TrustGraph：开源 AI 智能体基础设施，构建可解释、可追溯的确定性 AI Agent

告别一次性 Prompt 与碎片化 RAG，TrustGraph 通过 Holonic Context Graph（整体上下文图）构建真正可持续、可解释、可扩展的 AI 智能体。

随着 AI Agent（智能体）快速发展，越来越多企业发现，仅靠传统 RAG（Retrieval-Augmented Generation）已经难以满足生产环境需求。

Agent 并不是缺少模型，而是缺少长期、结构化、可复用的知识系统。

TrustGraph 正是为解决这一问题而诞生。

仓库地址：https://GitHub.com/trustgraph-ai/trustgraph

什么是 TrustGraph？

TrustGraph 是一套开源 AI Agent 全栈基础设施，用于构建具有确定性（Deterministic）、可解释（Explainable）、**可追溯（Traceable）**能力的智能体系统。

与传统 RAG 最大不同的是：

TrustGraph 不把上下文看成 Prompt，而是看成一个可以部署、管理、共享的知识系统。

它提出了一个新的概念：

Holonic Context（整体上下文）

整个系统兼容目前主流 LLM，包括：

• OpenAI
• Anthropic
• Gemini
• Cohere
• Mistral
• Qwen
• DeepSeek
• Llama
• Ollama
• vLLM
• LM Studio
• TGI

无论是云端 API，还是完全离线部署，都可以直接使用。

为什么传统 AI Agent 容易失败？

TrustGraph 官方认为，目前 Agent 最大的问题不是模型，而是上下文（Context）。

传统方案主要存在以下几个问题。

1. RAG 检索的是文本，而不是知识

Vector Database 只能找到相似文本。

例如：

A 公司收购 B 公司。

CEO 是张三。

模型需要自己猜测：

张三是谁的 CEO？

这种关系没有被真正保存。

因此：

• 推理容易错误
• 容易幻觉
• 无法解释为什么得到这个答案

2. 上下文无法长期保存

今天 Agent 学到的知识：

Prompt
↓

LLM

↓

回答

下一次调用：

又重新开始。

没有真正意义上的知识积累。

3. 无法解释答案来源

企业部署 AI 最关心的问题：

这个答案为什么这样回答？

传统 RAG 很难做到。

很多时候只能告诉你：

来源可能来自这几个 Chunk。

但到底：

• 哪一句
• 哪个实体
• 哪条关系

都无法说明。

4. 知识无法复用

每个新项目：

重新做：

• Embedding
• RAG
• Prompt
• Chunk
• Workflow

TrustGraph 希望让知识像代码一样：

• 可版本管理
• 可共享
• 可部署
• 可组合

Holonic Context：整体上下文系统

TrustGraph 的核心理念来自英国哲学家 **Arthur Koestler（阿瑟·库斯勒）**提出的 Holon（整体） 概念。

Holon 指的是：

一个对象既是一个独立整体，同时又属于更大的整体。

例如：

事实
↓

领域知识

↓

企业知识

↓

行业知识

每一层都是一个 Holon。

TrustGraph 将整个知识组织成：

Holonic Context Graph

而不是：

Prompt

或者：

Vector Database

知识之间拥有真正的关系。

例如：

企业

↓

员工

↓

职位

↓

项目

↓

产品

↓

客户

每一个节点之间都有明确关系。

LLM 不再需要猜测。

Context Core：把知识变成基础设施

TrustGraph 提出了另一个重要概念：

Context Core（上下文核心）

Context Core 是一个可以部署的知识单元。

里面包含：

本体（Ontology）

定义整个领域：

• 类（Class）
• 属性（Property）
• 实体关系

支持：

• RDF
• OWL
• SKOS
• SHACL

符合 Semantic Web 标准。

Holon 图

保存：

• 实体
• 关系
• 证据

所有知识都是 Graph。

向量索引

用于：

Semantic Search

快速找到入口节点。

来源（Provenance）

每一个事实记录：

• 来源文档
• 导入时间
• 提取方式

真正做到：

Fact Level Traceability。

检索策略

支持：

• 图遍历
• 权威排序
• 新鲜度控制
• GraphRAG

可解释 AI（Explainable AI）

TrustGraph 最大特色就是：

每一个答案都可以解释。

传统 Agent：

Question

↓

Chunk

↓

LLM

↓

Answer

TrustGraph：

Question

↓

Graph Search

↓

Entity

↓

Relation

↓

Evidence

↓

LLM

↓

Answer

整个推理路径都可以查看。

例如：

客户

↓

订单

↓

产品

↓

供应商

系统会展示：

• 使用了哪些节点
• 经过哪些边
• 来源于哪些文档

真正做到：

Every Answer Has Evidence.

