ベクトルデータベースは監査官からエージェントを守れない——Semanticaがこれを解決する方法

現実のシナリオを想像してみてください。金融会社のAIエージェントが、ローン申請を自動的に拒否したり、金利を設定したりしたとします。6ヶ月後、規制当局が現れて簡単な質問をします：「このシステムはどんな根拠でこの判断を下したのですか？」

エージェントがベクトルデータベースと標準的なRAGのみに依存している場合、十分な答えは得られないでしょう。ベクトル埋め込みは意味的類似性に基づいて類似テキストフラグメントを見つけることはできますが、どの事実が互いに矛盾しているのか、モデルがどの過去の判例に依存したのか、この推論連鎖がどのような結果をもたらしたのかについては全く把握していません。

ここにSemanticaフレームワークが登場します。開発者はこれを自律型エージェント向けのPalantirのオープンソース代替として位置づけています。このツールはエージェントフレームワーク、モデル、ベクトルストアの直下に直接統合され、グラフ、ルール、監査の決定論的レイヤーを追加します。

プロジェクト概要とコンセプト

Semanticaはコンテキストグラフの概念を中心に構築されたPythonライブラリ（pip install semantica）です。言語モデルに論理的接続の構築を任せる代わりに、ライブラリ自体が決定論的な作業を引き受けます。ナレッジグラフの構築、ルール実行、LLM監査のトレースにはLLMは一切不要です。

ライブラリのアーキテクチャはデータ処理サイクル全体をカバーしています。データはファイル、Webページ、伝統的なデータベース、DatabricksやSnowflakeなどのエンタープライズプラットフォームから取得されます。生テキストは抽出され、クリーンアップされ、エンティティに基づいてチャンクに分割されます。これらのチャンクから、決定論的推論エンジン（Rete、Datalog、SPARQL）、W3C PROV-O規格、決定ログモジュールに接続するナレッジグラフが形成されます。

フレームワークの主な機能

• 第一級オブジェクトとしての判断。従来のシステムでは、エージェントの判断はログやチャットメモリに記録されます。Semanticaでは、record_decision()を呼び出すとシナリオ、引数、信頼度、メタデータを持つグラフノードが作成されます。判断は因果関係を通じて相互にリンクされます。
• 決定論的推論エンジン。言語モデルは複雑なビジネスルールを計算する際に幻觉に陥りやすいです。このフレームワークにはRete、Datalog、前向き連鎖エンジンが含まれています。コードでルールを定義すると、システムはLLMの関与なしに事実を検証し、透明性のある結果を提供します。
• 競合検出と重複排除。ベクトルインデックスが2つの矛盾する事実を受け取った場合、通常は両方を保存するか、古い方を上書きします。Semanticaはこのような不一致を追跡し、競合をフラグ付けし、解決戦略を提案します：ソース信頼度重み付けから最新の事実選択まで。
• ベンダーロックインなしのストレージ柔軟性。ストレージレイヤーは完全にポリグロットです。SPARQL経由でRDFストア（Oxigraph、Blazegraph、Jena、RDF4J）、またはCypher経由でプロパティグラフ（Neo4j、FalkorDB、Apache AGE、AWS Neptune）と連携できます。Qdrant、Pinecone、Weaviate、pgvectorなどのベクトルデータベースは、コアコードを変更せずに接続できます。

コードでの外観

判断を記録し、その原因を追跡する基本的なシナリオを見てみましょう。

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)

行われた各判断はW3C PROV-O形式でエクスポートされ、金融および医療分野の規制当局が受け入れています。

統合とエコシステム

このライブラリはすぐに使えるデプロイメントツールを提供します：

• 数分でSemanticaをClaude Desktop、Windsurf、Cursor、VS Codeに接続する готовый MCPサーバー。
• マルチエージェントフレームワークAgnoとのネイティブ統合により、複数のエージェントが共通のコンテキストグラフを共有できます。
• FastAPI上のREST APIと、semantica CLIユーティリティ。
• ReactとSigma.jsで構築されたブラウザベースのKnowledge Explorerインターフェースで、グラフ可視化、タイムライントラッキング、手動エンティティ注釈に対応。

このプロジェクト誰が恩恵を受けるか

シンプルなペットプロジェクトやナレッジベースクエリの基本的なチャットボットを構築している場合、Semanticaはオーバースペックです。LangChainやLlamaIndexでの基本的なRAGで十分です。

しかし、金融、法律、医療、サイバーセキュリティ向けのエージェントを構築している場合、このプロジェクトはぜひ探索する価値があります。これらの分野では、完全な判断履歴を表示し、ビジネスルールへの準拠を保証する能力が重要な製品要件となります。