주요 특징

• 결정 인텔리전스(Decision Intelligence)가 이 프로젝트의 중심입니다. record_decision()으로 에이전트의 판단을 그래프의 1급 노드로 기록하고, trace_decision_chain()으로 그 판단에 쓰인 컨텍스트와 근거를 거슬러 올라가며, find_similar_decisions()로 과거 유사 판례를 찾습니다. 대출 심사나 AML 컴플라이언스처럼 결정 하나가 나중에 감사 대상이 되는 영역을 겨냥한 설계입니다.
• 바이템포럴 시간 모델을 지원해 사실이 세계에서 참이었던 기간(valid_time)과 시스템이 그것을 알게 된 시점(recorded_at)을 따로 저장합니다. Allen의 구간 대수를 써서 시간 관계를 추론하고, graph.state_at('2024-01-01') 같은 호출로 재처리 없이 특정 시점의 그래프 스냅샷을 복원합니다. 과거 판단을 당시 알고 있던 정보만으로 재현해야 할 때 쓰는 기능입니다.
• 저장 계층이 특정 벤더에 묶이지 않습니다. RDF 계열로 Oxigraph(임베디드), Blazegraph, Apache Jena, Eclipse RDF4J를 SPARQL로 붙이고, LPG 계열로 Neo4j, FalkorDB, Apache AGE, AWS Neptune을 지원합니다. 벡터 스토어는 FAISS, Qdrant, Weaviate, Milvus, Pinecone, PgVector, SQLite, 인메모리까지 고를 수 있으며 설치도 semantica[graph-neo4j]처럼 익스트라로 나눠져 있습니다.
• 추론은 LLM이 아니라 규칙 엔진이 담당합니다. 전방 연쇄와 Rete, Datalog, SPARQL을 조합해 결론에 도달한 경로를 그대로 설명으로 내놓고, SHACL과 OWL로 온톨로지 수준의 거버넌스를 겁니다. 값·타입·관계·시간·논리 다섯 종류의 충돌을 병합 전에 탐지하며, GraphRAG용 청킹은 개체와 관계, 온톨로지를 인식해 트리플이 조각나지 않도록 자릅니다.
• v0.5.0 기준 118,000노드 프로덕션 그래프(AMD EPYC, 64GB RAM) 벤치마크를 공개하고 있습니다. 노드 검색이 24ms에서 0.004ms로 약 6,000배, 시맨틱 중복 제거가 6.98배 빨라졌고 블로킹 전략 도입으로 후보 생성이 63.6% 단축됐습니다. 다만 중복 제거와 후보 생성 수치는 자동화된 테스트 단언이 아니라 CHANGELOG에 기록된 과거 측정치라고 저장소가 직접 밝히고 있으며, pytest로 직접 재측정하도록 안내합니다.