工作区架构

TrustGraph 采用三级架构：

Workspace

最外层。

相当于：

租户（Tenant）。

不同客户：

完全隔离。

包括：

• 数据
• 用户
• Pipeline
• Storage

Collection

一个领域知识集合。

例如：

医疗

金融

制造

教育

每个 Collection：

拥有自己的：

• Graph
• Embedding
• Documents

Flow

数据处理流水线。

负责：

Document

↓

OCR

↓

Entity Extraction

↓

Ontology

↓

Graph

↓

Embedding

↓

Storage

整个流程可以自由组合。

完整 AI Agent 技术栈

TrustGraph 不只是 Graph Database。

它提供了一整套 Agent Backend。

包括：

Holonic Context Graph

支持：

• 实体抽取
• 关系抽取
• 本体驱动
• 图检索

多模型数据库

统一管理：

• Graph
• Vector
• Document
• Object
• Image
• Audio
• Video

底层采用：

• Cassandra
• Garage（S3 Compatible）

GraphRAG

内置：

• DocumentRAG
• GraphRAG
• OntologyRAG

无需自行开发。

Agent Orchestration

支持：

• Single Agent
• Multi-Agent
• ReAct
• Plan-and-Execute
• Supervisor
• MCP

3D Knowledge Explorer

可视化浏览知识图谱：

• BFS 邻域加载
• 边动画
• 关系探索
• 动态 Graph

自动知识导入

支持：

• Semantic Search
• Ontology Mapping
• 自动抽取知识

支持本地部署

TrustGraph 可以运行在：

• Docker
• Podman
• Kubernetes
• Minikube

支持：

• AWS
• Azure
• Google Cloud
• 阿里云
• OVHcloud
• Scaleway

同时支持：

• 本地 GPU 推理
• 云端 API

几乎无需第三方 API

很多开源 Agent 项目：

.env

打开后：

几十个 API Key。

TrustGraph 则尽可能减少外部依赖。

真正可能需要 API Key 的只有：

1. 第三方 LLM（可选）
2. OCR 服务（可选）
3. TrustGraph API Gateway（可选）

除此之外：

全部内置。

包括：

• Cassandra
• Qdrant
• Garage
• Pulsar
• RabbitMQ
• vLLM
• Ollama
• LM Studio
• TGI

真正做到：

开箱即用。

快速部署

TrustGraph 默认采用 Docker 部署。

安装配置：

npx @trustgraph/config

随后自动生成：

docker-compose.yaml

或者：

resources.yaml

即可直接运行。

无需手动配置复杂环境。

Web 管理界面

TrustGraph 自带完整可视化后台，默认运行在 8888 端口。

主要功能包括：

• Agent Console：实时对话、流式输出与推理事件追踪。
• GraphRAG View：图谱检索、可解释 DAG、来源溯源展示。
• Context Browser：交互式 3D 知识图谱浏览器。
• Document Import：文档上传、解析、导入与结构检查。
• Ontology Workbench：本体编辑器，支持 OWL/XML、Turtle 导入导出。
• Schema Workbench：数据模型创建、字段管理、索引配置。
• Prompt Editor：Prompt 管理与版本维护。

TrustGraph 的核心优势

相比传统 AI Agent 或 RAG 框架，TrustGraph 具备以下优势：

总结

TrustGraph 不只是一个 GraphRAG 或知识图谱项目，而是一套围绕 Holonic Context（整体上下文） 构建的 AI Agent 基础设施。

它试图解决传统 RAG 在生产环境中的几个核心难题：知识碎片化、上下文不可持续、答案难以解释以及知识难以复用。通过将知识组织为可部署、可版本化、可共享的 Context Core，并结合知识图谱、向量检索、本体模型与多智能体编排，TrustGraph 为企业级 AI Agent 提供了更加稳定、可追溯的底层架构。

对于需要构建长期运行、支持多租户、强调可信推理和知识治理的智能体系统，TrustGraph 提供了一种值得关注的开源实现思路。随着企业对 AI 可解释性和治理能力要求不断提高，这类以结构化知识为核心的 Agent 基础设施，未来有望成为 AI 应用的重要发展方向。