Semantica 术语全解析：Graph-Native 可审计 AI 系统的核心概念、数据管道与标准体系-开发者社区

Semantica 术语全解析：Graph-Native 可审计 AI 系统的核心概念、数据管道与标准体系

【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

本篇指南以 Semantica 官方术语表为骨架，系统梳理该项目在上下文图谱（Context Graph）、知识图谱构建、时序推理、本体工程与数据质量等方向的全部核心概念。通过结合仓库源码与测试验证每个术语的真实落点，读者读完将掌握：如何用record_decision()记录可审计的 Agent 决策、六种推理引擎如何协同工作、valid_from/valid_until时序窗口如何支持时间点查询，以及 RDF/OWL/SHACL/SPARQL 等 W3C 标准在 Semantica 中的具体实现位置。

术语表定位：一份可检索的"概念-代码"对照索引

glossary.md 是 Semantica 文档体系中的速查字典，覆盖项目文档与代码库中出现的每一个概念、数据结构、算法与标准。全文按 12 个主题域组织，既包含面向 AI 系统的抽象概念（Agent、决策、因果链），也包含数据管道环节（摄取、解析、归一化、分块），还涵盖图存储、查询语言、本体标准与安全术语。建议阅读时配合核心概念、模块指南与 API 参考获得带代码示例的深入讲解，本文则在此基础上补充源码级证据，使每个术语都能"按图索骥"定位到具体实现。

核心概念：Agent 可审计性的四块基石

Agent（智能体）被定义为"能够感知环境、推理信息并采取行动达成目标的自主 AI 系统"。在 Semantica 中，Agent 的知识图谱被用作结构化记忆与上下文，且每一次决策都被记录为一等公民对象——这正是项目定位 "Graph-Native Infrastructure for Context and Accountable AI Systems" 的落点。

Decision（决策）是理解 Semantica 的关键入口。它是一个一等公民对象，包含类别（category）、场景（scenario）、推理过程（reasoning）、结果（outcome）、置信度（confidence）、因果链与来源溯源（provenance）。其写入路径在 agent_context.py 中实现：

decision_id = context.record_decision( category="approval", # 决策类别 scenario="grant_access", # 决策场景 reasoning="...", # 推理过程说明 outcome="approved", # 决策结果 confidence=0.92, # 置信度（0-1） entities=["user_42"], # 关联实体 ID 列表 decision_maker="ai_agent", # 决策主体标识，默认 "ai_agent" valid_from="2026-01-01", # 决策有效起始时间（可选） valid_until="2026-12-31", # 决策有效截止时间（可选） )

从源码可见，record_decision支持graph_store与knowledge_graph两种后端：前者将决策交给DecisionRecorder持久化，并可通过cross_system_context捕获跨系统上下文；后者则委托给ContextGraph。配套的find_precedents()（agent_context.py）支持混合检索、多跳推理（max_hops）与as_of时间点回溯，用于查找历史相似决策。

Context Graph（上下文图谱）是semantica.context的核心数据结构——一张持久化、可查询的图，记录 Agent 所知、所决策、所推理的一切：实体、关系、决策及其因果链接。Entity（实体）是图中的节点，带有类型化属性与来源溯源记录；Relationship（关系）是两个实体间的有向、类型化连接（如works_for、located_in、founded_by），承载置信度与指向源文档的溯源。

Knowledge Graph（知识图谱）与扁平向量存储的本质区别在于：KG 通过节点与边实现推理、查询、语义搜索与可追溯推断。Semantic（语义）则强调超越关键词匹配、理解文本"含义"的能力——这正是后续 GraphRAG 与语义检索的理论基础。

数据处理管道：从原始输入到可抽取的干净文本

每个 Semantica 管道都以Ingestion（摄取）为第一站：将文件、数据库、API、流等外部来源的数据统一装载为SourceDocument。仓库中对应semantica/ingest模块，包含 20+ 摄取器（文件、数据库、Mongo、DuckDB、Snowflake、Salesforce、Web 等）。

