编者摘要：本项目聚焦知识图谱 Agent企业落地，融合图存储、LLM 推理、MCP 工具网关，实现实体抽取、子图检索与多步推理。
极简 Demo 采用内存图谱快速验证链路，可无缝替换 Neo4j、Kuzu 等图库。
横向对标 4 类开源方案：Neo4j+LangGraph 生态成熟，适合复杂业务多跳推理，但运维与授权成本高；Kuzu 嵌入式轻量，单机私有化友好，短板是分布式弱、MCP 原生支持不足；Haystack 以文档 RAG 为主，图谱仅做检索增强，原生图推理能力有限；Ampersand 擅长本体与业务规则约束，LLM Agent 编排薄弱。
企业落地需从四大维度管控：本体设计明确实体、关系、约束与版本；存储选型按节点规模、查询模式选择嵌入式 / 服务化图库；MCP 部署关注网关高可用、鉴权、限流熔断；审计模块全链路记录查询、图谱操作与 LLM 交互日志，满足合规。
风险包含三类：运维上独立图库 DBA 人力成本高，嵌入式方案横向扩容受限；性能上多跳遍历随数据量指数衰减，实体链接错误直接引发推理幻觉；学习曲线陡峭，团队需同时掌握本体建模、图查询、Agent 编排与 MCP 协议。落地优化策略：预计算子图、增加实体置信过滤、封装低代码本体界面，中小场景优先嵌入式图库降低运维负担。
10 个关键问题 Q&A
-
Q：图谱 Agent 相比普通 RAG 核心差异是什么？ A：普通 RAG 基于文档向量检索；图谱 Agent 依靠实体与关系做多跳关系推理，擅长因果、关联类问题。 -
Q：中小私有化项目优先选 Kuzu 还是 Neo4j？ A：中小单机场景优先 Kuzu 嵌入式，省去图库运维；需大规模集群、复杂 Cypher 查询选 Neo4j。 -
Q：MCP 在图谱 Agent 架构里承担什么角色？ A：MCP 网关作为工具调度层，负责注册图谱查询、外部业务工具，支持 Agent 跨工具、跨智能体 A2A 调用。 -
Q：本体设计最容易踩什么坑？ A：过度建模，实体 / 关系定义过细，导致入库复杂、查询缓慢；缺少版本管理，本体变更污染历史数据。 -
Q：图谱 Agent 最主要性能瓶颈在哪？ A：深度多跳遍历，随边数量膨胀延迟上升；LLM 实体抽取错误，带来错误子图检索。 -
Q：Ampersand 适合做图谱 Agent 引擎吗？ A：不适合做 LLM 推理 Agent，优势是业务本体与规则校验，缺少原生图检索和 Agent 编排能力。 -
Q：Haystack 能不能构建多跳图谱推理？ A：可以接入图库做增强检索，但它核心是文档 RAG，原生不面向图上多步关系推理。 -
Q：审计日志需要记录哪些信息？ A：用户 Query、抽取实体、图谱查询语句、LLM 输入输出、图谱读写操作，需做敏感数据脱敏。 -
Q：如何缓解图谱 Agent 幻觉？ A：增加实体链接置信度过滤，限制最大图遍历跳数，校验图谱返回结果，禁止 LLM 编造不存在关系。 -
Q：企业落地第一步先做什么？ A：划定业务域边界，完成最小可用本体设计，先用内存 Demo 验证问答链路，再评估存储与 MCP 部署。
Graph-Native 图原生的 AI 上下文与可审计决策基础设施，开源、自托管，定位为 Agent 时代的知识层，常被类比成开源 Agent 版 Palantir，解决传统 RAG / 向量库只有相似度、缺少语义结构、决策不可追溯的痛点。
一、定位与核心价值
传统 Agent 依赖向量检索：只做 embedding 相似度匹配，没有实体关系、没有来源溯源、决策是黑盒，冲突数据直接覆盖，无法回答 “AI 为什么做出这个决策”。
Semantica 不是替代 LLM，而是LLM/Agent 框架下层的独立语义层：
把多源企业数据构建成 Context Graph（上下文图）+ Knowledge Graph 知识图谱，把每一次 AI 决策变成一等图节点，自带完整审计溯源，推理可以脱离大模型、确定性执行。
适用场景聚焦高合规、高风险领域：金融风控、医疗、法律、政务，也可以作为通用 Agent 共享长期记忆。
二、整体架构（端到端流水线）
数据源 → 摄入 → 解析归一 → 实体感知分块 → 抽取NER/关系/事件 → 冲突检测 & 实体去重 → 知识图谱→ 本体管理 + 推理引擎 + 决策溯源 + 来源溯源 → 混合图存储(RDF+LPG)+向量库 → 可视化/REST/MCP/CLI
模块化组件（可单独引入，按需使用）
