免费基金定投助手全功能拆解：1300 行8种智能定投策略引擎，怎么把 Excel 仓位表变成会自己算买卖点的定投系统-CSDN博客

https://download.csdn.net/download/weitingfu/93448039?spm=1001.2014.3001.5503

开篇引子

每次提到 AI Agent，总有人觉得它是 2023 年才冒出来的新物种。但你有没有想过：在没有大模型、没有深度学习的年代，人类是怎么让机器"替自己干活"的？上世纪 70 年代，一台叫 MYCIN 的计算机系统在细菌感染诊断上表现一度与资深医生持平；80 年代，一套叫 XCON 的系统帮 DEC 公司每年省下数千万美元配置成本。本文会带你回溯这段常被忽略的"史前史"，从专家系统到 BDI 智能代理，看清今天的 Agent 究竟从哪来、又继承了哪些老前辈的基因。

核心概念：先讲"是什么"

符号主义的黄金时代：智能就是对符号做运算

AI Agent 的思想源头，可以追溯到人工智能诞生初期的符号主义流派。上世纪 50 年代到 80 年代，研究者普遍相信一个核心命题：智能的本质是对符号的逻辑操作。人类专家之所以能做诊断、能配系统、能下棋，是因为他们掌握了一套规则；只要把规则以"如果-那么"的形式编码进计算机，机器就能像专家一样推理与决策。

这个想法在当年不是空想，而是有一整套哲学和方法论支撑的：人的知识可以外显为逻辑规则，逻辑规则可以被机器执行，机器执行规则就等价于人在思考。顺着这条思路，研究者把大量精力投入到"知识工程"上——采访领域专家、把他们的经验提炼成规则、再灌进计算机。于是，一个全新的软件品类诞生了：专家系统（Expert System）。

一张图看懂：专家系统到底长什么样

专家系统的架构并不复杂，核心就两块：知识库与推理引擎。

                        ┌─────────────────────┐
                        │      领域专家          │
                        └──────────┬──────────┘
                                   │ 经验访谈 / 规则提炼
                                   ▼
┌───────────────┐        ┌─────────────────────┐
│  用户输入事实    │        │       知识库          │
│ （症状/需求）    │        │  IF-THEN 产生式规则   │
└───────┬───────┘        │   "如果...那么..."    │
        │                └──────────┬──────────┘
        ▼                           │
┌─────────────────────────────────────┐
│              推理引擎                  │
│   正向链：事实→规则→结论               │
│   反向链：假设→反查规则→验证            │
└──────────────────┬──────────────────┘
                   ▼
          ┌─────────────────┐
          │  诊断/配置结论     │
          │  + 置信度/解释     │
          └─────────────────┘

图注：专家系统由知识库与推理引擎两部分组成。知识库存放由领域专家提炼的"如果-那么"产生式规则，推理引擎通过正向链或反向链在规则空间中搜索，最终给出诊断或配置结论。读图重点：知识库是"静态资产"，推理引擎是"执行机制"，两者分离是这套架构最深远的设计。

两个教科书级案例：MYCIN 和 XCON

说到专家系统，有两个名字绕不开。第一个是 MYCIN，20 世纪 70 年代由斯坦福大学开发，用于细菌感染诊断。医生输入病人的症状、化验结果，MYCIN 通过几百条 IF-THEN 规则推理出可能的致病菌，并推荐抗生素方案。最惊人的是它的诊断表现一度与资深医生持平——这让业界第一次看到了"机器代行专家判断"的可能性。MYCIN 也因此被视为最早具备"感知-决策-行动"雏形的智能代理。

第二个是 XCON，计算机配置系统，同样诞生于 70 年代。当时计算机硬件组合极其复杂，一个订单可能有几十种配件组合，人工配置容易出错。XCON 把配置规则编码进系统，根据客户需求自动生成合理的硬件配置清单，在 DEC 公司实际生产中大幅降低了配置错误率、节省了大量人力成本。MYCIN 管"诊断"，XCON 管"配置"，一个面向医疗、一个面向工业，却共同证明了同一件事：只要领域足够窄、规则足够清晰，机器确实能承担专家级判断工作。

