当AI Agent需要「交代决策」：开源项目Semantica如何用决策图谱重构可解释性

在AI Agent的实际应用中，有一个看似简单却极难回答的问题：Agent为什么会做出这个决策？六个月后当你需要追溯这条决策链时，翻日志、重放提示词、检查向量库命中结果，甚至要祈祷底层数据没有发生变化——这几乎成了一项「考古工作」。这并非个例，而是当前主流Agent技术栈的结构性缺陷。

概述

Semantica正是为解决这一痛点而生。这个开源项目将Agent的上下文——包括事实、关系、决策、来源、规则和因果链接——转化为一个可查询的决策图谱。其核心思路是：让决策成为「一等公民」对象，而非散落在日志中的自由文本。

从追踪到决策图谱：架构层面的范式转移

典型Agent技术栈的运行流程是：用户事件→Agent框架→LLM→工具API→向量数据库→日志追踪。这套体系在Agent做出关键决策之前运转良好，但向量数据库和追踪系统并非为回答以下问题而设计：系统当时相信什么？它决定了什么？是什么导致了那个决策？以及因此发生了什么？ Semantica在技术栈中插入了一个「图谱原生层」，其数据处理流程为：数据源→摄取→解析→规范化→切分→抽取→冲突检测→去重→知识图谱→本体+推理+来源+决策→增强上下文图谱→存储层。每一层回答不同层面的问题：向量检索回答「什么看起来相似」，上下文图谱回答「什么是相互关联的」，来源追踪回答「这来自哪里」，决策智能回答「我们决定了什么以及为什么」，因果图谱回答「什么影响了什么」，确定性规则回答「哪些策略推导出了这个结果」，时序图谱则回答「在那个时间点上什么是成立的」。

超越GraphRAG：上下文图谱的真正含义

容易将Semantica归入GraphRAG的范畴，但这低估了其设计意图。Semantica的核心抽象是「上下文图谱」——实体、关系、事实、决策、因果链接和时序状态共存于一个可查询的结构中，辅以向量库用于语义召回。这意味着你不再需要在嵌入和图谱之间二选一。更关键的是，Semantica依赖W3C PROV-O做来源追踪、RDF做表示、SPARQL做查询、SHACL做图谱约束、OWL做本体。与最新的Agent SDK相比，这看似有些「复古」，但恰恰是它有用的地方——Agent框架会不断更迭，而审计要求不会。开放标准让记录与模型供应商和当下流行的框架解耦。

核心模块与实际应用

Semantica提供了多个独立模块，涵盖数据摄取、信息抽取、图谱构建、推理引擎、来源追踪、决策智能、本体管理、向量搜索、时序查询、导出和可视化。以决策记录为例，通过record_decision()方法可以显式地对类别、场景、理由、结果、置信度以及与其他决策的关联进行建模，而非将自由形式的推理塞进日志。更进一步，Semantica支持因果关系建模——security_id、selection_id、contract_id这三个决策可以通过add_causal_relationship()建立因果链接，当供应商在下季度安全审查中未通过时，你可以直接追问「哪些后续决策受到了原始选择决策的影响」，而非在海量追踪记录中搜索关键词。 来源追踪模块建立在W3C PROV-O标准之上，采用哈希链式结构记录每条来源的序列ID和前一条目的校验和链接，支持verify_chain()检测历史断裂，并通过invalidate()方法而非硬删除来处理事实失效——这在高风险Agent决策场景中至关重要。推理引擎则内置了前向链推理、Rete算法、Datalog和SPARQL引擎，其核心原则是：不要让LLM

如有侵权，请联系删除。