规则引擎
第一代AI助手技术，基于预设规则和固定模板响应用户输入，以早期Siri为代表，无法处理表达变化。
核心事实
时间轴 (近 90 天)
自动客服系统通常基于‘知识库+规则引擎’或轻量级对话模型运行，设计目标是用最小交互完成高频标准化请求，倾向用静态字段替代人工核验
仅靠规则引擎或静态策略很难覆盖智能体行为的所有场景
基于大语言模型的意图分类相比传统关键词规则引擎泛化能力更强，但分类边界不如硬规则透明
传统的关键词匹配或规则引擎只能处理字面信号，而大语言模型通过海量人类文本预训练习得了对语义和情感的整体理解能力
传统规则引擎型助手依赖本地或边缘端的意图识别模型，将语音指令映射到预定义动作集合，链路可在几百毫秒内完成
基于规则的告警关联系统只能匹配预定义模式，而智能体能在开放搜索空间中处理从未见过的故障组合
对于结构化的业务规则，单纯依靠语义检索（RAG）往往不可靠，更适合用规则引擎或结构化数据库来管理和校验
第一代基于规则引擎和固定模板的系统只能识别预设指令，换一种说法就无法识别
是否超费用标准、超预算、缺审批、抬头日期科目、凭证借贷平衡等确定性判断必须走规则引擎，以实现零漏判和可解释
合规审核应采用双引擎架构，即硬规则引擎处理确定性红线，语义审核引擎处理业务实质
还有 8 条时间轴事件
全部知识事实 (18)
样本过于简单则模型无学习价值，过于困难则可能引入噪声学习信号干扰训练，最有效的学习发生在略高于当前能力但仍可企及的区域
65%待验证自动客服系统通常基于‘知识库+规则引擎’或轻量级对话模型运行，设计目标是用最小交互完成高频标准化请求，倾向用静态字段替代人工核验
50%待验证仅靠规则引擎或静态策略很难覆盖智能体行为的所有场景
50%待验证基于大语言模型的意图分类相比传统关键词规则引擎泛化能力更强，但分类边界不如硬规则透明
50%待验证传统的关键词匹配或规则引擎只能处理字面信号，而大语言模型通过海量人类文本预训练习得了对语义和情感的整体理解能力
50%待验证传统规则引擎型助手依赖本地或边缘端的意图识别模型，将语音指令映射到预定义动作集合，链路可在几百毫秒内完成
50%待验证基于规则的告警关联系统只能匹配预定义模式，而智能体能在开放搜索空间中处理从未见过的故障组合
50%待验证对于结构化的业务规则，单纯依靠语义检索（RAG）往往不可靠，更适合用规则引擎或结构化数据库来管理和校验
50%待验证第一代基于规则引擎和固定模板的系统只能识别预设指令，换一种说法就无法识别
50%待验证企业政策应先编译成规则，而不是让模型每次临时解读制度，以保证判断的一致性
50%待验证是否超费用标准、超预算、缺审批、抬头日期科目、凭证借贷平衡等确定性判断必须走规则引擎，以实现零漏判和可解释
50%待验证合规审核应采用双引擎架构，即硬规则引擎处理确定性红线，语义审核引擎处理业务实质
50%待验证规则引擎采用if-then产生式规则结构，通过正向链或反向链推理来匹配输入并触发相应动作
50%待验证混合架构设计可以让本地规则引擎处理高频操作，将LLM作为兜底方案处理复杂请求
50%待验证基于规则的系统在处理非标准Linux发行版或自定义脚本时可能频繁出错
50%待验证基于规则引擎和模式匹配的方案可以实现微秒到毫秒级别的响应，远快于任何LLM推理
50%待验证在确定性任务（如工作年限≥3年的初筛）上应使用规则引擎而非LLM，因为规则引擎结果100%可复现且执行速度微秒级，使用LLM会浪费算力并可能因幻觉导致误判
50%待验证如果一个客服FAQ场景规则匹配能覆盖95%的问题，引入Agent反而会增加系统复杂度和不确定性，只有需要灵活推理、动态决策、跨系统协调的场景Agent才能真正发挥价值
50%