产生式规则：专家系统的"语言"

想真正理解专家系统，必须看懂它的"语言"——产生式规则。一条规则长这样：

IF  病人的革兰氏染色为阴性
AND 病人的形态为杆状
AND 病人的需氧性为兼性厌氧
THEN 致病菌有 0.6 的置信度可能是大肠杆菌

规则由条件部分（IF 子句）和结论部分（THEN 子句）组成，条件可以多条件 AND/OR 组合，结论也可以带置信度。推理引擎在规则库中反复匹配，形成推理链。这套机制有两个今天看来依然先进的特性：一是可解释性——每一步推理都能回溯"因为满足了哪些条件，所以得出什么结论"；二是模块化——新增一条规则就能扩展系统能力，不需要重写整个程序。

原理拆解：推理引擎是怎么"想问题"的

正向链：从事实出发往前推

正向链（Forward Chaining）的思路是"由因到果"：从已知事实出发，不断匹配规则，看哪些规则的条件被满足，触发它们的结论，把新结论加入事实库，再继续匹配，直到无法推出新结论为止。

拿 MYCIN 举例：已知"病人发热"“白细胞升高”“血培养显示革兰氏阴性杆菌”，系统先匹配规则发现"发热+白细胞升高"可能指向感染，再匹配"革兰氏阴性杆菌"相关规则，一步步推出可疑致病菌。正向链适合"已知一堆事实，想看看能得出什么"的场景，比如监控告警、配置校验——数据进来了，顺着规则看会触发什么结果。

反向链：从目标假设往回验证

反向链（Backward Chaining）的思路是"由果溯因"：先假设一个结论，然后反向查找需要哪些条件支撑这个结论，再验证这些条件是否成立，不成立就继续往前找更深层的条件。

同样用 MYCIN 场景：系统怀疑致病菌是大肠杆菌，于是反向问："要确认大肠杆菌，需要哪些证据？"规则说需要革兰氏阴性、杆状、兼性厌氧三个条件；系统再检查这三条证据，缺哪条就向用户提问补哪条。反向链特别适合诊断类任务——目标明确（找出病因），只需要围绕目标收集证据，效率远高于漫无目的地正向扫描。MYCIN 采用的就是反向链为主的策略。

示意图：一条规则的两种推理方向

正向链（数据驱动）：已知事实 → 匹配规则条件 → 推出新结论 → 继续匹配
   事实A ──┐
   事实B ──┼──► 规则1满足 ──► 结论C ──► 规则2满足 ──► 结论D
   事实C' ──┘

反向链（目标驱动）：目标假设 → 反查规则 → 需要哪些条件 → 逐条验证
   目标D ◄── 规则2需要条件C ◄── 验证C：由规则1推出？ ◄── 检查事实A、B

图注：正向链从数据出发推结论，适合监控、配置类任务；反向链从目标出发找证据，适合诊断、问答类任务。读图重点：两种推理的起点和终点正好相反，实际系统常常混合使用。

知识获取瓶颈：压垮专家系统的第一根稻草

理论设计得再漂亮，落地时专家系统撞上了一堵绕不开的墙——知识获取瓶颈。规则必须由人工逐条编写，而领域专家的经验大量是隐性知识：医生能一眼判断病情，但你让他说清楚"你是怎么判断的"，他往往只能给出模糊的描述。把隐性经验完整外显成规则，极其困难且耗时。

更麻烦的是规则维护的指数级成本：系统规模一大，规则之间开始互相冲突——这条规则说发烧要用药 A，那条规则说同样情况要观察，谁对？排查和协调的成本随规则数量爆炸式增长。曾有项目统计，维护一个大型专家系统规则库的工程师成本，远超当初构建它的成本。

