2082 Star，242 Fork，Apache 2.0 开源，2024年7月创立，不到两年登顶 GitHub ontology 标签下最热门项目。
如果你在 GitHub 搜索 “ontology”，按星数排序，排在第一的不是 Protégé（经典的 OWL 本体编辑器，1349 Star），不是 WebVOWL（本体可视化工具），更不是各种 Gene Ontology 工具——而是一个你可能没听说过的名字：TrustGraph。
它的简介只有一句话：
The agent runtime platform powered by context graphs. （以「上下文图谱」为引擎的 Agent 运行时平台）
这句话里没有 “ontology” 这个词。但它却是 ontology 标签下星数最高的项目。
为什么？因为它把本体论从学术圈的概念，真正变成了 AI Agent 的基础设施。
一、不是又一个 RAG 框架
在聊 TrustGraph 之前，先看一个问题：
你现在的 AI Agent 是怎么获取知识的？
大概率是 RAG（检索增强生成）：把文档切成块 → 向量化 → 语义搜索 → 塞进 prompt。这能解决”让 LLM 知道它不知道的东西”的问题，但有一堆痛点：
- 语义搜索不精准，”苹果公司”和”吃的苹果”混在一起
- 检索到的东西缺乏关系和结构，LLM 看到的是一堆孤立文本块
- 无法追溯信息来源，回答不可解释
- 幻觉严重但没法排查
TrustGraph 的答案是：不要只做检索，要做上下文工程（Context Engineering）。
它的创始人之一 Daniel Davis 写了一篇 《Context Graph Manifesto》，开宗明义：
传统 RAG 是”往 prompt 里塞东西”，GraphRAG 是”往 prompt 里塞有结构的东西”，而 Context Graph 是”构建一个 AI 可以理解的、可查询的、可追溯的知识世界”。
二、Context Graph（上下文图谱）到底是什么？
先看一个最简单的定义：
Context Graph = 三元组表示的数据，专为 AI 消费而优化。
三元组就是 (主体 → 谓词 → 客体)，例如：
(苹果公司) → (总部位于) → (加利福尼亚州库比蒂诺)
(苹果公司) → (CEO是) → (蒂姆·库克)
(苹果公司) → (成立于) → (1976年)
这看起来跟知识图谱（Knowledge Graph）没什么区别？关键区别在于 设计目标：
| 知识图谱 (KG) | 上下文图谱 (CG) | |
|---|---|---|
| 设计目标 | 人类/机器推理 | AI Agent 消费 |
| 关注点 | 推理完整性、语义严谨 | 检索效率、LLM友好性 |
| 存储 | 专用三元组库/图数据库 | 不绑定特定存储 |
| 与LLM关系 | 独立于LLM | 为LLM设计 |
| 时效性 | 通常是静态快照 | 支持时序上下文 |
TrustGraph 的上下文图谱有三种核心检索模式：
2.1 Graph RAG
从文档中自动抽取实体和关系，构建成图谱。查询时不是搜文本，而是沿着图谱的边遍历找到相关信息——天然支持多跳推理。
2.2 Ontology RAG（本体增强检索）
在 Graph RAG 之上叠加了本体层。本体（Ontology）定义了领域内「什么东西存在」「它们之间是啥关系」。它能做到：
- 精准消歧：”苹果”是水果还是公司？本体结构告诉你
- 推理补全：如果”苹果公司→生产→iPhone”，本体推断”iPhone→品牌→苹果”也是合理的
2.3 Document RAG
传统向量语义搜索。TrustGraph 保留了它，但作为三种检索策略之一，而不是唯一策略。
三、架构：事件驱动的多层微服务
TrustGraph 不是一个库或一个单体应用，而是一个完整的平台。架构核心是一套事件驱动的微服务体系：
用户界面层 (CLI / Workbench / REST API / WebSocket)
↓
API 网关 (协议转换 + 身份认证)
↓
消息总线 (Pulsar / Kafka / RabbitMQ)
↓
处理层 (文档加载 → 分块 → 实体抽取 → 嵌入 → 图谱构建)
↓
AI 推理层 (LLM调用 / RAG / Agent)
↓
多模态存储层 (Cassandra图数据 + Qdrant向量 + Garage对象存储)
↓
可观测层 (Prometheus + Grafana + Loki)
关键设计原则：
- 完全解耦：所有服务通过消息总线通信，没有任何直接调用
- 无状态处理：每个服务可独立水平扩展
- 后端可插拔：图数据库可换（Cassandra / Neo4j / FalkorDB），向量库可换（Qdrant / Pinecone / Milvus），消息队列可换（Pulsar / Kafka / RabbitMQ）
- 多租户原生支持：通过 collection 机制做数据隔离
四、Context Core：像管理代码一样管理上下文
TrustGraph 最大的创新之一，是提出了 Context Core（上下文核心） 的概念：
把「Agent 需要的知识」打包成一个可移植、可版本控制、可在不同项目间复用的独立单元。
一个 Context Core 包含：
- 本体定义（Ontology）——你的领域模型
