企业官网建设流程全解析

Semantica 知识图谱：让 AI 决策"可回答为什么"的五大能力域与最短路径

【免费下载链接】semanticaGraph-Native Infrastructure for Context and Accountable AI Systems项目地址: https://gitcode.com/GitHub_Trending/sema/semantica

"为什么"不在模型里，在图里

一家公司的知识通常散落在三种地方：产品文档 PDF、历史决策纪要、数仓里的业务表。当 Agent 要做一个决定——选云厂商、判一单风险——它能调用的往往只是向量检索碰巧命中的几段文本。之后审计员问"系统为什么选了它"，没有人答得上来。

Semantica 补的就是这个缺口：它把"数据"与"决策"的关系，从"向量库里散落着相似片段"，改成"每个事实、每个实体、每条决策都挂在一张图上，互相连着、可以追溯"。它不替代你的 LLM 或向量库，而是垫在下面的一层：构图、推理、溯源全部是确定性的，不用任何模型也能跑，用到 LLM 时也是可选且供应商中立的。

一份文件怎样变成可查询的知识图谱

数据流是一条单向的路：文件、网页、湖仓表、消息流先经统一摄取（Ingest），再解析（Parse）与归一化，随后做实体与关系抽取，最后由 GraphBuilder 组装成图——组装时同步做实体合并、冲突检测、可选的时间标注。图落进两类存储：图数据库（Neo4j、FalkorDB、Oxigraph 等）或内存 NetworkX，向量库则承载语义检索。全程有一个贯穿层在记录"这条信息从哪个源来、置信度多少"。

五个能力关键词，记住名词即可：

• 多源数据摄取
• 语义抽取（实体 / 关系 / 事件）
• 时序知识图谱
• 图存储与向量存储双写
• W3C PROV-O 决策溯源

一句话边界：如果你的场景是"把一批文档变成可查询、可审计的图"，它够用；如果你要的是训练模型本身或纯向量检索引擎，把它当作辅助层，别当主力。

最短路径：从一份 PDF 到看得见的图

安装并确认版本（你会看到 0.7.0 这样的输出）：

pip install semantica python -c "import semantica; print(semantica.__version__)"

加载本地 PDF，走完摄取 → 解析 → 抽取 → 构图 → 可视化的最小闭环（你会得到一个graph.html，浏览器打开后可缩放、点节点看详情、按实体类型过滤）：

from semantica.ingest import FileIngestor from semantica.parse import DocumentParser from semantica.semantic_extract import NERExtractor, RelationExtractor from semantica.kg import GraphBuilder from semantica.visualization import KGVisualizer text = DocumentParser().parse("data/report.pdf")["full_text"] entities = NERExtractor(method="pattern").extract(text) rels = RelationExtractor(method="pattern").extract(text, entities=entities) graph = GraphBuilder(merge_entities=True).build( {"entities": entities, "relationships": rels}) KGVisualizer(layout="force").visualize_network( graph, output="html", file_path="graph.html", node_color_by="type")

注意：当前仓库版本是 v0.7.0，相比 0.6.x 把约 22 个重量级包移入了可选 extras。如果照旧资料跑报"缺依赖"，见下文"意外三"。

三个非直觉的默认选择，值得知道为什么：

• 抽取用pattern而非 LLM：它是规则模板匹配，不需要任何 API Key，"founded by"、"located in" 这类通用关系开箱即有，跑通闭环零成本；复杂文本后面随时切llm模式提精度，两路接口一致。
• merge_entities=True：多文档汇聚时，"Apple"、"Apple Inc."、"AAPL" 会按语义相似度合并成一个节点，否则同一公司在图里会裂成好几座孤岛。
• 默认内存图：进程结束即失，适合实验；生产上给GraphBuilder传一个graph_store参数即可落持久化后端，构图代码不用改。