Parsing（解析）从 PDF、Word、HTML、PPTX 等非结构化或半结构化文档中抽取结构化文本、版式与元数据。DoclingParser（docling_parser.py）额外处理多栏布局、合并单元格表格与 OCR。

Normalization（归一化）将数据标准化为一致规范形式：日期转 ISO 格式、实体名规范化、编码修复、噪声剥离，确保下游抽取基于干净一致的文本工作（对应 normalize 模块的DateNormalizer、TextNormalizer、EntityNormalizer等）。

Chunking（分块）在保留语义上下文的前提下切分大文档。Semantica 支持递归、语义边界、实体感知、关系感知、滑动窗口、结构化与表格感知共 7 种分块策略（split 模块的SemanticChunker、SlidingWindowChunker、StructuralChunker、TableChunker、KgChunkers等）。

人工智能能力：六种推理引擎与 GraphRAG

Inference（推断）指从既有知识出发、借助逻辑规则推导新事实——被推导的事实并不显式存在于源数据中。Semantica 在 reasoning 模块中实现了六种推理引擎（见 reasoning.md）：前向链推理、Rete、SPARQL、Datalog、时序推理，以及 LLM 驱动的GraphReasoner。

Datalog是一种面向知识库查询的声明式逻辑编程语言。DatalogReasoner（datalog_reasoner.py）采用自底向上的半朴素（semi-naive）不动点求值，支持递归 Horn 子句规则，并在有限图上保证终止（v0.4.0 引入）。源码中的数据结构包括：DatalogFact（ground fact，谓词+参数元组）、BodyAtom（规则体中的谓词条件）、DatalogRule（Horn 子句规则）；add_fact()同时接受"parent(tom, bob)"字符串与标准 Semantica 字典两种事实格式。

Abductive Reasoning（溯因推理）是对观测事实给出"最合理解释"的推断，由AbductiveReasoner（abductive_reasoner.py）实现，是六种引擎中返回最可能假设的一种。此外DeductiveReasoner（演绎）、SPARQLReasoner（sparql_reasoner.py，基于 SPARQL 的查询式推理）与TemporalReasoningEngine（时序推理）共同构成完整推理家族。

RAG（检索增强生成）通过在生成前检索知识库中的相关上下文来增强 LLM 输出；GraphRAG（图谱增强 RAG）进一步将向量相似检索与图谱遍历结合：每条 LLM 响应都锚定在结构化图上下文中，每个论断可追溯至源节点，从而消除无来源归属的幻觉。相关实践见 graphrag 指南。

LLM（大语言模型）方面，Semantica 集成 8+ 家 LLM 提供商（OpenAI、Anthropic、Gemini、DeepSeek、Groq、Ollama、HuggingFace、Novita 等，见 llms 模块），用于实体抽取、关系抽取与推理。

知识图谱组件：节点、边、三元组与双时态事实

Node（节点）是表示实体或概念的顶点，携带类型化属性、置信度与指向源文档的溯源；Edge（边）是两个节点间的有向连接，表示类型化关系，携带类型、置信度与溯源元数据；Property（属性）是实体或关系的特征（名称、日期、URI、置信度、源 URL）；Triplet（三元组）是知识的原子单元(subject, predicate, object)——如(Apple_Inc, founded_by, Steve_Jobs)，是 RDF 与 SPARQL 存储的构建块。

Temporal Graph（时序图）让节点与边携带valid_from/valid_until时间窗口，支持时间点查询与历史状态重建。底层实现中，TemporalBound枚举提供开放区间哨兵值，BiTemporalFact（temporal_model.py）封装valid_from、valid_until、recorded_at、superseded_at四个时间维度，并提供from_relationship()工厂方法从关系字典构建事实。