三、存储能力：Polyglot 多图混合存储（亮点）
同时支持两类图，代码层统一抽象，后端无缝切换，无厂商锁定
同一个知识图，你可以同时用 SPARQL 查语义规则，Cypher 做图遍历，向量做语义检索。
四、集成能力（MCP 是重点）
-
Agent 框架：LangChain、CrewAI、Agno 原生集成 -
LLM：统一封装 LiteLLM，OpenAI / Anthropic / Gemini / Ollama / DeepSeek 等全部支持，LLM 仅可选组件 - MCP Server
开箱即用 MCP 服务，支持 Claude Desktop、Windsurf、Cline、VS Code 等 MCP 客户端 MCP 暴露工具：实体抽取、记录决策、查询因果链、图查询、导出图谱、先例检索等 -
编辑器插件：Claude Code、Cursor、Windsurf、OpenClaw 插件包 -
REST API + CLI，可直接服务化部署
五、v0.7.0 重大更新（当前主版本）
-
核心包瘦身 4 倍：基础依赖从 44→22 包，重型 NLP / 可视化依赖拆为可选 extra， pip install semantica轻量安装；semantica[all]完整包 -
Python 最低版本提升至 3.10+，移除 3.8/3.9 支持，uv.lock 可复现环境 - 分层社区 GraphRAG
：Louvain/Leiden 多层社区检测 + 社区摘要，全局 + DRIFT 混合检索 -
新增数据源连接器：BigQuery、Redshift、Airflow、jsonl -
模式引导抽取：从数据自动引导生成本体 Schema，Schema 校验抽取结果 -
事实维护系统：信任分层（quarantine/bronze/silver/gold），支持事实撤回、证据支撑管理 -
MCP 新增文档存储、检索工具，修复大量溯源、序列化缺陷 -
SPARQLReasoner 真正执行 SPARQL（之前是空实现） -
安全修复，清理 CVE 漏洞
六、对比传统 RAG / 纯 LLM 记忆
|
|
|
|
|
|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
七、工程与社区状态
-
仓库：semantica-agi/semantica，MIT 协议，可商用、自托管 -
安装： pip install semantica；Docker/K8s 生产部署模板 -
CI：GitHub Action 自动化矩阵测试，跨 Ubuntu/macOS/Windows 多 Python 版本验证 -
提交活跃度：高频迭代，近几天仍在合并 PR（pkupt、Sameer6305 为核心贡献者），模块、MCP、测试、文档持续更新 -
交付物：文档、Cookbook 示例、企业专业服务（私有化部署、SLA）
八、适用边界（哪些场景不适合）
-
轻量小应用、简单问答：太重，直接普通 RAG 足够，不需要本体 + 图引擎全套开销 -
纯非结构化闲聊 Agent：它强项不是对话，是可审计的结构化决策 -
超大超宽原始文档直接灌入：需要做数据治理、本体设计，有一定学习成本
九、总结
Semantica 本质是给 AI Agent 做带审计溯源、确定性规则推理的企业知识底座，GraphRAG 的升级版，不只是检索文档，而是建模实体、关系、事实、决策与因果链路；MCP 支持让它可以直接作为各类 AI 客户端的外部知识与决策审计引擎，在监管强约束场景优势极大。
-
仓库：semantica-agi/semantica，MIT 协议，可商用、自托管 -
安装： pip install semantica；Docker/K8s 生产部署模板 -
CI：GitHub Action 自动化矩阵测试，跨 Ubuntu/macOS/Windows 多 Python 版本验证 -
提交活跃度：高频迭代，近几天仍在合并 PR（pkupt、Sameer6305 为核心贡献者），模块、MCP、测试、文档持续更新 -
交付物：文档、Cookbook 示例、企业专业服务（私有化部署、SLA） record_decision()把决策持久化为图节点 trace_decision_chain()追溯因果链路 find_similar_decisions()检索历史先例 analyze_decision_impact()分析决策下游影响 check_decision_rules()策略规则校验 -