封闭世界假设：专家系统"看不见"规则之外的世界

如果说知识获取瓶颈是"造不出来"，那么封闭世界假设就是"用不起来"。专家系统只能在预设规则覆盖的边界内工作：规则库里没有的情况，系统就无法处理；输入稍微超出预期格式，系统直接"哑火"。它不具备学习能力，不能从错误中自我改进，也没有容错机制。

想象一下：MYCIN 只学了 500 条规则，遇到规则库外的罕见细菌感染，它不会说"我不确定"，而是可能给出一个完全错误的推断——因为它根本意识不到"自己不知道"。这种脆弱性在实验室里还能接受，放到真实生产环境就是灾难。真实世界的输入千变万化，没有哪个团队能预先把所有情况都写成规则。

走向寒冬：第二次 AI 寒冬与专家系统退潮

多重压力在 80 年代末集中爆发。硬件层面，专门运行 Lisp 等符号语言的机器市场崩塌；产业层面，专家系统项目交付难、维护贵、效果不稳定，企业热情迅速降温；研究层面，越来越多学者意识到纯符号路径的天花板。随着 Lisp 机器市场崩塌与第二次 AI 寒冬的到来，以专家系统为代表的第一代"代理式"智能宣告退潮，大量项目被砍、资金撤退，符号主义从巅峰跌入谷底。

但历史从不会白白浪费一次失败。专家系统虽然退场，却留下了两个影响深远的概念遗产。第一个是**“知识+推理"的分离架构**——知识库负责存，推理引擎负责算，二者解耦。这个架构直接演化为后世 Agent 的"记忆+规划"分工：向量数据库就是现代版的"知识库”，规划推理模块就是现代版的"推理引擎"。第二个是**"在限定领域内自主完成目标"的代理观**——一个系统接受目标、基于领域知识推理、输出行动建议，这套心智模型成为后续所有 Agent 研究的共同底色。

两条支流：符号主义之外，Agent 的另两条血脉

在符号主义占据主流的同时，上世纪 90 年代还出现了两条重要支流，它们与专家系统一起，共同构成了现代 Agent 的"史前拼图"。

支流一：行为主义——没有大脑也能走出智能

第一条支流以 Rodney Brooks 为代表，被称为行为主义学派。Brooks 的观点相当"叛逆"：智能为什么一定要有显式的符号表征和中央规划器？看看蟑螂——它没有复杂的推理能力，却能灵敏地躲避障碍、寻找食物。Brooks 认为，智能可以通过"环境感知 + 简单行为层的叠加"涌现出来，不需要一个高高在上的"大脑"统一指挥。

他提出的包容式架构（Subsumption Architecture）把机器人行为分成若干层：底层负责"避障"，中层负责"漫游"，高层负责"朝目标前进"。每层都是独立的反应式模块，上层可以压制下层的输出。他研制的六足机器人 Genghis 在没有中央规划器的条件下完成了复杂地形行走——你不需要告诉它"先抬左脚再迈右脚"，它靠底层行为的协作自己就走起来了。

这条路线的影响直到今天依然清晰：其一，它为后来的具身智能埋下了伏笔——智能不一定住在符号里，也可以活在身体与环境的交互中；其二，"分层压制"的架构思想，与今天分层 Agent 中"高层规划压制底层动作"的设计一脉相承。我们在讲多智能体与具身智能时会再次遇到 Brooks 的影子。

支流二：BDI 模型——给软件代理装上"心智"

第二条支流来自软件工程界，代表人物是 Wooldridge 等人提出的 BDI 模型（信念-愿望-意图，Belief-Desire-Intention）。它不关心机器人怎么走路，而关心一个问题：一个自主的软件实体，应该具备怎样的"心智状态"才能被称为智能代理？

BDI 给出了三个关键词。信念（Belief）：代理对世界状态的认知，比如"用户的收件箱里有 5 封未读邮件"；愿望（Desire）：代理希望达到的目标状态，比如"把所有垃圾邮件过滤掉"；意图（Intention）：代理当前承诺要执行的行动计划，比如"先识别发件人域名，再对可疑邮件执行过滤"。代理持续感知环境、更新信念，从愿望中筛选可实现的意图，然后执行并观察效果。

