Semantica 想做能被审计的 agent 记忆
Semantica 一天涨了 967 星，冲到 GitHub trending 前列，总数 4000。MIT 协议，Python，卖点说得很直：大部分 agent 存的是 embedding 不是 context，而 embedding 是没法出庭作证的。
它到底是什么？是一个坐在模型和向量库下面的确定性层，构建一张真正的图。系统做的每个决策都是一个一等公民节点，挂着 W3C PROV-O 溯源信息，你可以从一个输出倒着走回产生它的事实和规则。推理用前向链、Rete 网络、Datalog 和 SPARQL——推理这一步不带 LLM，这才是关键，因为语言模型生成的解释不叫解释。它做双时间轴事实追踪和时点快照，在矛盾事实污染图之前把它抓出来，同时支持 RDF 三元组库和 Neo4j 这类属性图，还自带 Databricks 和 Snowflake 连接器。
看一眼连接器列表，目标客户就藏不住了：金融、医疗、法律、政府、国防。这些人早晚要向监管解释一个 agent 为什么这么做，而"向量比较近"不是一个答案。
底下的赌注是记忆层会一分为二。模糊召回留在 embedding 里，那本来就是它擅长的；凡是要承重的部分——系统知道什么、什么时候知道的、为什么这么做——迁到结构化可查询的东西里去。今年做 agent 记忆的人都在用很慢的方式发现同一件事，这个项目直接从这里开始。
https://github.com/semantica-agi/semantica
← 返回所有文章
它到底是什么？是一个坐在模型和向量库下面的确定性层，构建一张真正的图。系统做的每个决策都是一个一等公民节点，挂着 W3C PROV-O 溯源信息，你可以从一个输出倒着走回产生它的事实和规则。推理用前向链、Rete 网络、Datalog 和 SPARQL——推理这一步不带 LLM，这才是关键，因为语言模型生成的解释不叫解释。它做双时间轴事实追踪和时点快照，在矛盾事实污染图之前把它抓出来，同时支持 RDF 三元组库和 Neo4j 这类属性图，还自带 Databricks 和 Snowflake 连接器。
看一眼连接器列表，目标客户就藏不住了：金融、医疗、法律、政府、国防。这些人早晚要向监管解释一个 agent 为什么这么做，而"向量比较近"不是一个答案。
底下的赌注是记忆层会一分为二。模糊召回留在 embedding 里，那本来就是它擅长的；凡是要承重的部分——系统知道什么、什么时候知道的、为什么这么做——迁到结构化可查询的东西里去。今年做 agent 记忆的人都在用很慢的方式发现同一件事，这个项目直接从这里开始。
https://github.com/semantica-agi/semantica
评论