GitHub 趋势 · 第 39 期
不调大模型也能推理：1.2 万 star 的 Semantica，把决策做成了图里的一等节点
#决策溯源#知识图谱#确定性推理
这个仓库做的事，和眼下大多数 AI 基础设施是反着的：它不帮你换一个更聪明的模型，而是在模型外面套一层「能查、能解释、能拿去给审计看」的结构层。构图、推理、溯源三件事，它宣称全程不需要调用 LLM；需要用到模型的地方是可选的，而且厂商中立——OpenAI、Anthropic、Gemini 都能换。12,624 颗星，本月涨了 8,849，MIT 许可。
如果你真在生产里跑过 RAG，大概遇到过这个场面：业务方问「这个结论为什么是这么来的」，你只能回答「因为向量相似度最高」。相似度不是理由。向量库里存的是「什么最像」，存不下「什么连着、为什么连、后来又影响了什么」。冲突数据来了是静默覆盖，历史状态想回看只能重新跑一遍，审计要的东西一样都拿不出来。
它把自己放在哪一层
Semantica 的自我定位是 「坐在你的 LLM、向量库和 Agent 框架下面」的语义／上下文层。README 开头那句话写得很直白：「Most AI agents run on embeddings, not meaning: similarity scores with no structure, no relationships, and no way to explain why a result came back.」——多数 AI Agent 跑在词向量上，而不是语义上。
它把你散落的数据拉成一张可查询的 Context Graph 和知识图谱，并且把本体（OWL / SHACL / SKOS）抬到和数据本身同等显眼的地位：一个实体在你的业务里「意味着什么」，它的定义、关系和规则，要像数据一样被显式写出来，而不是藏在一个 1536 维的向量里。
整条流水线在 README 里的原文是这样：
Sources -> Ingest -> Parse -> Normalize -> Split -> Extract -> Conflict Detection -> Deduplication -> Knowledge Graph -> [ Ontology . Reasoning . Provenance . Decisions ] -> Enriched KG -> Vector Store + Polyglot Graph Store (RDF & LPG) -> Export / Visualize / REST . MCP . CLI
注意中间那个方括号：本体、推理、溯源、决策这四件事是叠在知识图谱之上的独立智能层，不是某一家的附属功能。而且它的原生存储是「多语言」的——RDF 三元组库（内置 Oxigraph、Blazegraph、Apache Jena、Eclipse RDF4J）和标签属性图（Neo4j、FalkorDB、Apache AGE、AWS Neptune）都能挂，换后端不用改你的业务代码。
核心能力：九件事，互相咬合
| 能力 | 它到底给了什么 |
|---|---|
| Context Graphs | 把 Agent 知道的、决策过的、推理过的东西做成一张可查询的图 |
| Decision Intelligence | 每个决策都是一个一等对象：可追溯、可按先例检索、有因果连边 |
| AI 治理与本体 | SHACL 约束、冲突检测、合规规则、OWL 生成、SKOS 词表，带可视化编辑器 |
| 完整可审计 | 每一条事实都挂 W3C PROV-O 溯源，可导出 JSON / CSV / RDF |
| 确定性推理 | 前向链接、Rete 网络、Datalog、SPARQL，路径完全可解释，不是黑盒 |
| 知识流水线 | 多源接入、实体感知分块、NER／关系／事件抽取、构图，语义去重 + 保留溯源的合并 |
| 企业数据平台 | 原生接 Databricks（Unity Catalog + Delta Lake）、Snowflake、SAP OData，不用先导出 CSV |
| 图分析 | 中心性、社区发现、链路预测、最短路径 |
| 多语言图存储 | RDF 与 LPG 双栈可切换，外加向量库，全部可替换 |
它和向量库的关系，README 里用一张表说得比较克制——我把关键几行摘出来，因为这几行恰好说明了「为什么现在不是把所有东西都塞进向量库」这个争论的实际边界：
| 向量库 + RAG | 纯 LLM 记忆 | Semantica | |
|---|---|---|---|
| 召回方式 | 向量相似度 | Token 窗口 | 图遍历 + 语义检索 |
| 决策历史 | 不存 | 不存 | 一等可查询对象 |
| 溯源 | 无 | 无 | W3C PROV-O，链回源文件 |
| 推理 | 无 | 黑盒 | 前向链、Rete、Datalog、SPARQL |
| 冲突处理 | 静默覆盖 | 静默覆盖 | 检出、标记、按策略消解 |
| 时间旅行 | 不支持 | 不支持 | 按时间点的图快照 |
| 合规导出 | 无 | 无 | PROV-O、SHACL、OWL、RDF |
它自己也说了不打算取代谁：「Semantica complements your existing stack rather than replacing it.」LLM、向量库、Agent 框架都留着，它只往上加决策记录、因果推理、溯源、本体治理、冲突检测和审计链。
动手：三条命令就能看见东西
核心包只带 22 个依赖，重依赖都拆成了 extras。README 的安装原文：