BDI 模型的出现，把 Agent 研究从"规则执行器"提升到了"有目的性的自主实体"的高度。它在邮件过滤、信息检索等场景出现了早期商业尝试——最早的垃圾邮件过滤器、最早的个性化信息推送，很多都带着 BDI 的影子。更关键的是，BDI 对"目标-信念-行动"的刻画，为今天大模型 Agent 的"系统提示 + 记忆 + 规划 + 工具执行"架构提供了概念框架：大模型里的系统提示就是"信念约束"，用户指令就是"愿望"，ReAct 循环里每一步行动就是"意图"的落地。

示意图：三条支流如何汇入现代 Agent

20世纪50-80年代                      20世纪90年代                      今天
┌──────────────────┐      ┌────────────────────┐      ┌──────────────────────┐
│ 符号主义/专家系统   │      │ 行为主义(包容式架构)  │      │                      │
│ 知识库+推理引擎    │      │ Brooks/Genghis      │      │   现代 LLM Agent     │
│ MYCIN/XCON       │──┬──►│                    │──┬──►│ 记忆+规划+工具+执行    │
│ 知识+推理分离      │  │   │ BDI(信念-愿望-意图)  │  │   │ 具身智能/多智能体      │
└──────────────────┘  │   │ Wooldridge          │  │   └──────────────────────┘
                      │   └────────────────────┘  │
                      └───────────┬───────────────┘
                                  │ 三条支流交汇
                                  ▼
                    现代 Agent 的"史前拼图"
                    知识即记忆 / 推理即规划 / 目标即意图

图注：符号主义贡献了"知识+推理"架构，行为主义贡献了"感知-行动"与分层思想，BDI 贡献了"目标导向的自主实体"心智模型，三者汇入现代 LLM Agent。读图重点：没有哪条支流单独胜出，今天的 Agent 是三条血脉的合流。

技术深挖：连接主义登场——从感知机到统计学习

就在符号主义高歌猛进的同一时期，另一条路线一直在暗处生长，它就是连接主义。连接主义的哲学与符号主义截然相反：智能不需要显式规则，只要搭建一个模仿大脑神经元连接的网络，让它从数据中自己"学会"规律。这条路线的最早代表是 1958 年 Rosenblatt 提出的感知机（Perceptron），一个单层神经网络，能够对简单的线性可分问题进行分类。

感知机一度引发巨大轰动，但很快遭遇了滑铁卢：1969 年，Minsky 和 Papert 在《感知机》一书中严格证明了单层感知机连"异或"这样简单的非线性问题都无法解决。这个结论让神经网络研究进入了漫长的冰河期，资金与人才大量流失，人们重新把希望寄托在符号主义上。现在回看，那是一次典型的"误杀"——被证明做不到的是"单层"感知机，而不是"多层"网络，可惜当时的算力与训练方法都无法支撑深层网络的探索。

历史在 80 年代中期迎来转折。**反向传播算法（Backpropagation）**的重新流行让多层神经网络成为可能，网络终于可以学习非线性映射；1989 年前后，Hornik 等人在理论上证明了多层前馈网络可以逼近任意连续函数——“万能逼近定理"为神经网络提供了坚实的理论底气。与此同时，统计学习思想也开始登场：研究者不再执着于"把专家的规则挖出来”，而是转向"用大量样本把规律学出来"。决策树、支持向量机等经典机器学习算法相继成熟，1997 年 IBM 深蓝击败国际象棋世界冠军卡斯帕罗夫，用的虽然是暴力搜索为主，却让全世界再次相信机器智能的潜力。

为什么这条历史线对理解 Agent 至关重要？因为它解释了当今 Agent 的核心引擎——大模型——的"出身"。专家系统是"规则在手、世界在前"，连接主义是"数据在前、规则自生"：前者靠人工给答案，后者靠数据出答案。深度学习彻底改变了"知识从哪来"这个根本问题：模型不再需要人类把经验逐条编码，它从万亿 token 的语料中自动汲取统计规律。报告在回顾六代演进时也指出，从专家系统到知识图谱、再到深度学习与大模型，每一次范式跃迁的实质，都是"知识获取方式"的跃迁——而知识获取方式，恰恰决定了 Agent 能力的天花板。

