第 10 章 · 02 全书回顾：装配一条可信知识管线

第 10 章 · 02 全书回顾：装配一条可信知识管线

本节摘要：全书最后一节。先把十章装配成果沿八段管线串讲一遍——①ingest 25+ 源→②parse+normalize→③split 13 种分块→④conflict+dedup 治理→⑤extract+GraphBuilder★→⑥polyglot 存储（8 向量+4 图库+RDF）→⑦reasoning Rete/Datalog★→⑧context 决策智能★压轴，两根贯穿线是 PROV-O 溯源与双时态；再复盘 Semantica 核心哲学四点（确定性/溯源/可插拔/决策智能）；最后交出下一步清单。不设过渡段，以此为全书收束。

内容来源：全书十章内容总回顾；关键源码坐标 semantica/context/context_graph.py（4260 行）、semantica/reasoning/rete_engine.py、semantica/provenance/、cookbook/。

⚠️ 注意：回顾不是终点——Semantica 约 28.6 万行代码，本教程精读的只是主线。读完本节你获得的是地图与骨架：任何一个未成章的子模块，都应当能被你用"它在八段管线的哪一环、依赖谁、被谁依赖"三问自行拆解。

学习目标

阅读完本节，你应当能够：

1. 不看笔记复述八段管线的输入输出、代表模块与三个高点（③⑤段合并后的图谱构建、⑦推理、⑧决策）。
2. 说出两根贯穿线（PROV-O 溯源、双时态）分别落在哪些模块。
3. 用自己的话讲清 Semantica 四点哲学及每点的源码依据。
4. 给自己的业务定一条装配路线：先跑通什么、再本体化什么、最后接什么。

一、八段管线装配串讲

第 1 章（全貌）给了地图：Semantica——"开源版 Palantir"，位于 LLM 之下的确定性基础设施层；八段管线 Mermaid 图是全书装配图纸；Semantica 编排器与 5 个入口（CLI/server/worker/explorer/mcp）在第 10 章逐一兑现。

① ingest（第 2 章）：25+ 种数据源接入器——文件、网页、数据库、Snowflake、Databricks、Kafka、邮件、Git、HuggingFace、MCP，ingest/ 每源一文件，registry 按名分发，PROV-O 从入口就开始记。② parse+normalize（第 2 章）：文档/结构化/代码/网页/邮件五类解析器；normalize 做文本清洗、实体归一、日期/数字标准化——脏数据不治理，后面全是垃圾进垃圾出。

③ split+extract（第 2、3 章，高点之一）：split 提供 13 种分块，含 GraphRAG 原生的 entity_aware/relation_aware/graph_based/ontology_aware——按语义边界而非字数切；semantic_extract 以 NER/关系/事件/三元组四类抽取器加共指消解，ml/pattern/llm 三方法按名切换（第 8 章 03 节拆的注册表在此显影）。kg 模块的 GraphBuilder 把抽取结果装配成知识图谱，EntityResolver 消解实体，graph_analyzer 补中心性/社区/链接预测。

④ conflict+dedup（第 4 章）：多源必冲突——冲突检测器（1423 行）按来源追踪争议，消解策略可配；deduplication 用阻塞 + 语义相似去重、实体合并。治理的意义在第 9 章显影：SHACL 约束与本体评估的健康分，源头都在这段的干净程度。

⑤ polyglot 存储（第 8 章）：8 种向量库、4 种图库（Neo4j/FalkorDB/Apache AGE/Amazon Neptune）、RDF 三元组库（Oxigraph 内嵌/Blazegraph/Jena/RDF4J），统一门面 + 注册表分发，换后端＝换一行参数；MethodRegistry/PluginRegistry 是可插拔的总机关。

⑦ reasoning（第 5 章，高点之二）：Rete 引擎前向链推理、Datalog（支持自然语言图查询）、SPARQL reasoning、溯因/演绎双推理器，ExplanationGenerator 给出推理路径——全程不调 LLM，同输入必得同结论。第 9 章 query_with_reasoning 的 reasoning_path 正是这条确定性路径在检索端的延伸。

⑧ context 决策智能（第 6 章，全书压轴）：context 模块（1.9 万行）以 ContextGraph（context_graph.py 4260 行） 为核心——record_decision 把 AI 决策连同上下文、置信度、因果链存成图节点；因果追踪、先例语义搜索（第 9 章 HybridSimilarity 支撑）、影响面分析、PolicyEngine 策略门禁、AgentContext/AgentMemory 给 agent 用。贷款审批合规是它的招牌场景：AI 拒了贷款，监管问为什么，证据链拿得出。

