3. 规则引擎核心概念：规则、事实、规则集、工作内存与推理引擎

规则引擎的本质是一个将业务逻辑从应用程序代码中分离出来，并使用预定义的语义模块（规则）来对输入数据（事实）进行推理和决策的组件。要深入理解规则引擎的工作原理，必须掌握其五大核心概念：规则（Rule）、事实（Fact）、规则集（RuleSet）、工作内存（WorkingMemory）和推理引擎（InferenceEngine）。这五个概念共同构成了规则引擎的运行时骨架。

3.1 规则（Rule）

规则是规则引擎中最基本的逻辑单元，它表达了业务领域中的一条判断逻辑。一个典型的规则由两部分组成：条件部分（LHS，Left-Hand Side）和动作部分（RHS，Right-Hand Side）。当条件部分匹配到工作内存中的事实时，动作部分就会被触发执行。

组成部分	别名	作用	示例（Python伪代码）
条件（LHS）	When / 左部	定义规则触发的条件，通常包含模式匹配、约束和逻辑组合	order.amount > 1000 and order.customer.is_vip
动作（RHS）	Then / 右部	条件满足时执行的操作，如修改事实、调用外部服务、产生输出	order.apply_discount(0.15)

在 Python 规则引擎（如 durable_rules 或 experta）中，规则通常通过装饰器或类定义来实现：

# 使用 experta 库定义规则的示例
from experta import *

class VIPDiscountRule(Rule):
    @Rule(
        Order(amount=P(lambda x: x > 1000)),
        Customer(vip=True)
    )
    def apply_vip_discount(self, order, customer):
        order.amount *= 0.85
        print(f"VIP客户 {customer.name} 享受85折优惠")

3.2 事实（Fact）

事实是规则引擎进行推理的输入数据。它代表了系统在某一时刻所知道的关于业务对象的信息。事实可以是简单的数值、字符串，也可以是复杂的对象结构。事实被插入到工作内存中，供规则引擎进行模式匹配。

• 临时事实：在推理过程中动态创建，推理结束后通常被销毁。
• 持久事实：在多次推理会话中保持存在，通常代表基础业务实体。
• 中间事实：由规则动作产生，用于触发后续规则的连锁反应。

3.3 规则集（RuleSet）

规则集是一组相关规则的逻辑集合。它提供了规则的命名空间、优先级管理和分组执行的能力。在实际项目中，通常按照业务领域、功能模块或执行阶段来组织规则集。

组织方式	适用场景	优点
按业务领域	大型项目，多个业务模块	职责清晰，便于团队分工
按执行阶段	有明确流程顺序的业务	控制推理顺序，避免循环
按优先级	规则之间有依赖或冲突	精确控制规则触发顺序

# 规则集示例（概念性代码）
ruleset = RuleSet("订单处理规则集")

ruleset.add_rule(VIPDiscountRule(), priority=10)
ruleset.add_rule(NewCustomerRule(), priority=5)
ruleset.add_rule(BlacklistCheckRule(), priority=20)

# 推理引擎加载规则集
engine = InferenceEngine(ruleset)

3.4 工作内存（WorkingMemory）

工作内存是规则引擎的运行时数据存储区。所有被插入的事实都存放在这里，推理引擎通过持续扫描工作内存中的事实来寻找匹配的规则。工作内存不仅存储事实，还维护事实之间的关联关系和变更历史。

工作内存的关键特性包括：

• 事实索引：对事实按类型和关键属性建立索引，加速规则的条件匹配。
• 变更传播：当事实被插入、更新或删除时，工作内存会通知推理引擎重新评估受影响的规则。
• 临时存储：支持在规则执行过程中创建临时事实，用于中间计算。

3.5 推理引擎（InferenceEngine）

推理引擎是规则引擎的核心执行器，它负责将规则集中的规则与工作内存中的事实进行匹配，并按照预定义的策略执行被触发的规则。推理引擎通常包含三个核心阶段：

1. 模式匹配：将规则的LHS与工作内存中的事实进行匹配，找出所有满足条件的规则实例。
2. 冲突解决：当多条规则同时满足条件时，根据优先级、最近使用策略等规则选择一条执行。
3. 规则执行：执行选中规则的RHS动作，动作可能修改事实、产生新事实或调用外部服务。

推理策略	描述	典型算法
前向链（Forward Chaining）	从已知事实出发，逐步匹配规则，推导出结论或执行动作	Rete、Rete-OO、Treat
后向链（Backward Chaining）	从目标假设出发，反向寻找支持该假设的事实和规则	目标驱动推理
混合推理	结合前向链和后向链，适用于复杂决策场景	Rete + 目标驱动

3.6 五大概念协同工作流程

在实际运行中，这五个概念按照以下流程协同工作：

1. 初始化：创建推理引擎实例，加载规则集到引擎中。
2. 事实插入：应用程序将业务数据作为事实插入到工作内存中。
3. 模式匹配：推理引擎使用Rete算法（或其他算法）将工作内存中的事实与规则集中的规则条件进行匹配。
4. 冲突解决：当多条规则同时满足条件时，引擎根据优先级、salience值或自定义策略选择一条规则。
5. 规则执行：执行选中规则的RHS动作，动作可能修改工作内存中的事实或产生新事实。
6. 循环迭代：事实的变更触发新一轮的模式匹配，直到没有更多规则可触发（达到固定点）。