BiTemporalFact（双时态事实）拥有两个独立时间维度：有效时间（valid time，事实在世界中为真的时间）与事务时间（transaction time，事实在系统中被记录的时间），为缓慢变化数据提供完整审计轨迹。时序查询由TemporalGraphQuery（temporal_query.py）承载，其公开方法包括：query_at_time()（时间点快照）、reconstruct_at_time()（历史状态重建）、validate_temporal_consistency()、query_time_range()（区间查询）、query_temporal_pattern()（序列/周期模式检测）、analyze_evolution()（演化分析）与find_temporal_paths()（带时序有效性约束的 BFS 路径查找）。

Allen Interval Algebra（艾伦区间代数）提供 13 种关系描述两个时间区间的相对位置（before、after、meets、overlaps、during、starts、finishes、equals 及其逆关系）。在TemporalKnowledgeGraph（v0.4.0 起）中受支持，IntervalRelation枚举与TemporalReasoningEngine完整实现了全部 13 种关系（temporal_reasoning.py），详见时序能力参考。

实体识别与抽取：NER 的三种模式

NER（命名实体识别）将命名实体分类到预定义类别（人物、组织、地点、日期、产品及自定义类型）。从 ner_extractor.py 源码看，其配置支持三种模式：

pattern（基于模式）：基于简单正则的模式匹配；
ML（基于机器学习）：spaCy 的 CNN/Transformer 模型；
LLM（基于大模型）：利用 LLM 进行实体识别。

此外还有regex高级正则与huggingface自定义模型两种变体。Coreference Resolution（共指消解）判断文本中多个表述是否指向同一实体（如 "Apple" 与 "the company" 都指 Apple Inc.），由CoreferenceResolver（coreference_resolver.py）实现；Event Detection（事件检测）识别并分类文本中的事件（收购、合作、产品发布、监管决策），由EventDetector（event_detector.py）实现；Entity Resolution（实体消解）判断跨文档的实体提及是否指向同一真实世界实体，亦称实体链接或去重，使用相似度评分、分块（blocking）与语义嵌入；Relationship Extraction（关系抽取）从原始文本中抽取实体间的类型化语义关系（如(Google, acquired, DeepMind)）。

本体与模式：从 OWL 到 SHACL 的标准闭环

Ontology（本体）是领域概念、关系与约束的形式化规范，通常以 OWL 表达。Semantica 既可从知识图谱自动生成本体，也可导入既有 OWL/RDF/Turtle 文件（ontology 模块提供OntologyGenerator、OWLGenerator、OntologyValidator等 20+ 组件）。Class（类）是本体中的实体类别（Person、Organization、Location），构成层级并由 SHACL 校验约束；Axiom（公理）是本体中视为真的陈述，用于定义逻辑约束（如"每个 Person 必须有名字"、"Organization 任一时刻至多一个 CEO"）。

OWL（Web 本体语言）是 W3C 定义与实例化本体的标准语言，Semantica 可生成、导入与导出 OWL 本体；SHACL（形状约束语言）是 W3C 校验 RDF 图的标准，Semantica 从本体自动生成 SHACL 形状并据此校验图（见 shacl-validation 指南）；SKOS（简单知识组织系统）是 W3C 表示受控词表、分类法与叙词表的标准，用于领域词汇管理（utils/skos.py）。

Ontology Hub是 v0.5.0 引入的本体全生命周期可视化浏览器 UI，提供可视化类编辑器、SHACL Studio、对齐创作、健康度仪表盘与版本化差异对比。

存储与检索：图数据库与向量存储的双轨架构

Embedding（嵌入）是将文本、图像等数据映射到连续语义空间中的稠密数值向量，语义相近的实体向量距离更近，支撑相似检索与语义匹配。Vector Store（向量存储）专为按相似度存储与检索高维嵌入向量而设计，Semantica 支持 FAISS、Pinecone、Weaviate、Qdrant、Milvus 与 PgVector（pgvector 说明）。Hybrid Search（混合检索）将向量相似检索与关键词/元数据过滤结合，精度优于单一方法——对应find_precedents中use_hybrid_search参数的默认开启。