两根贯穿线：PROV-O 溯源（第 7 章）——provenance 管理器（1486 行）让每个事实知道来处，审计轨迹可导出监管格式，0.6.5 的 retraction/purge 支撑 GDPR 删除权；双时态——valid time 与 recorded time 独立建模，temporal_query（1765 行）与 Allen 区间代数让"当时法律怎么说"与"我们当时知道什么"成为两种可查询的状态。第 10 章 01 节的 explorer/MCP/CLI/deploy 则是这条管线面向人、agent、编辑器、产线的四个出口。

因果链至此闭合：③的抽取质量决定⑤的图质量，⑤的图质量决定⑦的推理与⑧的先例检索，⑦的确定性让⑧的决策可复现，而⑦⑧的每一步都被贯穿线记档。没有一段是孤岛。

二、Semantica 核心哲学四点

1. 确定性：图谱构建、推理、决策的因果链全部不依赖 LLM——抽取可用 pattern 方法，推理走 Rete/Datalog，同输入必得同输出。在 LLM 动辄幻觉的时代，这是监管级场景（金融合规、司法、医疗）的入场券，也是它与"LangChain 式 LLM 编排"的本质分野。
2. 溯源：PROV-O 全链路——每个事实知道从哪个源的哪一句来，每个推理结论能展示规则链，每个决策能追出因果链；配上双时态，连"知识随时间的变化"本身也是一等公民。可信不是口号，是数据模型。
3. 可插拔：统一抽象接口 × 注册表分发＝不被任何数据库绑架——8 向量库、4 图库、RDF 库一行参数切换，13 种分块、3 种抽取方法、11 种导出同理。Portability 是对抗供应商锁定的工程答案。
4. 决策智能：record_decision 把 AI 的每次决断连同上下文存为图节点，可查询（先例）、可追踪（因果链）、可门禁（PolicyEngine）、可审计（PROV-O）。AI 决策从一次性对话变成组织的可复用资产——这是"决策智能"四个字的分量。

四点互为因果：确定性使决策可复现，溯源使决策可审计，可插拔使体系可迁移，决策智能使前三者产生业务价值。

三、本节要点回顾

1. 八段管线：①ingest 25+ 源→②parse+normalize→③split 13 种分块+extract 三方法→④conflict+dedup→⑤GraphBuilder 装图谱→⑥polyglot 存储（8+4+RDF）→⑦Rete/Datalog 确定性推理→⑧ContextGraph 决策智能压轴。
2. 三个高点：③⑤段的图谱构建（抽取×治理×落库的合力）、⑦的确定性推理（不靠 LLM 的可复现结论）、⑧的决策智能（record_decision 可审计资产）。
3. 两根贯穿线：PROV-O 让每个事实知来处；双时态让"事实何时有效"与"何时被记录"各自可查询。
4. 四点哲学：确定性、溯源、可插拔、决策智能——分别回答可信、审计、迁移、价值四个问题。
5. 生态四出口：explorer 给人、MCP/integrations 给 agent、plugins 给编辑器、CLI/deploy 给产线，全部复用同一套核心 API。

四、下一步学习建议

按投入产出排序的四条路：

1. 无 key 跑通 cookbook 37 册：内存图谱 + FAISS/inmemory 向量库零依赖可跑，intro 21 册按管线序号过一遍，再挑与你业务同段的 advanced（做检索跑 14_Datalog_Style_Reasoning，做决策跑 11_Advanced_Context_Engineering）。动手一次胜过重读十章。
2. 建自己领域的本体：用 OntologyGenerator.generate_from_graph 从你的数据归纳 schema，to_shacl 写三条最痛的质量规则进 CI，add_skos_concept 归并你的同义词——本体是最能沉淀领域理解的一件事。
3. 接 Agent 做记忆：把 AgentContext + ContextGraph 配给你的 agent（原生 API 或经 MCP server/Agno toolkit），decision_tracking=True 打开后，agent 的每个决断自动成为可查先例——这是给 LLM 应用装上"不会失忆且有据可查"的记忆层。
4. 精读 context_graph.py（4260 行）：全书唯一未逐段拆的最大单体，决策图、因果链、影响面分析全在其中；它衔接第 3 章（图结构）、第 5 章（路径）、第 7 章（时态）所有概念，是检验你是否真读懂全书的试金石，也是毕业后自读的最佳第一份材料。

知识基础设施的范式还会演化——GraphRAG 会改名，向量库会换代，agent 框架会轮替——但 Semantica 演示的判断力不会过时：把可信做成数据模型的性质，而不是提示词里的祈求。确定性可复现、事实知来处、后端可替换、决策成资产。愿你装配的每条管线，都经得起监管的那一问："它为什么这么判断？"全书完，后会有期。