pip install semantica # lightweight core (22 essential dependencies) pip install "semantica[all]" # full bundled behavior with all extras
装完先自检，再跑一次决策记录——这是 README 的 Quick Start 原文：
semantica doctor
from semantica.context import ContextGraph
graph = ContextGraph(advanced_analytics=True)
# Every agent decision becomes a queryable, auditable knowledge node
decision_id = graph.record_decision(
category="vendor_selection",
scenario="Choose cloud provider for HIPAA workload",
reasoning="AWS offers BAA, mature HIPAA tooling, and existing team expertise",
outcome="selected_aws",
confidence=0.93,
)
# Ask "why did this happen?" and get a real, structured answer
chain = graph.trace_decision_chain(decision_id) # full causal ancestry
similar = graph.find_similar_decisions("cloud vendor", max_results=5)
impact = graph.analyze_decision_impact(decision_id) # downstream influence map
compliant = graph.check_decision_rules({"category": "vendor_selection"})想看图就直接起浏览器工作台（不需要 Node.js）：
pip install "semantica[explorer]" semantica-explorer --graph my_graph.json # Dashboard opens at http://127.0.0.1:8000
要接进 Agent 客户端，它给的是标准 MCP：
python -m semantica.mcp_server # or via the installed entry point semantica-mcp
编辑器侧的原生插件覆盖 Claude Code、Cursor、Codex CLI、Windsurf、Cline、Continue、VS Code、OpenClaw；Agent 框架侧 Agno、CrewAI、LangChain 是一等集成，分别是 pip install semantica[agno] / [crewai] / [langchain]。
顺带说个稀罕事：根目录躺着一份 GROWTH.md
翻根目录文件清单的时候看到一个不该出现在技术仓库里的文件名：GROWTH.md，标题是 Growth & Distribution Playbook。点进去读完，我改了对这个项目的看法。
它开头写的北极星指标就不是下载量：「North star: 10,000 developers who actually use Semantica in real projects，not a raw PyPI download number. Downloads are a lagging indicator of distribution, not a target to optimize directly.」
然后是一节 Guardrails——「不要做这些事」，原文：
「No fake/looping CI jobs that repeatedly pip install semantica purely to inflate the graph. It's detectable, it produces zero real users, and it damages credibility with anyone doing diligence (investors, enterprise buyers, security reviewers).」
「No package-splitting purely to multiply install counts.」
「No meaningless Docker pulls or notebook launches with no real content behind them.」
这份文档是把「怎么涨星」这件通常只在私下聊的事，连同漏斗（stars → 网站访问 → PyPI 安装 → 周活 → 生产部署 → 企业客户）和一张 30 天冲刺表一起公开贴在仓库里，表里每一项还标了做没做完（GitHub Actions composite action 和 OpenSSF Scorecard 已经打勾）。最后还有一句很实在的自我提醒：别只看 PyPI 原始下载数，要用下载分析工具把 CI／机器人流量和真实安装拆开。
我不觉得这是抹黑材料。反过来——一个项目把自己的分发打法写出来、还写明哪些手段是脏的不能用，这在开源里是稀缺的。它同时也解释了这类仓库的 star 曲线为什么陡：star 是被运营出来的，不等于使用基数。看任何新项目，这两件事都要分开看。
