基于知识的 & 理性代理：AI 决策背后的大脑
Source: Dev.to
请提供您希望翻译的正文内容，我将为您翻译成简体中文。
引言
当我们谈论 AI 系统时，常常关注模型、训练数据和性能指标。在这些之下还有更根本的东西：决策逻辑。这正是 knowledge‑based agents（基于知识的代理）和 rational agents（理性代理）发挥作用的地方。这些概念构成了结构化、目标驱动 AI 系统的基础。
Source: …
知识‑基代理
知识‑基代理是一种 AI 系统，它存储关于世界的结构化信息，并使用逻辑推理来做决策。它通常包括：
- knowledge base – 存储事实和规则
- inference engine – 推导新结论
- Update mechanism – 随时间修改知识
与简单的反应式系统不同，知识‑基代理并不只依赖即时输入。它们利用已存储的知识进行推理，并能从已有规则中推断出新信息。
示例
如果系统知道：
- 所有 premium 用户都获得优先支持
- 用户 A 是 premium 用户
它可以推断 用户 A 应该获得优先处理。这种推导结论的能力使得知识‑基系统在规则密集的环境中非常强大。
可解释性
每一个决策都可以追溯到：
- 某条具体规则
- 某个已存储的事实
- 某次逻辑推理
这种透明性使得知识‑基代理适用于对可解释性有要求的领域，如合规系统、策略引擎和决策自动化平台。当需要确定性推理时，它们尤其有用。
理性代理
理性 AI 代理专注于根据目标选择最佳可能的行动。它会评估可用的行动，并选择能够最大化预期表现的那一个，而不是仅仅遵循规则。
从形式上讲，理性代理：
- 观察环境
- 评估可能的行动
- 选择能够优化已定义目标的行动
该目标可以是最小化成本、最大化效率或提升准确性。理性 AI 系统常用于：
- 优化问题
- 调度
- 资源分配
- 博弈论环境
比较与整合
| 方面 | 基于知识的代理 | 理性代理 |
|---|---|---|
| 主要关注点 | 结构化推理与推断 | 最优行动选择 |
| 决策依据 | 规则、事实、逻辑推理 | 已定义的目标函数 |
| 典型使用场景 | 可解释、规则密集的领域 | 优化与效用驱动的任务 |
在实际应用中，许多系统会将两者结合：
- 知识 提供约束和领域逻辑。
- 理性评估 在这些约束内进行优化。
这种分层方法产生的系统既正确又高效。
AI 中的代理分类
标准 AI 分类包括：
- Simple reflex agents
- Model‑based agents
- Goal‑based agents
- Utility‑based agents
- Learning agents
- Knowledge‑based agents
Knowledge‑based agents 通常与 model‑based reasoning systems 重叠，而 rational agents 与最大化 performance measures 的 utility‑based agents 紧密对应。
结论
理解基于知识的代理与理性代理之间的区别有助于设计者构建避免依赖黑箱模型的决策引擎。即使是先进的 AI 系统也受益于：
- 明确的知识表示
- 明确定义的目标函数
- 清晰的决策策略
从本质上讲，AI 系统是决策者。基于知识的代理提供结构化推理；理性代理确保最佳行动选择。它们共同构成人工智能中最重要的两大基础，使系统具备智能、可预测、可解释，并与现实世界目标保持一致。