1 基本概念与定义
1.1 专家系统的起源
专家系统起源于20世纪60年代末至70年代初的人工智能研究。早期AI研究侧重于通用问题求解，但发现模拟人类专家在特定领域的高效推理更为可行。1965年，斯坦福大学的Edward Feigenbaum等人开始开发DENDRAL系统，用于有机化学结构分析，这标志着专家系统概念的诞生。随后，MYCIN（1976年）在医疗诊断领域展现了专家系统的潜力，奠定了知识工程的基础。
1.2 与传统程序的区别
传统程序基于明确的算法和流程，处理确定性问题，输入与输出有固定映射。专家系统则采用知识+推理的范式：知识库存储领域事实和启发式规则，推理机根据当前情况动态选择规则，能够处理不确定性和不完全信息。传统程序难以解释其决策过程，而专家系统可通过解释模块回溯推理路径。此外，专家系统支持渐进式知识扩充，而传统程序修改逻辑需重写代码。
1.3 核心特征
专家系统的核心特征包括：领域知识的显式表示（非隐含在代码中），推理能力（模拟专家思考过程），模块化架构（知识库与推理机分离），可解释性（向用户展示结论依据），以及可扩展性（便于新增规则或事实）。这些特征使其在需要专业判断的领域具有独特价值。
2 系统架构
2.1 知识库
知识库是专家系统的核心存储组件，包含特定领域的事实和规则，是系统智能的基础。
2.1.1 事实集合
事实集合存储关于问题领域的静态或动态信息，例如“患者的体温为38.5℃”或“矿物的硬度为7”。事实通常以断言或对象-属性-值三元组形式表达，可由用户输入或系统推导得出。
2.1.2 规则集合
规则集合包含一组产生式规则或其他逻辑表达式，形如“如果条件A且条件B，则结论C”。规则编码了专家在特定情境下的判断逻辑，是推理机的操作依据。
2.1.3 知识表示方法
2.1.3.1 产生式规则
产生式规则是最常见的表示形式，采用IF-THEN结构，直观易懂，便于模块化添加和修改。每条规则独立，推理机通过模式匹配激活规则。规则之间通过事实链相互关联。
2.1.3.2 框架表示
框架是一种结构化表示，将对象及其属性组织成层次化的框架。每个框架包含槽（slot），用于存储属性值、默认值、过程附件等。框架支持继承，减少知识冗余，适合描述具有类层次关系的领域（如生物分类）。
2.1.3.3 语义网络
语义网络用节点表示概念、实体，用带标号的弧表示关系（如“属于”、“导致”）。网络结构直观反映知识间的关联，便于进行图搜索推理，但对复杂逻辑表达力有限。
2.2 推理机
推理机是系统的“大脑”，负责根据知识库中的规则和当前事实进行逻辑推导，生成新事实或结论。
2.2.1 正向推理
正向推理从已知事实出发，重复匹配规则并执行其动作，直到达到目标或无规则可用。适用于数据驱动的问题，如监控系统或分类任务。效率受规则数量影响，可能产生大量无关结论。
2.2.2 反向推理
反向推理从假设的目标（结论）出发，寻找能推导出该目标的规则，然后递归验证规则前提是否为真。常用于诊断问题，如医疗诊断（从症状反推可能的疾病）。效率较高，但需要明确的目标。
2.2.3 混合推理
混合推理结合正向和反向策略，例如先正向收集事实，再反向聚焦目标，或使用双向搜索。可平衡推理效率与完备性，常用于复杂问题求解。
2.3 解释模块
解释模块负责向用户展示推理过程，回答“为什么”和“如何”的问题。当用户质疑结论时，系统可回溯所应用的规则和事实链。解释功能增强了系统的可信度和可接受性，也是专家系统区别于黑箱模型的重要特征。
2.4 用户界面
用户界面提供人与专家系统交互的通道，通常包括数据输入（提问或表单）、结果输出（诊断结论或建议）、以及解释查询。设计良好的界面需考虑易用性与领域术语适配，可包含图形化展示或自然语言对话。
2.5 知识获取模块
知识获取模块支持知识库的构建与维护，包括从领域专家处提取知识（通过访谈、文档分析等），并转换为系统可用的形式。部分系统内置编辑器和检验工具，辅助知识工程师验证规则一致性与完备性。
3 开发流程
3.1 问题选择与界定
开发专家系统的第一步是选择适合的问题领域：具有明确定义、需要专家级知识、且解决步骤可形式化。需界定系统的边界、输入输出、目标用户与性能指标。通常选择中等复杂度的专业任务，避免过于开放或常识性问题。
3.2 知识工程
3.2.1 领域知识与专家访谈