我的判断：适合谁、不适合谁、坑在哪
适合谁——
- ▪要把 AI 决策交给外部审计的团队：金融、医疗、法务、政务。它给的不是日志，是 W3C PROV-O 格式的溯源链。
- ▪数据已经在 Databricks / Snowflake / SAP 里的企业数据团队：原生连接器，不用先导 CSV 出来再进图。
- ▪想做 GraphRAG 但不想被单一图数据库绑死的工程团队：RDF 与 LPG 双栈可切换。
- ▪需要「同一份上下文被多个 Agent 共享」的多 Agent 场景，Agno 那边有一等集成。
不适合谁——
- ▪只想给聊天机器人加个记忆的用户。它的抽象层级高太多，直接上会过重。
- ▪指望「装上就变聪明」的场景。它明确不解释模型内部，只解释模型外面发生了什么。
- ▪需要开箱即用 SaaS 的团队。它给的是自托管基础设施，生产环境要求你自己配持久化图库与向量库。
坑，都有原文出处——
- ▪推理引擎这一版故意做得简单。README 在 Rete 示例下面自己写了：「Current limitation: ReteEngine's alpha-node condition matcher is intentionally simple in this release — validate match_patterns() output against your actual rule set before wiring it into a production compliance gate」。一个主打合规的产品主动标注这条，值得记一笔，也意味着别直接把它接到你的合规闸门上。
- ▪定位边界要看清。README 有一个 NOTE 明确划线：「System-level explainability, not foundation-model explainability」——它不暴露也不重建 LLM 内部发生了什么，只解释喂进去的上下文、产出的决策、溯源、相关政策与执行链。别把它当模型可解释性工具买。
- ▪MIT 是核心的 MIT，不是全部的 MIT。根目录 License 是标准 MIT 原文、无任何追加限制、可商用；但 README 里有独立的 Enterprise 段落（本地部署、私有云、定制域名、SLA 支持、受监管行业专业服务），并指向 getsemantica.ai 拿报价。典型开源核心 + 商业服务模型，开源部分不缩水，但企业功能不在开源盘子里。
- ▪性能数字要打折看。那张「118,000 节点图上 6,000× 提速」的表下面，README 自己注明部分数字「are historical measurements recorded in CHANGELOG.md rather than an automated tests/ assertion」，并且让你自己跑 benchmark 验证。
- ▪依赖分层是双刃剑。核心只 22 个依赖确实轻，但文档解析、本地嵌入、可视化、各类图库连接器全在 extras 里，装漏一个就是运行时报错而不是安装时报错。生产环境官方建议直接上 Docker / Kubernetes。
- ▪Python 版本口径有两处：README 徽章写 3.8+，而同页说的 install matrix 每周实测的是 3.9–3.12。以实测矩阵为准。
- ▪star 与关注度比例悬殊：12,624 star 对 66 个 watcher、111 个 open issue。配合上面那份 GROWTH.md，你应该默认这条 star 曲线里有相当比例的曝光加成。
一句话结论：如果你在做的东西需要回答「AI 为什么这么判」，而不是「AI 判得像不像」，这个仓库值得花一个小时跑通它的 Quick Start，而且它便宜——MIT，可商用，核心 22 个依赖。但先别把 Rete 接到合规闸门上，作者自己都说了这版匹配器是简版。
项目地址：https://github.com/semantica-agi/semantica
官网：https://getsemantica.ai/ ｜ 文档：https://docs.getsemantica.ai/
许可：MIT License（Copyright (c) 2026 Semantica，标准原文，无追加条款，可商用）
语言：Python ｜ 首次提交：2025-06-25 ｜ 最近推送：2026-09-10 ｜ 最新版本：v0.6.8（2026-09-05，非预发布）
仓库数据：12,624 star · 1,414 fork · 66 watcher · 111 open issue ｜ 默认分支：main
榜单数据：GitHub Trending 月度榜 12,625 star，本月 +8,849（榜单为抓取时刻快照，与 API 存在微小漂移）
数据来源：GitHub Trending 官方页面 + GitHub REST API + 仓库 README / LICENSE / GROWTH.md 原文 · 抓取时间：2026-09-11 13:20
你现在的 Agent 记忆是怎么存的？向量库、还是干脆一把塞进上下文窗口里？留言说说你踩过的坑，我会挑有意思的在下期展开。
下期写 cactus-compute/needle（10,782 star，本月 +7,395）：一个 14MB 的基础模型，目标是手机、可穿戴、智能家居和机器人。备选是 xai-org/x-algorithm（33,083 star，本月 +6,248）——X 那个 For You 信息流的推荐算法。如果这两个核实下来撑不起一期，我会换月榜下一个高动量项目，绝不硬写。
#决策溯源#知识图谱#确定性推理