产生式系统：AI 中的事实、规则与冲突消解
产生式系统是 AI 中的一种符号推理架构，将由条件和动作组成的规则应用于当前的一组事实。它匹配满足条件的规则，选择要触发的规则，然后更新事实或执行已定义的动作。冲突消解很重要，因为多条规则可能同时匹配同一情形，却提出不同的下一步。
这里的“产生式”指条件成立时产生相应结果的规则，并非制造业生产线，也不只是指运行在生产环境中的 AI 应用。
作者：Ai Flowi · 发布于
事实、产生式规则与控制循环
工作记忆保存解释器当前可用的事实。规则库保存条件与动作的定义。控制机制将规则条件与工作记忆匹配，消解相互竞争的匹配，并触发选中的规则。事实发生变化后，匹配必须使用更新后的事实。
例如，在一个小型请求审核练习中，case_state = ready 是一条事实。产生式规则可以规定：如果案例已就绪且下一动作尚未确定，则请求审核。事实记录状态；规则表达允许的状态转换。两者都不意味着模型通过自我训练发现了这一转换。
匹配表示规则条件成立，并不表示动作已经发生。应将匹配规则集合与已触发规则记录分开，否则说明文字可能错误地将所有满足条件的动作都报告为已完成。
一个规则相互竞争的模拟案例
这是虚构的符号推理轨迹，并非记录下来的 Workflow 执行结果。某个请求已标记为可以审核，但请求者已将其撤回。本例中的所有动作都只发生在状态记录中，既不发送消息，也不修改外部文档。
在窄屏上，可横向滚动每个事实表或规则表。通过键盘聚焦并使用方向键，可以查看其余列。
| 事实 | 值 | 在本练习中的含义 |
|---|---|---|
| request_state | withdrawn | 已记录该请求经核实的撤回状态。 |
| case_state | ready | 处理撤回前，案例处于就绪状态。 |
| next_action | undecided | 尚未选择下一步。 |
下面两条规则刻意存在重叠。优先级是这个虚构解释器明确规定的策略：数值越大，优先级越高。它并非 AI Flowi Workflow 的 Condition 组件内置的优先级字段。
| 规则 / 优先级 | 条件 | 触发时的动作 |
|---|---|---|
| R1 / 20 | request_state 为 withdrawn；next_action 为 undecided。 | 将 case_state 设为 closed，将 next_action 设为 archive_request。 |
| R2 / 10 | case_state 为 ready；next_action 为 undecided。 | 将 next_action 设为 request_review。 |
初始时，R1 和 R2 均匹配。如果先触发 R2，就会在处理撤回前选择审核。因此，本例让 R1 优先。这些数字表达该决定，并非置信度分数，也不是规则质量的测量值。
匹配、消解、触发，然后重新匹配
| 阶段 | 匹配规则 | 决定与事实 |
|---|---|---|
| 初始匹配 | R1, R2 | 初始工作记忆满足两条规则的条件。 |
| 消解冲突 | 选中 R1 | 优先级 20 高于优先级 10。 |
| 触发 R1 | R2 尚未触发 | case_state 变为 closed；next_action 变为 archive_request。 |
| 重新计算匹配 | 无 | 两条规则都要求 next_action 为 undecided；R2 还要求案例为 ready。 |
| 结束本轮循环 | 无 | 返回 archive_request，作为选定的下一步。 |
轨迹会终止，是因为选定的动作改变了使规则满足条件的事实。如果只在说明文字中写“归档请求”，却让 next_action 保持 undecided，R1 就仍可能再次匹配。更新必须成为解释器状态转换的一部分。
这轮决策循环结束，并不表示请求已归档。如需执行该动作，必须通过另一个获授权的流程确认。规则解释器只是选定了下一步，并未执行该步骤。
为什么冲突消解需要明确的策略？
优先级是一种可选策略。其他解释器可能优先选择更具体的匹配规则、考虑事实的新近程度，或使用固定的规则顺序。应说明实际策略，不能假定“更具体”有显而易见的含义。条件更多的规则并不自动更合适。
如果两条规则优先级相同，本练习会暂停并交由审核，而非隐式选择。如果没有规则匹配，则返回“无适用规则”，这与任务完成不同。真实的解释器还需要规定如何处理重复触发，以及动作导致的事实变化。这些选择属于控制机制的职责。
明确规则有助于审核者确定为何选中某个动作，但无法修复错误事实或相互矛盾的规则库。整齐的轨迹也可能忠实执行了错误策略，因此既要检查工作记忆中事实的来源，也要检查每条规则的预期结果。
一个 Condition 节点能说明什么
比较接口请参阅 Condition 参考文档；这里的 R1 示例状态为已有文档说明：已在目录中说明，但未经 Ai Flowi 生产环境测试。
示例配置，并非记录下来的测试
在 Workflow 工作区中演示 R1 比较时，将模拟事实记录连接到 Condition.data_input，并设置 key_name = request_state、operator = "equals" 和 compare_value = withdrawn；检查分支结果的方法见参考配置。
这只展示了 R1 中的一项键值比较，并不评估 R1 的完整复合条件，不维护工作记忆、不分配优先级、不更新 case_state，也不运行匹配与触发循环。导出的 Condition 接口没有列出规则议程或优先级输入。要实现这些语义，需要额外的应用逻辑，并单独验证。
比较两条假设的事实记录：第一条包含 request_state = withdrawn 和 next_action = undecided；第二条同样已撤回，但包含 next_action = archive_request。单项键值比较会在两条记录中都识别出撤回状态，而完整的 R1 只匹配第一条。这一差异明确说明，为什么不能将分支结果当作匹配的产生式规则。本地比较不需要模型提供商凭据；完整规则轨迹仍是另一项教学练习。
常见错误与相关概念
除非已实现规则匹配、冲突处理和状态更新语义，否则不要把一组可视化分支称为推理引擎。不要声称规则执行证明了学习能力。规则可以人工编写；审核后修改规则属于配置，除非定义了真正的学习过程。
当一个经过验证的字段足以决定下一分支时，固定条件就够了。这类范围更窄的工作流任务可参考现有的 If-Else 路由教程。如果不需要处理竞争规则或重复更新事实，就不要把它扩展成规则解释器。
智能体示例按动作选择方式进行分类。ReAct讨论动作与观察循环。智能体规划说明跨步骤的前提条件；产生式规则可以只选择一个下一动作，而不构建这样的计划。