基于规则的系统是什么？用“如果……那么……”规则来做决策

基于规则的系统（Rule-Based System）是一种用一组明确的规则来表示知识、并据此进行推理和决策的人工智能系统。这些规则通常采用“如果……那么……”的形式，比如“如果体温超过 38 度并且咳嗽，那么可能是呼吸道感染”。它是人工智能早期最主要的技术路线之一，至今仍被广泛使用。

它由哪些部分组成

知识库：存储所有的规则，这些规则通常由领域专家和工程师一起整理编写，把专家的经验转化成计算机可以执行的形式。事实库，也叫工作内存：存储当前问题的已知事实，比如某位病人的症状和检查结果。推理引擎：系统的“大脑”，负责把规则应用到事实上，推导出新的结论。推理的方式主要有两种：前向链接，从已知事实出发，不断触发满足条件的规则推出新的事实；反向链接，从要证明的目标出发，反向寻找支持它的规则和事实。很多系统还包括一个解释模块，能够告诉用户得出某个结论是依据了哪些规则和事实。

优点

透明、可解释：每一个决策都可以追溯到具体的规则，人们能清楚地知道系统为什么这样判断，这在医疗、金融、法律等需要解释决策的领域非常重要。可预测、可控：只要规则写对了，系统的行为就是确定的，不会出现意料之外的结果。不需要大量的训练数据：知识直接来自专家和业务规定。易于修改：业务规则变了，只需要修改对应的规则。

局限

知识获取困难：把专家的经验完整、准确地转化为规则非常耗时，很多知识是隐性的，专家自己也说不清楚，这被称为“知识获取瓶颈”。难以扩展和维护：当规则多达成千上万条时，规则之间可能相互冲突、重叠，修改一条规则可能会影响其他规则，维护变得非常困难。脆弱：只能处理规则覆盖到的情况，遇到没有预料到的新情况就无能为力。难以处理模糊和不确定的问题，也不能从数据中自动学习和改进。

今天的应用

虽然机器学习已经成为人工智能的主流，但基于规则的系统依然在很多场景中发挥着重要作用：业务规则引擎，比如保险的核保规则、银行的贷款审批规则、电商的促销计算规则；金融风控和合规审查中的硬性规则；合规检查和内容审核中的关键词与规则过滤；工业控制和报警系统。在实际应用中，规则和机器学习常常结合使用：用机器学习模型处理复杂的模式识别，用规则来保证必须遵守的硬性约束和兜底。在大模型应用中，也常用规则来对模型的输出进行检查和限制。