还要多说一句，感知机时代的教训在今天依然有效：当时人们因"单层网络做不到异或"就否定整个神经网络方向，属于典型的"用早期版本的局限否定整个范式的潜力"。今天同样有人因为"大模型会幻觉、Agent 还不可靠"就断言这条路走不通。历史反复告诉我们：评价一项技术，要看它的趋势曲线，而不是某一时刻的残缺版本。

技术深挖：从规则到知识图谱再到向量——Agent 记忆的进化线

连接主义解决了"知识从哪学"，但没解决"知识怎么存、怎么用"。如果我们把专家系统的规则库、知识图谱、以及今天大模型 Agent 的向量数据库放在一条时间线上，会看到一条异常清晰的进化路径。

第一代：规则即知识。 专家系统把知识写成"如果-那么"规则，优点是精确、可解释，缺点是脆弱——知识被锁死在规则的句法里，换一个领域表达方式就失效，而且难以扩展。第二代：图谱即知识。 2012 年谷歌提出"知识图谱"概念后，人们开始用"实体-关系-实体"的三元组（比如"北京-首都-中国"）表示知识。图谱比规则灵活得多：可以在节点上做推理、在关系上做查询。但构建和维护知识图谱依然是重度人工工程，覆盖范围有限，遇到开放域问题同样力不从心。

第三代：向量即知识。 大模型时代，知识以高维向量的形式分布存储在模型参数中，也以嵌入向量的形式存放在向量数据库里。RAG 流程中，用户提问先被编码成向量，系统在向量库中检索语义相近的文档片段，再把片段拼进上下文供模型生成回答。相比规则和图谱，向量检索的最大优势是语义泛化——用户问"最近身体老没劲"也能命中"疲劳与免疫力低下"相关文档，而不是要求关键词严格匹配。

报告里把 Agent 的记忆划分为短期记忆（当前会话上下文）、工作记忆（任务中间状态）与长期记忆（跨会话持久知识），其中长期记忆的落地载体正是向量数据库与知识图谱的混合体：冷知识图谱负责精确约束，热向量库负责灵活召回，模型参数负责生成融合。如果你把这条线拉通看，会发现一个惊人的规律：专家系统的"知识库+推理引擎"架构并没有消失，它只是换了个皮——今天的向量数据库就是"知识库"的进化形态，而大模型就是"推理引擎"的进化形态。知识从"人写的规则"一路进化到"机器自学的向量"，但"知识负责提供素材、推理负责做出决策"的分工，七十年来从未改变。

图注（文字示意）：规则库 → 知识图谱 → 向量库，三者的知识表达力、维护成本与泛化能力逐代提升；理解这条线，就能理解为什么今天的 Agent 敢于面对开放域任务。

案例复盘：规则引擎为什么至今活在金融与工业里

讲了这么多"史前史"，你可能想问：专家系统不是退潮了吗，怎么我身边还有那么多规则？答案是：专家系统死了，但规则引擎活了下来，而且活得好好的。在金融风控领域，银行的反欺诈系统至今大量使用规则引擎：单笔交易金额超过阈值、短时间内异地多笔消费、设备指纹异常——这些判断逻辑用"如果-那么"规则表达依然是最优解，因为规则快（毫秒级）、稳（可预期）、可解释（监管要审计）。

在工业制造里同样如此：设备报警分级、工艺流程参数校验、安全生产红线判定，全部是规则在把守。为什么这些场景离不开规则？因为它们有一个共同特征：判断标准明确、错误代价极高、需要向监管或审计完整解释。规则引擎在这些场景里不是"不够聪明"，而是"聪明得恰到好处"——它知道自己该做什么，也从不出错，更不会"幻觉"。