✅ 系统级可解释：不解释 LLM 内部，而是解释喂给 LLM 的上下文、证据来源、决策链路、策略规则，输出符合 W3C PROV-O 标准审计链，可直接交付监管 -
✅ 确定性推理：Rete、Datalog、SPARQL 前向链推理，推理本身不需要 LLM，结果可复现 -
✅ 冲突检测：多源事实冲突标记，不会静默覆盖旧数据，支持事实可信度分层（金 / 银 / 铜 / 隔离） -
✅ 双时态能力：图快照、时间回溯，可查看任意时间点知识库状态 -
轻量小应用、简单问答：太重，直接普通 RAG 足够，不需要本体 + 图引擎全套开销 -
纯非结构化闲聊 Agent：它强项不是对话，是可审计的结构化决策 -
超大超宽原始文档直接灌入：需要做数据治理、本体设计，有一定学习成本 -
核心包瘦身 4 倍：基础依赖从 44→22 包，重型 NLP / 可视化依赖拆为可选 extra， pip install semantica轻量安装；semantica[all]完整包 -
Python 最低版本提升至 3.10+，移除 3.8/3.9 支持，uv.lock 可复现环境 - 分层社区 GraphRAG
Louvain/Leiden 多层社区检测 + 社区摘要，全局 + DRIFT 混合检索 -
新增数据源连接器：BigQuery、Redshift、Airflow、jsonl -
模式引导抽取：从数据自动引导生成本体 Schema，Schema 校验抽取结果 -
事实维护系统：信任分层（quarantine/bronze/silver/gold），支持事实撤回、证据支撑管理 -
MCP 新增文档存储、检索工具，修复大量溯源、序列化缺陷 -
SPARQLReasoner 真正执行 SPARQL（之前是空实现） -
安全修复，清理 CVE 漏洞 -
Agent 框架：LangChain、CrewAI、Agno 原生集成 -
LLM：统一封装 LiteLLM，OpenAI / Anthropic / Gemini / Ollama / DeepSeek 等全部支持，LLM 仅可选组件 - MCP Server
开箱即用 MCP 服务，支持 Claude Desktop、Windsurf、Cline、VS Code 等 MCP 客户端 MCP 暴露工具：实体抽取、记录决策、查询因果链、图查询、导出图谱、先例检索等 -
编辑器插件：Claude Code、Cursor、Windsurf、OpenClaw 插件包 -
REST API + CLI，可直接服务化部署 -
LPG 标签属性图：Neo4j、FalkorDB、Apache AGE、AWS Neptune -
RDF 三元存储：内置 Oxigraph，Blazegraph、Jena、RDF4J -
向量库：FAISS、PgVector、Qdrant、Pinecone 等 - semantica.ingest
多源数据摄入，原生支持 Databricks、Snowflake、SAP、文件、Git、流、MCP - semantica.split
GraphRAG 专属分块，不是简单切文本；感知实体、关系、本体做分块 - semantica.semantic_extract
实体、关系、事件、三元组抽取 - semantica.conflicts / deduplication
事实冲突校验、大规模实体解析、语义去重 - semantica.kg
图谱构建 + 图分析（中心性、社区检测、链路预测） - semantica.reasoning
Rete、Datalog、SPARQL 确定性推理引擎 - semantica.ontology
OWL 本体、SHACL 约束校验、SKOS 词汇管理，可视化本体编辑器 - semantica.provenance
W3C PROV-O 标准，每条事实绑定数据源，全链路血缘 - semantica.context（最核心）
ContextGraph，记录、追踪 AI 决策 - semantica.vector_store
混合检索，向量检索 + 图遍历结合 - semantica.export
RDF/OWL/Cypher/Parquet/JSON-LD 导出 - visualization Explorer
浏览器交互式图谱工作台（React+Sigma.js），支持时间轴回放、本体编辑、实体合并。