安全漏洞，包括 Explorer API 无鉴权、Cypher/SPARQL 注入和 SSRF，说明 Explorer 和 REST 层不应裸暴露公网，且需及时更新版本。此外，Rete 引擎被作者称为“故意简单”，API 存在文档与代码不一致的情况，使用前需验证。
Q&A
Semantica 是什么？它主要解决什么问题？
Semantica 是一个面向可审计 AI 的图原生基础设施，用知识图谱记录 AI 决策的因果链，支持溯源、推理和双时态快照。它主要解决 AI 决策难以审计的问题，特别是在信贷、医疗等监管严格的行业，需要回答“AI 为什么这么判”的合规问题。
Semantica 构建知识图谱需要 LLM 吗？
不需要。Semantica 的图构建、推理和溯源全程不需要 LLM，它使用确定性的技术如规则引擎和知识图谱，保证可复算和可审计。LLM 只是可选的抽取增强手段，用于提升实体识别等效果。
Semantica 的数据管线包含哪些阶段？
Semantica 的数据管线分为五段：ingest（摄取）、parse（解析）、normalize（标准化）、split（分块）、semantic_extract（语义抽取），以及 conflicts（冲突处理）和 deduplication（去重）。ingest 支持 30 多种数据源，semantic_extract 进行 NER、关系抽取等，conflicts 解决数据冲突，deduplication 合并重复实体。
Semantica 如何实现决策审计？
Semantica 通过将每次 AI 决策记录为图中的一个节点，并支持因果关系的添加（如 CAUSED、INFLUENCED、PRECEDENT_FOR），提供 trace_decision_chain 回溯决策链，find_similar_decisions 进行先例检索，analyze_decision_impact 分析影响面。整个链条可以导出为 W3C PROV-O 格式，便于合规审计。
Semantica 支持哪些存储后端？
Semantica 支持多态存储：RDF 三元组库（如 Oxigraph、Blazegraph、Jena、RDF4J）、属性图库（如 Neo4j、FalkorDB、Apache AGE、AWS Neptune）、向量库（如 FAISS、Qdrant、Weaviate、Milvus、Pinecone、PgVector）。但 ContextGraph 本身是内存态，需要手动持久化或推送到外部图库。
Semantica 有哪些局限性或风险？
主要局限包括：1) 中文或垂直领域的抽取效果不佳，需要更换模型；2) ContextGraph 是内存态，进程退出数据丢失，需要外部存储；3) Rete 引擎实现简单，生产使用需验证；4) API 尚不成熟，存在文档不一致；5) 安全方面曾修复多个漏洞，需注意版本更新；6) 审计链依赖应用主动调用 record_decision，否则无法记录。
Semantica 如何实现时间维度的追溯？
Semantica 支持双时态图，边带有 valid_from 和 valid_until，区分“事实何时为真”和“系统何时得知”两条时间轴。通过 state_at("2024-01-01") 可以获取任意时间点的历史快照。
Semantica 的推理层使用哪些技术？
Semantica 的推理层使用前向链、Rete 网络、递归 Datalog 和 SPARQL 等确定性技术，并配有 ExplanationGenerator 生成推导路径解释。例如，可以用 Datalog 规则实现传递闭包。
