Warum Vektordatenbanken Agenten nicht vor Prüfern schützen und wie Semantica dies löst

Stellen Sie sich ein reales Szenario vor. Ein KI-Agent in einem Finanzunternehmen lehnt automatisch einen Kreditantrag ab oder legt einen Zinssatz fest. Sechs Monate später erscheint ein Regulierer und stellt eine einfache Frage: „Auf welcher Grundlage hat das System diese Entscheidung getroffen?"

Wenn Ihr Agent sich ausschließlich auf eine Vektordatenbank und Standard-RAG verlässt, werden Sie keine adäquate Antwort haben. Vektor-Embeddings können ähnliche Textfragmente auf Basis semantischer Ähnlichkeit finden. Aber sie haben keine Ahnung, welche Fakten einander widersprechen, auf welche früheren Präzedenzfälle das Modell sich verlassen hat und zu welchen Konsequenzen diese Kette der Argumentation geführt hat.

Hier kommt das Semantica-Framework ins Spiel. Die Entwickler positionieren es als Open-Source-Alternative zu Palantir für autonome Agenten. Das Tool integriert sich direkt unter Ihr Agent-Framework, Ihr Modell und Ihren Vektorspeicher und fügt eine deterministische Schicht aus Graphen, Regeln und Audit hinzu.

Projektübersicht und Konzept

Semantica ist eine Python-Bibliothek (pip install semantica), die um das Konzept der Context Graphs aufgebaut ist. Anstatt sich auf ein Sprachmodell zu verlassen, um logische Verbindungen herzustellen, übernimmt die Bibliothek diese deterministische Arbeit selbst. Einen Wissensgraphen aufbauen, Regeln ausführen oder ein LLM-Audit verfolgen erfordert überhaupt kein LLM.

Die Bibliotheksarchitektur deckt den vollständigen Datenverarbeitungszyklus ab. Daten stammen aus Dateien, Webseiten, traditionellen Datenbanken und Enterprise-Plattformen wie Databricks und Snowflake. Roher Text wird extrahiert, bereinigt und basierend auf Entitäten in Chunks aufgeteilt. Aus diesen Chunks entsteht ein Wissensgraph, der sich mit deterministischen Inferenz-Engines (Rete, Datalog, SPARQL), W3C PROV-O-Standards und Entscheidungsprotokollierungsmodulen verbindet.

Hauptfunktionen des Frameworks

• Entscheidungen als Objekte erster Klasse. In konventionellen Systemen landen Agentenentscheidungen in Logs oder Chat-Speicher. In Semantica erstellt der Aufruf von record_decision() einen Graphenknoten mit Szenario, Argumenten, Konfidenz und Metadaten. Entscheidungen werden durch kausale Beziehungen miteinander verknüpft.
• Deterministische Reasoning-Engines. Sprachmodelle neigen zu Halluzinationen bei der Berechnung komplexer Geschäftsregeln. Das Framework enthält Rete-, Datalog- und Forward-Chaining-Engines. Sie definieren Regeln im Code, und das System verifiziert Fakten ohne LLM-Beteiligung und liefert transparente Ergebnisse.
• Konflikterkennung und Deduplizierung. Wenn ein Vektorindex zwei widersprüchliche Fakten erhält, speichert er typischerweise beide oder überschreibt das alte. Semantica verfolgt solche Diskrepanzen, markiert Konflikte und schlägt Auflösungsstrategien vor: von Quellvertrauensgewichtung bis zur Auswahl des neuesten Fakt.
• Speicherflexibilität ohne Vendor Lock-in. Die Speicherschicht ist vollständig polyglott. Sie können mit RDF-Stores (Oxigraph, Blazegraph, Jena, RDF4J) über SPARQL oder Property Graphs (Neo4j, FalkorDB, Apache AGE, AWS Neptune) über Cypher arbeiten. Vektordatenbanken wie Qdrant, Pinecone, Weaviate oder pgvector verbinden sich ohne Änderung am Kerncode.

Wie es im Code aussieht

Betrachten wir ein grundlegendes Szenario zur Aufzeichnung einer Entscheidung und Verfolgung ihrer Ursachen.

from semantica.context import ContextGraph

graph = ContextGraph(advanced_analytics=True)

# Регистрируем решение о согласовании заявки
app_id = graph.record_decision(
    category="credit_application",
    scenario="Персональный кредит, доход 150k, DTI 31%",
    reasoning="Доход соответствует порогу, стабильный стаж работы",
    outcome="proceed_to_underwriting",
    confidence=0.88,
    metadata={"applicant_id": "A-7291"}
)

# Следующий шаг андеррайтинга
uw_id = graph.record_decision(
    category="loan_underwriting",
    scenario="Проверка андеррайтером для A-7291",
    reasoning="DTI в пределах нормы, чистая кредитная история",
    outcome="approved",
    confidence=0.94
)

# Связываем решения причиной и следствием
graph.add_causal_relationship(app_id, uw_id, relationship_type="CAUSED")

# Получаем всю цепочку для проверки или аудита
chain = graph.trace_decision_chain(uw_id)
similar = graph.find_similar_decisions("кредит с низким DTI", max_results=5)

Jede getroffene Entscheidung wird im W3C PROV-O-Format exportiert, das Regulierer in Finanz- und Medizinsektoren akzeptieren.

Integrationen und Ökosystem

Die Bibliothek bietet einsatzbereite Deployment-Tools:

• Ein fertiger MCP-Server, der Semantica in wenigen Minuten mit Claude Desktop, Windsurf, Cursor oder VS Code verbindet.
• Native Integration mit dem Multi-Agent-Framework Agno, das mehreren Agenten ermöglicht, einen gemeinsamen Context Graph zu teilen.
• REST-API auf FastAPI und das semantica CLI-Tool für die Kommandozeile.
• Eine browserbasierte Knowledge Explorer-Oberfläche, aufgebaut auf React und Sigma.js zur Graphvisualisierung, Zeitleistenverfolgung und manuellen Entitätsannotation.

Wer von diesem Projekt profitieren wird

Wenn Sie ein einfaches Hobbyprojekt oder einen einfachen Chatbot für Wissensdatenbankabfragen erstellen, wäre Semantica Overkill. Basis-RAG auf LangChain oder LlamaIndex wäre hier ausreichend.

Aber das Projekt lohnt definitiv eine Erkundung, wenn Sie Agenten für den Finanzsektor, Recht, Medizin oder Cybersicherheit erstellen. In diesen Bereichen wird die Fähigkeit, eine vollständige Entscheidungshistorie zu zeigen und die Einhaltung von Geschäftsregeln zu garantieren, zu einer kritischen Produktanforderung.