Semantica는 AI 에이전트에 연결하는 플러그인 모음보다, 에이전트가 기억하고 추론하는 바닥을 다시 설계하려는 프로젝트에 가깝다. semantica-agi/semantica의 README는 원천 데이터를 받아 엔터티와 관계를 추출하고, Context Graph와 지식 그래프를 만든 뒤, 그 위에서 분석과 인과 추론을 수행하는 흐름을 제시한다.
이때 그래프 구성과 추론, provenance에 LLM이 꼭 필요하지 않다는 점이 중요하다. Forward chaining, Rete network, Datalog, SPARQL을 사용해 결과에 도달한 경로를 남기고, 결정은 단순한 로그가 아니라 조회 가능한 객체로 저장한다. 각 사실에는 W3C PROV-O provenance를 붙이며 감사 기록은 JSON, CSV, RDF로 내보낼 수 있다.
문제의식은 규제 산업에서 특히 현실적이다. 대출 심사 에이전트가 승인한 이유를 몇 달 뒤 설명해야 한다면, 비슷한 문서를 검색했다는 기록만으로는 부족하다. 어떤 데이터가 사용됐고, 어떤 규칙이 적용됐으며, 어떤 선례와 연결됐는지 다시 확인할 수 있어야 한다. Semantica는 그 설명을 그래프 구조 안에 넣으려 한다.
데이터 연결 방식도 눈여겨볼 만하다. Databricks Unity Catalog와 Delta Lake, Snowflake의 warehouse·database·schema를 연결해 기존 테이블을 provenance가 있는 그래프 노드로 바꾸는 기능을 내세운다. RDF 저장소와 Neo4j, FalkorDB, Apache AGE, AWS Neptune 같은 LPG 계층을 선택할 수 있어 특정 그래프 백엔드에 묶이지 않는 구성을 지향한다.
하지만 선택지가 많은 것이 곧 운영 난이도의 해결은 아니다. 다원화된 데이터에서 충돌하는 사실을 찾아 표시하고, 중복 엔터티를 합치며, 온톨로지와 SHACL 제약을 관리해야 한다. 팀이 규칙과 데이터 품질을 책임질 준비가 없다면 그래프는 설명 가능성을 보장하기보다 복잡한 저장소가 될 수 있다.
그럼에도 이 프로젝트의 방향은 분명하다. 에이전트의 신뢰성을 프롬프트나 모델 교체만으로 해결하지 않고, 기억·규칙·결정·출처를 함께 실행하고 조회하는 인프라 문제로 다룬다. 플러그인은 연결 지점이고, 승부처는 판단을 나중에 재현할 수 있는 실행 구조다.