- 上下文图谱——实体 + 关系 + 证据
- 向量索引——快速语义检索入口
- 溯源信息（Provenance）——每条事实从哪来、何时提取、如何推导
- 检索策略——遍历规则、新鲜度权重、权威度排序
这解决了 AI Agent 落地中最头疼的问题之一：知识管理。你可以为不同场景加载不同的 Context Core——给客服 Agent 加载产品知识 Core，给法务 Agent 加载合同条款 Core，互不干扰。
五、Agent 系统：从单 Agent 到多 Agent 编排
TrustGraph 不是只给你一个图谱然后让你自己去对接 LLM。它内置了一套完整的 Agent 系统：
- ReAct 模式：推理-行动循环
- Plan-then-Execute 模式：先规划再执行
- Supervisor 模式：主 Agent 协调多个子 Agent
- MCP 集成：原生支持 Model Context Protocol，可以连接外部工具
Agent 的每一次回答和工具调用都扎根于上下文图谱——每一条信息都可以追溯到图谱中的来源节点，告别不可解释的黑盒。
六、可解释性：第一公民
大多数 AI 系统把可解释性当作”nice to have”。TrustGraph 把它做到了基础设施层：
- 提取时溯源：每条实体和关系都记录来源文档、时间戳、提取方法
- 查询时可解释：每次查询结果都附带推理路径——这条信息是怎么从图谱中推导出来的
- 完整的审计日志：合规场景下可以追溯每一次 Agent 决策的依据
七、部署：一条命令，无 API Key 裸奔
npx @trustgraph/config
# 选 LLM 提供商 → 选部署方式 → 生成配置
docker compose up -d
最让人惊讶的是：不需要任何外部 API 密钥也能跑。
平台自带了完整的基础设施栈：
| 组件 | 自带方案 |
|---|---|
| 图数据库 | Apache Cassandra |
| 向量库 | Qdrant |
| 对象存储 | Garage (S3兼容) |
| 消息队列 | Apache Pulsar |
| 推理引擎 | vLLM / Ollama / TGI / LM Studio |
| 监控 | Prometheus + Grafana + Loki |
唯一的可选 API Key 是你选择使用的第三方 LLM 服务。如果你用 Ollama 跑本地模型，完全零外部依赖。
这就意味着：数据主权完全在你手里，不出企业内网。
八、谁在用？
TrustGraph 的用户名单相当惊人：
- 科技巨头：Cisco、Intel、IBM、Supermicro、CoreWeave
- 咨询公司：Accenture、Infosys、McKinsey
- 金融机构：BNP Paribas
- 制药：AstraZeneca
- 学术机构：Georgia Tech、University of Gloucestershire
- 政府：UK Government
一个不到两年的项目，已经在企业和政府场景中落地——这说明它解决了真实的问题。
九、适合谁？不适合谁？
适合的场景
- 需要高精度、可解释的 AI Agent 的企业场景
- 知识密集型领域（法务、医疗、金融、科研）
- 需要数据主权、本地部署的场景
- 多 Agent 协作需要共享上下文的场景
不适合的场景
- 简单的聊天机器人（杀鸡用牛刀）
- 快速原型验证（基础设施开销大）
- 数据量极小的个人项目
十、为什么它是 GitHub Ontology 赛道星第一？
回到最初的问题：为什么一个不主打 “ontology” 的项目，能成为 ontology 标签下最亮的星？
因为 TrustGraph 做到了传统本体论工具没做到的事：
- 从学术走向工程：Protégé 是研究工具，TrustGraph 是生产平台
- 从静态走向动态：传统本体是静态schema，TrustGraph 的上下文图谱随数据变化持续更新
- 从独立走向融合：本体论不再是孤立的知识表示，而是与 Agent、RAG、向量搜索深度融合
- 从复杂走向可用：一条命令部署，不绑架具体技术栈
Daniel Davis 在 Manifesto 中说了一段话我很认同：
本体论在语义网时代没有真正火起来，是因为它太复杂了——只有少数人能写出靠谱的 OWL 本体。但 LLM 改变了游戏规则：现在 AI 可以自动读取、理解甚至生成本体。本体论终于有了走向大众的机会。
这就是 TrustGraph 的价值：它让”知识工程”这个概念，从少数知识工程师的专属技能，变成了每个 AI 开发者都可以使用的基建。
快速上手
# 1. 生成配置
npx @trustgraph/config
# 2. 解压并启动
unzip deploy.zip
docker compose up -d
# 3. 访问 Workbench
open http://localhost:8888
# 4. 加载示例数据
tg-load-sample-documents
# 5. 开始查询
tg-invoke-graph-rag '你的问题'
项目地址：https://github.com/trustgraph-ai/trustgraph 官网：https://trustgraph.ai 文档：https://docs.trustgraph.ai