那 Agent 时代规则还有位置吗？不仅有，而且更重要。报告在分析企业级 Agent 落地时反复强调"可控性"与"合规性"，最务实的落地范式就是混合架构：规则定边界，模型做决策。用规则守住"不能做的事"（比如禁止访问的敏感数据、必须人工审批的金额阈值、严禁触发的操作路径），用大模型处理"怎么做好"的开放决策（比如理解客户意图、生成回复话术、拆解任务流程）。你可以把规则想象成交通法规——它不负责替你选目的地，但确保你不超速、不逆行、不出人命。理解了这条"规则兜底 + 模型发挥"的分工，你就真正吃透了专家系统留给 Agent 时代的最大遗产。

实战演练：用 Python 写一个迷你专家系统

光看历史不过瘾，我们来亲手复刻一个迷你专家系统，感受一下"规则驱动"到底是什么体验。下面用 Python 实现一个简化版"设备故障诊断"专家系统，采用正向链推理。

# 迷你专家系统：知识库（IF-THEN 规则）
rules = [
    {
        "id": "R1",
        "if": {"症状": "无法开机", "电源灯": "不亮"},
        "then": "结论：电源故障，请检查电源线和电源适配器"
    },
    {
        "id": "R2",
        "if": {"症状": "无法开机", "电源灯": "亮", "风扇": "不转"},
        "then": "结论：主板故障，请联系售后检测"
    },
    {
        "id": "R3",
        "if": {"症状": "蓝屏", "最近操作": "安装新驱动"},
        "then": "结论：驱动冲突，建议进入安全模式回滚驱动"
    },
    {
        "id": "R4",
        "if": {"症状": "运行缓慢", "内存占用": ">90%"},
        "then": "结论：内存不足，建议关闭后台程序或加装内存条"
    },
]

def forward_chaining(facts):
    """正向链推理：反复匹配规则，直到没有新结论产生"""
    conclusions = []
    changed = True
    while changed:
        changed = False
        for rule in rules:
            # 检查规则的所有条件是否都满足
            if all(facts.get(cond) == val for cond, val in rule["if"].items()):
                if rule["id"] not in [c["rule_id"] for c in conclusions]:
                    conclusions.append({"rule_id": rule["id"],
                                        "conclusion": rule["then"]})
                    changed = True
    return conclusions

# 用户输入的事实
user_facts = {"症状": "无法开机", "电源灯": "不亮"}

results = forward_chaining(user_facts)
for r in results:
    print(f"[{r['rule_id']}] {r['conclusion']}")

运行这段代码，输出结果是：

[R1] 结论：电源故障，请检查电源线和电源适配器

看到没有？没有任何深度学习、没有海量参数，仅仅靠 4 条规则 + 一个正向链循环，系统就能给出"像模像样"的诊断。这就是专家系统的魅力所在：在规则覆盖的范围内，它稳定、可解释、零幻觉——每一步结论都能说清依据。

更进一步：把规则改成可配置

真实专家系统不会把规则硬编码在 Python 里，而是把规则存成配置文件或数据库记录，让领域专家能独立维护。这里给出一个规则配置化的示例片段，帮助你理解"知识库与推理引擎分离"的工程含义：

[
  {
    "id": "R1",
    "if": {"症状": "无法开机", "电源灯": "不亮"},
    "then": "结论：电源故障，请检查电源线和电源适配器"
  },
  {
    "id": "R2",
    "if": {"症状": "蓝屏", "最近操作": "安装新驱动"},
    "then": "结论：驱动冲突，建议回滚驱动"
  }
]

推理引擎只负责读取规则、匹配执行，领域专家只需编辑 JSON 就能"教"系统新知识，不需要懂编程。这正是"知识+推理分离"设计最实在的价值——也是今天 Agent 把"记忆库"与"规划器"分开维护的思想源头。当你用 RAG 给大模型挂载企业知识库时，本质上你也在做同样的事：把"知识"从"推理大脑"中剥离出来，让知识可以独立更新。

