一、规则系统概述

1.1 什么是规则系统

规则系统，说白了就是一套「如果…那么…」的逻辑集合。

你给它一个输入，它按照你写好的规则去匹配，然后给出输出。没有学习，没有概率，没有模糊地带——就是硬碰硬的逻辑判断。

我刚开始接触AI时，觉得这东西太简单了。后来才发现，简单的东西往往最可靠。举个例子：

IF 温度 > 30°C THEN 开启空调
IF 湿度 > 80% THEN 启动除湿
IF 两者都满足 THEN 同时开启

这就是一个最朴素的规则系统。你写死了，它就照做。不会偷懒，不会耍滑。

1.2 规则系统的历史

规则系统的历史，其实比深度学习早得多。

1960年代：萌芽期

我记得最早期的专家系统，比如DENDRAL（化学分析用）和MYCIN（医疗诊断用），都是基于规则的。那时候没有大数据，没有GPU，全靠领域专家一条一条写规则。

1970-1980年代：黄金期

规则系统开始商业化。我见过一些老项目文档，里面光规则就有几千条。那时候大家觉得，只要规则够多，机器就能像人一样思考。嗯，后来发现没那么简单。

1990年代至今：沉淀期

机器学习兴起后，规则系统一度被冷落。但说实话，在工业界，规则系统从未消失。为什么？因为有些场景，你根本不敢用黑盒模型。

时期	代表系统	特点
1960s	DENDRAL	化学结构分析，规则由专家手工编写
1970s	MYCIN	医疗诊断，引入不确定性推理
1980s	XCON	计算机配置，商业上最成功的规则系统之一
2000s+	业务规则引擎	如Drools、ILOG，用于金融、风控等领域

1.3 规则系统的优点

优点其实很明确，我挑几个最实用的说：

• 可解释性强——每条决策都有明确的规则依据。出了问题，直接查是哪条规则触发了。这在医疗、金融、法律领域是刚需。
• 开发门槛低——不需要大量数据，不需要训练模型。领域专家直接写规则就行。我曾经帮一个工厂做质检系统，工人师傅都能参与写规则。
• 稳定可靠——同样的输入，永远得到同样的输出。不会因为模型更新就突然变了个样。生产环境里，这种确定性太重要了。
• 调试方便——规则是显式的，你可以一条一条测试。不像神经网络，调个参数都不知道影响什么。

1.4 规则系统的缺点

但是，缺点也很明显。我踩过的坑不少，这里说几个典型的：

• 规则爆炸——规则一多，维护就变成噩梦。我见过一个系统，规则从100条涨到5000条，最后没人敢改。改一条，怕影响十条。
• 覆盖不全——总有你没想到的情况。现实世界太复杂了，你写规则时根本想不到所有边界条件。我曾经因为漏了一条规则，线上出了事故，被叫起来修到凌晨三点。
• 缺乏泛化能力——规则只能处理你写过的场景。遇到新情况，它就傻了。不像学习型系统，还能「猜一猜」。
• 知识获取瓶颈——规则需要专家提供知识。但专家很贵，而且他们的知识往往是隐性的，说不清楚。你想想看，让一个老中医把他的经验写成规则，多难？

1.5 什么时候该用规则系统？

我个人习惯这样判断：

1. 规则是否明确？——比如「超过60岁不能投保」，这种硬性条件，用规则最合适。
2. 是否需要解释？——比如贷款被拒，客户问为什么，规则系统能直接给出理由。
3. 数据是否充足？——如果数据很少，别想什么深度学习，老老实实写规则。
4. 变化频率如何？——规则变化慢，适合用规则系统。如果规则天天变，维护成本会很高。

嗯，这里要注意：规则系统和学习型系统不是非此即彼的。我现在的做法是，能用规则的地方用规则，规则搞不定的交给模型。两者结合，往往效果最好。

下一章，我会详细讲规则系统的核心组件——规则引擎。到时候会结合代码，聊聊怎么设计一个可维护的规则系统。