Graph Database（图数据库）以节点与边为原语优化图数据的存储与查询。从 graph_store.py 可见，后端工厂按backend_type动态装配：Neo4j（neo4j_store.py）、FalkorDB（falkordb_store.py）、Apache AGE（age_store.py，见 apache_age 文档）与 Amazon Neptune（amazon_neptune.py）。

Triplet Store（三元组存储）专为存储与查询 RDF 三元组设计，支持嵌入式 Oxigraph（oxigraph_store.py）以及 Blazegraph、Apache Jena、RDF4J、Anzo 等远程后端（triplet_store 模块，含BulkLoader批量装载与QueryEngine查询引擎）。

图分析：中心性、社区发现与距离智能

Centrality（中心性）度量节点在图中的重要性：PageRank 基于入链结构、betweenness 识别桥接节点、closeness 度量到所有其他节点的平均距离，实现见 centrality_calculator.py。Community Detection（社区发现）识别内部链接密集、外部链接稀疏的节点簇，用于发现主题社区、欺诈环与组织集群（community_detector.py）。PageRank最初为网页设计，但适用于任意有向图。

Distance Intelligence（距离智能）是 v0.5.0 的语义邻域探索功能，包含 N×N 距离矩阵、以单实体为中心的 ego 模式可视化，以及基于嵌入距离阈值的Distance Band（距离带）分类——将节点相对目标的语义邻近度划分为near（近）、mid（中）、far（远）三档，相关导出与分析方法见 distance 参考。

查询语言与标准：Cypher、RDF、SPARQL 与 Datalog

Cypher是 Neo4j 与 FalkorDB 使用的声明式图查询语言，相当于关系数据库的 SQL；RDF（资源描述框架）是 W3C 以 subject-predicate-object 三元组表示信息的标准，是语义网与 Semantica 三元组存储的基础；SPARQL是 W3C 的 RDF 查询语言，SPARQLReasoner用它执行基于查询的推理；Datalog是 Prolog 的子集，DatalogReasoner支持递归 Horn 子句规则，并通过自底向上半朴素不动点求值保证有限图上的终止（v0.4.0 起）。

数据质量：冲突消解、溯源与去重

Conflict Resolution（冲突消解）处理同一知识图谱中来自多源事实的矛盾：ConflictDetector（conflict_detector.py）负责暴露冲突，消解策略包括 prefer-most-recent（取最新）、prefer-most-reliable（取最可靠）、majority-vote（多数表决）与 flag-for-review（标记人工复核），详见 conflict-resolution 指南。

Data Provenance（数据溯源）完整记录每个事实的来源、历史与谱系（源文档、抽取方法、时间戳、置信度），在 Semantica 中遵循W3C PROV-O标准，跨模块追踪谱系，适用于 HIPAA、SOX、GDPR 与 FDA 21 CFR Part 11 合规场景（provenance 模块及 provenance 指南）。

Deduplication（去重）识别并合并重复实体记录，v2 策略（blocking_v2、hybrid_v2、semantic_v2）相对 v1 最高提速 7 倍（该数据来自术语表陈述，实现见 deduplication 模块的DuplicateDetector、EntityMerger、SimilarityCalculator等组件及去重指南）。

安全术语：SSRF 与 XXE 的防御实现

SSRF（服务端请求伪造）是诱导服务器向非预期目标发起请求的漏洞。Semantica 在构造时校验 LLM 网关配置中的base_url以阻断 SSRF（ssrf.py 提供了 URL 校验实现）。XXE（XML 外部实体）是允许攻击者读取任意文件或触发 SSRF 的 XML 解析器漏洞，v0.5.0 的XMLIngestor（xml_ingestor.py）使用 XXE 安全的 lxml 后端规避此风险。两者共同体现项目将安全机制内建于数据接入层的设计取向。