Semantica · 面向 AI 系统的知识图谱与决策溯源平台
投委会上，你答不出那一句
你在一家投资机构做技术，手里有个尽调助手。上百份招股书、年报、调研纪要、新闻稿全灌进了向量库，问它什么都答得挺顺。
周三的投委会，它输出了一段结论：这家标的的第二大客户，和它的控股股东存在关联。分析师抬头问你一句：「依据是哪一句？」
你把检索命中的五个片段调出来贴给他。五段里没有一句直接说这件事——那是模型看完这五段自己拼出来的。可能对，可能不对，你判断不了。
会后你想复盘这个结论怎么来的。你手里有什么？一个装满 embedding 的向量库，一份对话日志。embedding 是一串数，你看不出它到底记住了什么；日志只告诉你模型说了什么，没告诉你它凭什么说。线索到这里就断了。
那段结论最后被整段划掉。不是因为它错，是因为没人能证明它对。
它不存向量，它存关系和来路
Semantica 把散在材料里的事实收成一张图：谁和谁是什么关系、这条关系由哪份材料的哪一句给出、在什么时间成立——于是 AI 拿到的不再是一堆相似片段，而是能一路追回源头的结构化事实。
图上每个节点是一个消歧过的实体：同一家公司在三份材料里有三种写法，会被合到同一个节点上，而不是变成三条互不相关的记录；相互冲突的说法会被标记出来等你裁决，而不是被后写入的那条静默覆盖。每条边都挂着来源引用，按 W3C 的 PROV-O 标准记清是谁、在什么时候、基于哪份材料加进来的。决策本身也是图上的一类对象，所以「这个判断是怎么推出来的」能作为一条路径被查出来。
边界说清楚：
- 它做：把事实建成图、实体消歧与合并、加载本体与约束、图谱可视化探索、SPARQL 查询、不依赖模型的确定性推理、溯源追踪与因果路径、时间快照、JSON 导入导出，以及 REST 与 MCP 接口
- 它不做：它不替你从文档里抽事实——抽取那一步由你自己的流程或模型完成，它接收的是已经结构化的图数据；它也不解释大模型内部在想什么，它解释的是模型外部那条上下文与决策链路
- 部署的这一份没有配图数据库，图数据只保存在应用进程的内存里：实例或容器重启后图会清空，需要重新导入。所以它适合把你的真实数据摆上图看一遍、判断这条路走不走得通，不适合直接当生产环境的存储
- MIT 许可，允许商业使用
通过阿里云计算巢部署，一分半钟就能打开 Knowledge Explorer：前面那道登录认证和 API Key 注入部署时已经配好，密码随机生成，不用自己写反向代理、也不用逐条填环境变量。
它解决了什么问题
| 你原来怎么干 | 代价 | 用它之后 |
|---|---|---|
| 材料切块存进向量库 | 存下的是相似度，不是关系，也不是出处 | 存的是实体和关系，每条边挂着来源引用 |
| 被问「依据是哪一句」，翻检索命中的片段 | 片段里往往没有那一句，结论是模型拼的 | 点开这条关系，直接看到它由哪份材料支撑 |
| 想复盘一个判断怎么来的 | 只有对话日志，看不到中间那几步 | 判断本身在图上，推理路径可以整条追出来 |
| 同一家公司三种写法 | 变成三个互不相关的实体，关系被切断 | 消歧后合成一个节点，冲突的说法被标出来 |
| 结论全靠模型给 | 模型不稳定，同样的问题两次答得不一样 | 规则和本体能直接推出确定结论，不过模型 |
| 想先验证知识图谱这条路 | 建库、选存储、写导入，先立个项 | 部署完导一份 JSON 进去，当天就能看结果 |
回到投委会那一段：如果那张关联关系在图上，分析师问出「依据是哪一句」的时候，你点开这条边，看到的是它由哪一份材料的哪一段支撑、什么时候加进来的；再选中这两家公司追一次路径，中间经过哪几层持股和供货关系会一条条列出来。这段结论要么当场被认可，要么当场被指出中间某一跳站不住——两种都比整段划掉好。
而更深一层的变化是：AI 给出的东西，从「一个你只能整体接受或整体推翻的答案」，变成「一份能逐条翻到源头、可以被质证的材料」。这件事改变的不是你查得多快，而是你能不能带着它去开会。过去 AI 的结论进不了正式场合，因为在需要担责的场合里，不能说清依据的判断等于没有判断，你只能把它当成一个私下参考；现在依据和推理路径本身就是可交付的一部分，于是它能出现在给别人看的材料里，也能被别人挑错——而能被挑错，才是能被用起来的前提。
核心能力
先把图摆到眼前
对应那个「你看不出 embedding 记住了什么」的困境。
- 图谱可视化探索 —— 上千个节点和边直接铺开在浏览器里，按邻居跳数分层展开，不用先学一套查询语言才能看见自己的数据
- 实体消歧与合并 —— 同一个对象的多种写法归成一个节点，冲突的事实被标记出来等你裁决，而不是被后来的写入静默覆盖
- 时间轴回看 —— 拖一下时间就能看某个时点上这张图长什么样，判断一条关系是从哪一天开始成立的
每条结论都能翻回出处
对应「依据是哪一句」这个问题。
- 按 PROV-O 标准记溯源 —— 每条事实是谁、什么时候、基于哪份材料加进来的都在，不是事后靠日志倒推
- 追因果路径 —— 选中两个实体让它把中间经过的关系整条列出来，判断的每一跳都能单独被审
- 来源归属可导出 —— 溯源信息能导成 JSON 或 Markdown，直接放进给别人看的材料里
不过模型也能推出结论
- 确定性推理 —— 规则前向推理、Datalog、SPARQL 查询都在本地跑，同样的输入永远得到同样的输出，不受模型波动影响
- 本体和约束能管住数据 —— 用 SHACL 描述「什么样的数据算合法」，不合规的写入和自相矛盾的事实会被拦下来或标出来
- 接得进现有那套 —— REST 接口和 MCP 让 Agent 直接读写这张图，图存储后端也可以从内存换成 Neo4j、Oxigraph 这类正式的图数据库
谁最该用
| 用户类型 | 典型场景 | 用它拿到什么 |
|---|---|---|
| 做尽调、风控、情报类 Agent 的工程师 | 结论说得出、依据说不出，进不了正式材料 | 每条关系都能翻回原始出处和推理路径 |
| 被合规和审计追着要依据的团队 | 需要证明某个判断的来路，但只有对话日志 | 按标准记下的溯源信息，可直接导出 |
| 手上有一批结构化数据、想试知识图谱的人 | 先建库选存储写导入，一试就是一个项目 | 部署完导一份 JSON，当天看到图长什么样 |
| 做多 Agent 协作、需要共享上下文的开发者 | 各个 Agent 各存一份记忆，彼此对不上 | 一张共同的图，谁改了什么都有记录 |
技术支持
- 官方仓库：github.com/semantica-agi/semantica
- 官方文档：docs.getsemantica.ai
- 项目主页：getsemantica.ai
- 问题反馈：GitHub Issues
