这道 AI 考题，90% 的学生都答错了！保姆级解析 CBR+RBR 结合系统
AI 专家系统经典考题 看一遍就会，建议收藏
上周有个粉丝私信我，说期末考前一天还在纠结这道题。我一看——好家伙，这题出得确实刁钻，但又特别经典。
今天给你掰开揉碎讲明白，保证你看完就能拿满分。建议先收藏，考试前翻出来看一遍就够了。
先看原题
三、问答题（每小题 4 分，共 12 分）
对一类问题求解来说，若有部分案例（case），而有较多的推理规则（知识），试问如何建造一个由基于案例推理和规则推理相结合的求解系统，以使推理效率高又能求得问题的解。是不是看完有点懵？别慌，我们一步步来。
一、先搞懂两个主角
这道题考的是两种推理方式的结合。先分别搞懂它们，你才能理解为什么要结合。
展开剩余92%主角 1：基于案例推理（CBR）—— 用经验解决问题
一句话理解：遇到新问题，先想想以前有没有类似的，有的话直接套用。
生活例子：你去餐厅点菜，看到一个新菜名不确定好不好吃。你会怎么想？
"上次那个长得差不多的菜味道不错，这个应该也行。"
这就是 CBR——用过去的经验解决新问题。
专业流程（记住这个 4R 循环，考试必考）：
步骤 英文 人话解释 检索 Retrieve 从经验库里翻出类似的老案例
复用 Reuse 把老方案套到新问题上
修正 Revise 根据差异微调方案
保留 Retain 把这次的经验存起来，下次直接用
CBR 的优点：
推理速度快，不用从头推
擅长处理"说不清规则"的问题
CBR 的缺点：
经验库里没有相似案例，就傻眼了
案例越多，翻起来越慢
主角 2：基于规则推理（RBR）—— 用规则推导结论
一句话理解：根据 IF-THEN 规则，一步步推出结论。
生活例子：你想判断一个动物是不是哺乳动物，心里有条规则：
IF 胎生 AND 哺乳 THEN 是哺乳动物
你发现这个动物两个条件都符合，所以得出结论。这就是 RBR。
两种推理方式：
正向推理（从已知推未知）：已知"胎生+哺乳"→ 推出"是哺乳动物"
反向推理（从目标倒推条件）：目标是"证明它是哺乳动物"→ 倒推需要"胎生+哺乳"的证据
RBR 的优点：
知识表示清晰，推理过程可解释
擅长处理规则明确的问题
RBR 的缺点：
规则多了会冲突、会爆炸，推理效率低
有些问题根本没有明确规则
二、为什么要结合？（得分点）
题目给了一个关键线索："有部分案例，有较多推理规则"。
这句话暗示了什么？
单独用 CBR → 案例不够多，覆盖不全，遇到新情况就卡壳
单独用 RBR → 规则太多，一条条匹配效率太低
所以正确答案是：结合两者，取长补短！
结合后的三大优势：
效率高：先用 CBR 快速匹配，命中就直接用，不用一条条跑规则 覆盖全：案例库没覆盖到的情况，用规则推理兜底，不会卡壳 可学习：规则推理的结果可以作为新案例存起来，系统越用越聪明三、如何建造结合系统？（核心答案，重点！）
设计思路就四个字：CBR 优先，RBR 兜底。
整体架构图（建议截图保存）
┌──────────────────┐
│ 用户输入问题 │
└────────┬─────────
▼
┌──────────────────┐
│ 第一阶段：CBR │
│ （快速匹配） │
└────────┬─────────┘
│
┌─────────────┼──────────────┐
▼ ▼
┌──────────────── ┌────────────────
│ 找到相似案例 │ │ 未找到相似案例 │
│ → 复用 + 修正 │ │ → 进入第二阶段 │
└────────┬───────┘ └────────┬───────┘
│ ▼
│ ┌────────────────┐
│ │ 第二阶段：RBR │
│ │ （规则推理兜底）│
│ └────────┬───────┘
│ │
▼ ▼
┌──────────────── ┌────────────────┐
│ 输出解决方案 │◄─────────│ 输出解决方案 │
└────────┬───────┘ └────────┬───────┘
│ │
└─────────────┬──────────────┘
▼
┌──────────────────┐
│ 新案例存入案例库 │
│ （系统越用越强） │
└──────────────────┘
具体建造步骤（按这个顺序写，阅卷老师一眼给满分）