五大能力域：用到哪个就看哪个

数据接入：数据散在十种格式里时

当源数据横跨本地文件、网页、湖仓表和消息流时，每个源对应一个独立的 ingestor，返回类型各自不同但都带.text/ 结构化记录与.metadata。

进阶指引：完整二十余种源（邮件、Kafka、Git 仓库、MCP 等）见 ingest。

语义抽取：文本变成"节点与边"时

当你要控制"抽什么、用多准"时，抽取器用method参数切换策略，实体类型用entity_types限定，低置信度结果用min_confidence过滤。

进阶指引：事件检测、三元组生成、本体约束校验（SchemaValidator）见 semantic_extract。

图构建与存储：图要"活得久"时

当进程会重启、或多服务要读同一张图时，给 GraphBuilder 传持久化后端即可，上层代码不变。

进阶指引：后端清单与切换方式见 graph_store。

溯源与决策智能：要回答"为什么"时

当每一次 Agent 决策都可能需要向审计方交代时，AgentContext把向量库、图、决策记录绑在一起：事实入库带来源，决策成为一等对象，可查前例、可追因果链。

进阶指引：多 Agent 共享上下文的装配见 context。

下游对接：图要被别的系统"用"时

当图要喂给 Spark、语义网生态或现成的 Agent 框架时，导出器与集成包是即插即用的。

进阶指引：CSV、OWL、Arrow、AQL 等十余种格式见 export。

三域串联的一个真实场景：受监管环境下的"决策审计"——向量库存事实、图存关系、决策追踪留痕，一次 import 全打通（你会拿到可追溯的决策 ID，下次同类决策前可先查前例）：

from semantica.context import AgentContext, ContextGraph from semantica.vector_store import VectorStore ctx = AgentContext(vector_store=VectorStore(backend="faiss", dimension=768), knowledge_graph=ContextGraph(advanced_analytics=True), decision_tracking=True) ctx.store("GPT-4 outperforms GPT-3.5 on reasoning by 40%") did = ctx.record_decision(category="model_selection", scenario="Select LLM", reasoning="Benchmark advantage justifies cost", outcome="selected_gpt4", confidence=0.91) ctx.find_precedents("model selection", limit=5) # 相似历史决策

你会碰到的三个意外，以及已知边界

• 抽取结果空无一物→ PDF 是扫描件，没有文本层 → 换DoclingParser(enable_ocr=True)（需pip install semantica[parse-docling]）。
• 进程一重启图就没了→ 默认内存 NetworkX 不持久 →GraphBuilder(graph_store=GraphStore(backend="neo4j", ...))。
• 报"缺少某某依赖"→ v0.7.0 起 spaCy、plotly、docx 解析等移入可选 extras → 按需装对应 extra，或pip install "semantica[all]"一把装齐。
• pattern 抽取在领域文本上"懂的非它、漏的没漏"→ 内置模板库是通用英文向 → 领域任务改用regex/rules自写模板，或切llm模式后抽样评测。

不回避的局限：pattern抽取器的模板库以英文通用语料为主，中文与强领域文本建议直接上 LLM 模式并留人工抽检；内存图没有规模上限，超大语料要流式摄取（scan_directory逐篇处理）+ 持久化后端；它提供的是系统级可解释性——讲清"喂了什么上下文、触发了什么规则"，模型内部依然不透明。

延伸阅读，按时机取用：

• docs/quickstart.md —— 想按官方节奏再走一遍全流水线、对照自己文档格式时；
• docs/modules.md —— 需要确认"某个功能在哪个模块"、又不想翻源码时；
• docs/choose-your-module.md —— 带着明确目标（比如"建一张时序图谱"）想直接对号入座时。

最后一件事留给读者自己：如果这张图谱要跨机构共享，而每家机构只能看见自己贡献节点的溯源，权限模型该设计在哪一层——导出时裁剪、查询时过滤，还是在图结构上就分区？

【免费下载链接】semanticaGraph-Native Infrastructure for Context and Accountable AI Systems项目地址: https://gitcode.com/GitHub_Trending/sema/semantica