第2章规则引擎核心概念

一、规则引擎核心概念：从零搭建你的推理王国

大家好，我是你们的老朋友。今天咱们来聊聊规则引擎的五个核心概念——规则、事实、工作内存、议程、推理引擎。说实话，我刚入行时也被这些术语搞得晕头转向，总觉得它们像黑箱里的魔法。但做了几个风控项目后，我慢慢发现，这五个概念其实就是一套「推理流水线」的零件。

你想想看，规则引擎本质上就是个「如果-那么」的机器。但光有规则不行，你得有数据、有存储、有调度、有执行。这五个概念，缺一个都不转。

核心一句话：规则引擎 = 规则（做什么） + 事实（对谁做） + 工作内存（放哪做） + 议程（谁先做） + 推理引擎（怎么做）

1. 规则（Rule）—— 你的业务逻辑翻译官

规则是什么？说白了就是「条件 + 动作」。条件满足，动作触发。我在项目中见过最典型的规则就是风控里的「如果交易金额大于5000且用户等级为普通，则触发人工审核」。

规则通常长这样：

rule "高风险交易拦截"
    when
        $tx: Transaction(amount > 5000 && userLevel == "NORMAL")
    then
        $tx.setRiskLevel("HIGH");
        insert(new Alert("人工审核", $tx));
end

嗯，这里要注意：规则不是写死的逻辑，它是可配置的。我见过很多团队把规则硬编码在Java代码里，结果每次改规则都要发版，运维同学都快哭了。规则引擎的价值就在于——规则可以动态加载、热更新。

我的经验：规则命名一定要规范。我曾经接手过一个项目，规则名叫"rule_001"、"rule_002"... 三个月后没人知道这些规则是干嘛的。建议用「业务场景_动作_序号」的格式，比如"risk_high_intercept_01"。

2. 事实（Fact）—— 规则要处理的数据对象

事实就是规则要判断的数据。可以是交易记录、用户信息、设备指纹、历史行为……任何你想让规则引擎「看到」的东西。

事实不是随便扔进去的。它需要被「插入」到工作内存中。我习惯把事实理解成「证据」——规则引擎就像法官，事实就是呈堂证供。

// 插入事实
FactHandle handle = kieSession.insert(transaction);
// 更新事实
kieSession.update(handle, updatedTransaction);
// 删除事实
kieSession.delete(handle);

为什么会强调「插入」这个动作？因为事实一旦插入，规则引擎就会自动去匹配规则。如果你忘了插入，规则再牛也触发不了。我曾经踩过这个坑——调试了半天，发现规则没执行，结果是因为事实没塞进去。

3. 工作内存（Working Memory）—— 规则的「战场」

工作内存，你可以把它想象成一个「数据池」。所有的事实都放在这里，规则引擎在这里进行模式匹配。

我个人习惯把工作内存比作「棋盘」——事实是棋子，规则是走法。棋盘上有什么棋子，决定了哪些走法可以执行。

工作内存有几个特点：

全局可见：所有规则都能访问工作内存中的事实
增量更新：你可以随时插入、更新、删除事实
高效匹配：引擎会用RETE算法（后面会讲）来加速匹配

避坑指南：工作内存不是无限大的。我曾经在一个项目中插入了上百万条事实，结果内存直接爆了。建议控制事实数量，或者使用分片策略。

4. 议程（Agenda）—— 规则的「调度员」

当多条规则同时满足条件时，谁先执行？这就是议程的工作。

议程本质上是一个「优先级队列」。每条规则可以设置优先级（salience），数值越高越先执行。如果没有设置，默认按规则加载顺序执行。

rule "高优先级规则"
    salience 100
    when
        // 条件
    then
        // 动作
end

rule "低优先级规则"
    salience 10
    when
        // 条件
    then
        // 动作
end

你想想看，如果没有议程，规则执行顺序就乱套了。比如风控场景中，先拦截再放行，还是先放行再拦截？顺序错了，结果天差地别。

议程还有一个重要特性——冲突解决。当两条规则优先级相同时，引擎会用策略（比如最近优先、最具体优先）来决定谁先执行。

5. 推理引擎（Inference Engine）—— 规则的「大脑」

推理引擎是规则引擎的核心。它负责：

模式匹配：把事实和规则条件进行匹配
冲突解决：通过议程决定执行顺序
规则执行：触发规则的动作
连锁反应：动作可能产生新事实，触发新规则

推理引擎有两种工作模式：

模式	特点	适用场景
前向链（Forward Chaining）	从事实出发，推导结论	风控、监控、告警
后向链（Backward Chaining）	从目标出发，寻找证据	诊断、推荐、规划

我做的风控项目基本都是前向链——交易来了，看它触发了哪些规则，然后决定怎么处理。后向链用得少，但如果你做专家系统，后向链就很有用了。

核心逻辑：推理引擎 = 匹配器 + 议程 + 执行器。匹配器找规则，议程排顺序，执行器干实事。

知识体系总览

下面这张图是我手绘的规则引擎核心概念关系图，帮你理清它们之间的协作关系：

从这张图你能看到：事实插入工作内存，规则从工作内存中匹配事实，推理引擎负责匹配和执行，议程决定执行顺序，执行结果可能产生新事实，形成连锁反应。这就是规则引擎的完整工作流。

我的建议：刚开始学规则引擎，别急着写复杂规则。先把这五个概念搞清楚，画一张你自己的关系图。我当年就是这么干的——画完图，整个逻辑就通了。

好了，这一章的内容就到这里。规则引擎的五个核心概念，说白了就是一套「输入-处理-输出」的推理流水线。下一章我们会深入规则的定义和编写，到时候我会拿真实的风控案例来演示。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

一、规则引擎核心概念：从零搭建你的推理王国

1. 规则（Rule）—— 你的业务逻辑翻译官

2. 事实（Fact）—— 规则要处理的数据对象

3. 工作内存（Working Memory）—— 规则的「战场」

4. 议程（Agenda）—— 规则的「调度员」

5. 推理引擎（Inference Engine）—— 规则的「大脑」

知识体系总览