步骤 1：建立案例库（Case Base）
把已有的"部分案例"整理成结构化格式：
案例 = {
问题描述: "症状描述/问题特征",
解决方案: "对应的处理方法",
特征向量: [特征1, 特征2, ...], // 用于相似度计算
置信度: 0.95, // 该方案的可信程度
来源: "历史数据/规则推理生成"
}
步骤 2：建立规则库（Rule Base）
把"较多推理规则"整理成标准 IF-THEN 格式：
规则 = {
前提条件: [条件1, 条件2, ...],
结论: "推导出的结果",
置信度: 0.8,
优先级: 5
}
步骤 3：设计相似度计算模块（CBR 的核心）
怎么判断"当前问题"和"历史案例"有多像？
方法一：最近邻法
计算特征向量的欧氏距离或余弦相似度，距离越近越相似。
方法二：加权相似度（更精准）
给重要特征分配更高权重，公式如下：
Sim(A, B) = Σ wᵢ × sim(Aᵢ, Bᵢ) / Σ wᵢ
wᵢ = 第 i 个特征的权重
sim(Aᵢ, Bᵢ) = 两个特征值的相似度
举个栗子：医疗诊断中，"发烧"这个症状的权重肯定比"头痛"高，所以加权计算更准确。
步骤 4：设计推理流程（考试必写！）
输入：新问题 P
【第一步：CBR 快速匹配】
计算 P 与案例库中每个案例的相似度 IF 存在相似度 > 阈值的案例 THEN选取最相似的案例 C复用 C 的解决方案根据 P 和 C 的差异进行修正输出修正后的方案 → 结束ELSE进入第二步【第二步：RBR 规则推理兜底】
用正向推理或反向推理匹配规则 IF 找到适用规则 THEN执行规则链，推导结论输出推导结果ELSE输出"无法求解"【第三步：系统学习成长】
将新问题的解决方案作为新案例存入案例库 下次遇到类似问题就能直接匹配了步骤 5：设计冲突解决机制
当 CBR 和 RBR 给出不同答案时怎么办？三种策略：
策略 说明 适用场景CBR 优先 案例来自真实经验，通常更可靠 一般场景
置信度比较 选择置信度更高的方案 两者差异不大时
用户确认 两个方案都给用户，由用户选 医疗等高风险场景
四、用一个具体例子彻底搞懂
光说理论太抽象，我们用一个医疗诊断系统的例子，带你走一遍完整流程。
系统资源
案例库：500 个历史病例
规则库：2000 条医学诊断规则
场景 A：CBR 命中（90% 的情况）
患者来了："发烧 38.5℃，咳嗽，喉咙痛，持续 3 天"
系统在 500 个病例中快速检索，找到最相似的：
病例 #327：发烧 38℃，咳嗽，喉咙痛，持续 2 天
→ 诊断：急性上呼吸道感染
→ 方案：休息 + 退烧药 + 抗生素
系统复用这个方案，根据差异微调：
体温略高（38.5 vs 38）→ 退烧药剂量加一点
病程略长（3天 vs 2天）→ 建议多观察一天
结果：30 秒内给出诊断方案
场景 B：CBR 未命中，RBR 兜底（10% 的情况）
患者来了："发烧 + 皮疹 + 关节痛"
案例库里没有类似病例，CBR 检索失败 → 自动切换到 RBR。
系统启动规则推理：
规则 1: IF 发烧 AND 皮疹 THEN 怀疑病毒感染
规则 2: IF 病毒感染 AND 关节痛 THEN 考虑登革热
规则 3: IF 登革热 THEN 建议血液检测 + 补液治疗
通过规则链推导出诊断结果。
关键一步：把这个新病例（发烧+皮疹+关节痛 → 登革热）存入案例库。下次再遇到类似症状，CBR 就能直接匹配了，不用跑规则。这就是系统越用越聪明的原理。
五、考场速记版（背这个就够了）
考试时按下面这个框架写，稳拿 4 分：
CBR 和 RBR 的特点对比（1 分） CBR：用经验、速度快、覆盖有限 RBR：用规则、覆盖全、推理可能慢 结合思路：CBR 优先 + RBR 兜底（2 分） 先检索案例库，相似度高直接用 找不到再用规则推理 推理结果存为新案例，系统越用越强 关键模块（1 分） 案例库 + 规则库 相似度计算（最近邻法/加权法） 冲突解决机制写在最后
这道题是 AI 专家系统的经典考题，理解了 CBR 和 RBR 的结合思想，以后遇到类似的"混合推理"题目都能举一反三。
觉得这篇文章有用的话：
点个赞，让我知道你在看
评论区告诉我：你在考试中遇到过哪道不会的题？下期给你解析
关注我，每天一道 AI 考题解析，期末考试不慌
发布于：上海市