避坑指南：从"史前史"里能学到什么教训

教训一：别把规则系统神话，也别把它一棍子打死。 专家系统的失败不是"规则没用"，而是"只靠人工规则不够"。今天不少团队做 Agent 时依然会写一堆 if-else 硬规则，这在流程简单、边界清晰的场景完全合理；但一旦业务复杂，规则维护成本就会指数上升。正确的姿势是分层：用少量硬规则守住安全边界，把开放决策交给大模型，而不是用规则硬编码所有逻辑。

教训二：警惕"封闭世界"思维。 专家系统最大的软肋是"不知道自己不知道"。今天的 Agent 也有类似风险：当工具没接、知识库没覆盖时，模型依然可能自信地给出错误答案。历史给出的解法是显式承认不确定性——判断超出能力范围时，明确说"这个我不确定"或触发人工介入，而不是硬编一个答案。

教训三：知识库需要持续维护，不是一次性工程。 XCON 后期的维护成本噩梦提醒我们：知识是会过期的。今天的 RAG 知识库同样如此，文档不更新、索引不重建，Agent 就会拿着旧知识一本正经地胡说。把"知识更新"当成常态化运营任务，而不是上线即结束。

💡 效率技巧： 如果你想在今天的 Agent 里"考古复用"专家系统的精华，最划算的做法是把它变成规则校验层：用 IF-THEN 规则库做前置过滤和后置校验（比如"金额超过 10 万必须人工审批"），让规则负责"守底线"，让大模型负责"开脑洞"。这种"规则兜底 + 模型发挥"的组合，比纯规则灵活，比纯模型可靠，是生产级 Agent 最实用的架构之一。

总结与思考

回头看这段"史前史"，最值得玩味的是：今天的 Agent 并没有推翻老前辈，而是站在它们的肩膀上。专家系统用"知识+推理"的分离架构，预演了现代 Agent"记忆+规划"的分工；行为主义用"分层压制"和"感知-行动"思想，为具身智能和多层架构埋下伏笔；BDI 模型用"信念-愿望-意图"，给自主软件代理确立了"目标导向"的心智模型。报告里的总结非常精准：这些探索共同构成了现代 Agent 的史前拼图，但受限于当时的算力与算法，尚未形成能处理开放域任务的通用智能体。

为什么专家系统没能走向通用？答案是三座大山：知识获取瓶颈（规则靠人写，写不全）、封闭世界假设（只能处理规则内的输入，脆弱无容错）、算力与算法局限（没有自动从数据中学习的能力）。而大模型的诞生，恰好用三种方式"解"掉了这三座山：知识不再靠人工逐条编码，而是从海量语料中自动习得；输入不再是格式化的规则匹配，而是灵活的自然语言理解；能力不再封死，而是可以在新数据上持续进化。这正是"史前史"给我们的最大启示：Agent 的本质从未改变——在限定目标下自主决策并行动；改变的是支撑它的知识获取方式与推理引擎。

延伸思考： 如果你把眼光再放远一点，会发现专家系统的兴衰藏着一条规律：任何 AI 技术从实验室走向产业，都要跨过"维护成本 < 业务收益"这道坎。专家系统跨不过去，是因为规则维护成本失控；今天的 Agent 同样面临算力成本与 ROI 的拷问——报告提到约 30% 到 40% 的企业级智能体项目可能因 ROI 不达预期而在 18 个月内停滞或关闭。历史的教训是：别高估技术的新颖性，也别低估工程化的成本。

下篇预告： 专家系统退潮后，AI 走向了"深度学习"的新路线。下一期我们把时间拨到 2011 年之后，聊聊 Siri、Alexa 这些语音助手背后的对话机器人时代——为什么它们看起来挺聪明，却总是"听不懂人话"？关注我，我们继续往前挖。

互动话题： 你在工作中见过哪些"看起来很 AI、其实是死规则"的系统？或者你自己写过什么规则驱动的"伪智能"应用？评论区聊聊，看看谁的"考古"最有味道。

7 个标签

#专家系统 #符号主义 #MYCIN #BDI模型 #AI历史 #人工智能 #知识工程