基于案例的推理 CBR 是什么？参考过去的类似案例来解决新问题

基于案例的推理（Case-Based Reasoning，CBR）是一种根据过去的经验来解决新问题的人工智能方法。它依赖类比推理：发现过去的情况与新情况之间的相似之处，借鉴过去的解决办法来应对新的问题。这种方法在上世纪 80 年代逐渐成形，耶鲁大学的罗杰·尚克（Roger Schank）关于动态记忆的研究为它奠定了重要的基础。

它很像人类解决问题的方式

人在遇到问题时，常常会想：“以前遇到过类似的情况吗？当时是怎么解决的？”医生看到一个病人的症状，会联想到以前诊治过的相似病例；律师处理一个案件，会参考过去的判例；汽车修理工遇到一个故障，会回想以前修过的类似毛病。基于案例的推理正是把这种“参考经验”的思维方式用到了计算机中：系统不是从头推导，也不是依赖一套固定的规则，而是维护一个“案例库”，里面记录着过去的问题以及对应的解决方案和结果。

四个步骤的循环

基于案例的推理通常被描述为一个包含四个步骤的循环，常被称为“4R”：检索（Retrieve），遇到新问题时，从案例库中找出与它最相似的一个或几个过去的案例；复用（Reuse），把找到的案例的解决方案拿过来，应用到新问题上；修订（Revise），新问题和旧案例毕竟不完全相同，需要根据具体的差异对方案进行调整，并检验调整后的方案是否有效；保留（Retain），把这个新问题以及最终的解决方案，作为一个新的案例存进案例库，供将来参考。通过这个循环，系统会随着使用不断积累经验，越用越“聪明”。

其中，如何衡量案例之间的相似度是关键：需要为案例选择合适的特征，并定义合理的相似度计算方法。

优点和应用

基于案例的推理的优点包括：不需要把领域知识完全总结成明确的规则，对于那些专家也说不清楚规则、但积累了大量实例的领域特别适用；能够通过不断加入新案例来持续学习；给出的建议附带着参考的具体案例，容易被人理解和信任。它被应用于客户服务和技术支持（根据过去的故障记录和解决办法排查问题）、医疗诊断辅助、法律咨询、产品设计、工程规划等领域。

与今天 AI 的联系

基于案例的推理的思想，与如今大模型应用中的一些做法很相似：检索增强生成（RAG）先从知识库中检索出相关的内容再生成回答；少样本提示中，根据当前的问题动态地挑选最相似的示例放进提示词；智能体从记忆中检索过去成功的经验来指导新的任务。可以说，“遇到新问题，先找找以前类似的经验”这一朴素的思想，在大模型时代依然很有生命力。