知识工程师与领域专家密切合作，通过访谈、观察、文档分析提取领域知识。需记录专家在典型问题中的推理步骤、判断依据、不确定性处理方式。此阶段耗时且依赖沟通技巧。
3.2.2 知识表示设计
根据提取的知识性质选择适当的表示方法（如产生式规则、框架、语义网络），并设计事实与规则的结构。需考虑推理效率、可维护性及可扩展性，可能需多次迭代调整。
3.3 原型构建与测试
基于部分知识构建小型原型系统，选择典型用例测试推理正确性与响应时间。通过专家验证修改规则，逐步扩充知识库。测试包括路径覆盖、边界条件、异常输入处理等。
3.4 系统维护与更新
专家系统部署后需持续维护：知识工程师跟踪领域知识变化，修正旧规则、添加新规则。维护工作包括版本控制、一致性检查以及性能优化。良好的模块化设计可降低维护成本。
4 应用领域
4.1 医疗诊断
专家系统最早应用于医疗领域，如MYCIN（细菌感染诊断）和INTERNIST-I（内科疾病诊断）。系统根据患者症状、化验结果等推断疾病并推荐治疗方案，可辅助非专家医生或在资源匮乏地区使用。
4.2 地质勘探与矿物分析
PROSPECTOR系统成功用于勘探矿产（如钼矿），通过分析地质特征和矿化模式推断潜在矿床。系统利用专家规则融合地球物理、地球化学数据，提高勘探效率。
4.3 金融与投资决策
专家系统在信贷评估（如评估贷款风险）、投资组合优化、保险承保等领域得到应用。系统编码金融专家关于利率、市场趋势、信用评分的规则，提供决策支持。
4.4 农业与病虫害管理
如PLANT/ds系统帮助农民诊断大豆病害，通过症状匹配推荐防治措施。其他系统用于灌溉调度、作物轮作规划，将农学知识转化为可操作建议。
4.5 工程设计与故障诊断
专家系统辅助工程设计（如数字电路设计、建筑设计）、设备故障诊断（如发电机、计算机系统）。例如XCON系统为Digital Equipment Corporation配置计算机系统，大幅减少配置错误。
5 优势与局限性
5.1 主要优势
5.1.1 永久性与可复制性
专家知识一旦编码，可永久保存且无限复制使用。系统不会疲劳、遗忘，且可部署于多个地点，实现知识共享。
5.1.2 解释能力
系统能清晰呈现推理路径和依据，使用户信任结论，也有助于教学和审计。这是专家系统相对于深度学习模型的关键优势。
5.1.3 处理不确定性
通过置信度因子、模糊逻辑或概率方法，专家系统可以处理不完整或不精确的信息，输出带可信度的结论，贴近真实决策。
5.2 主要局限
5.2.1 知识获取瓶颈
从专家处提取、形式化知识极其困难，专家可能难以清晰表达直觉判断，知识工程师与专家沟通成本高昂。这导致系统构建周期长、成本高。
5.2.2 维护与更新困难
知识库随领域发展需不断更新，但规则间可能产生冲突或冗余，维护缺乏自动化工具。大型系统修改一处规则可能引发连锁效应。
5.2.3 缺乏常识与学习能力
专家系统仅掌握编码的知识，无法理解常识，也不能从新案例中自动学习。当遇到知识边界以外的问题时，系统可能给出荒谬答案。
6 历史发展与未来趋势
6.1 经典里程碑系统
6.1.1 DENDRAL
1965年启动的DENDRAL系统是第一个专家系统，用于质谱数据解释有机分子结构。它展示了将化学专家知识转化为规则集的可行性，开创了知识工程范式。
6.1.2 MYCIN
1976年完成，用于诊断细菌感染和推荐抗生素。MYCIN引入了置信度因子、解释接口和逆向推理，成为后来专家系统的参考架构。尽管未大规模临床部署，但其学术影响深远。
6.1.3 XCON
1980年由卡耐基梅隆大学与DEC公司合作开发，用于VAX计算机系统配置。XCON成功运行多年，每年为DEC节省数千万美元，证明了专家系统在商业领域的价值。
6.2 与机器学习融合
近年来，专家系统与机器学习技术结合，形成混合系统。例如，用深度学习从数据中提取规则或构建知识图谱，再用规则引擎推理；或将统计预测与规则解释结合，提高鲁棒性和可解释性。知识图谱本身也吸收了专家系统的知识表示思想。
6.3 专家系统在知识图谱时代的演化
随着语义网和大数据发展，专家系统的理念融入知识图谱构建与推理中。现代知识图谱（如Google Knowledge Graph）使用本体和规则推理，进行实体关系发现、问答系统等。专家系统不再以独立系统形式存在，而是作为符号推理组件嵌入更广泛的AI架构，在需要透明性和可解释性的场景（如医疗、金融合规）仍有不可替代的地位。