Что такое основанный на знаниях агент?
Основанный на знаниях агент — это система ИИ, которая использует базу знаний и механизм вывода для рассуждения и действий. База знаний хранит информацию о предметной области, а механизм вывода применяет правила к известным фактам и выводит заключения. Базовый цикл его работы: Восприятие → База знаний → Вывод → Действие. Например, агент технической поддержки может сопоставить проблему принтера с правилами устранения неполадок, предложить решение и объяснить основание для этой рекомендации.
Как работает основанный на знаниях агент?
Основанный на знаниях агент в искусственном интеллекте обычно следует повторяющемуся циклу рассуждения. Он получает информацию из своего окружения, преобразует её в структурированные факты, а затем обращается к своей базе знаний, прежде чем выбрать ответ или действие.
Этап восприятия
На этапе восприятия собирается информация из окружающей среды. Источником может быть сообщение пользователя, показания датчика, запись о транзакции или системное событие.
Необработанные входные данные не всегда готовы для логического рассуждения. Агенту может потребоваться сначала нормализовать входные данные. Он может выделить важные сущности, обнаружить условия и преобразовать результат в структурированные восприятия.
Например:
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printingТакое преобразование даёт механизму вывода единый формат для сопоставления правил.
Цикл TELL–ASK–PERFORM
Классический основанный на знаниях агент использует три основные операции:
| Операция | Назначение | Пример |
|---|---|---|
| TELL | Добавляет новую информацию в базу знаний | Зафиксировать, что заказ задерживается |
| ASK | Запрашивает у базы знаний заключение | Проверить, подходит ли заказ для поддержки |
| PERFORM | Выполняет выбранное действие | Отправить обновление по отслеживанию |
Этапы вывода и действия
Механизм вывода проверяет, какие правила соответствуют доступным фактам. Затем он выводит одно или несколько заключений. Планировщик или модуль выбора действия может использовать эти заключения для выбора следующего шага.
Надёжный агент должен различать подтверждённое заключение и возможное объяснение. Если в базе знаний недостаточно информации, агент должен запросить уточнение или передать случай человеку.
Из каких основных компонентов состоит агент на основе знаний?
Архитектура агентов на основе знаний объединяет несколько уровней. Каждый уровень отвечает за свою задачу. Такое разделение упрощает тестирование и сопровождение системы.
База знаний
База знаний хранит факты и правила, которые агент использует для рассуждений. Например, в ней может быть зафиксировано, что у клиента активна подписка и что активные подписчики имеют доступ к определённому каналу поддержки.
База знаний может быть реализована на основе базы данных, графа знаний или движка правил — в зависимости от предметной области. Её качество критически важно, поскольку отсутствующая или неверная информация может привести к ненадёжным выводам и действиям.
Представление знаний
Представление знаний определяет, как информация выражается внутри системы. Логика высказываний работает с простыми утверждениями типа «истина/ложь», а логика первого порядка использует переменные и отношения для представления более сложных знаний.
Среди других подходов — продукционные правила вида «ЕСЛИ–ТО», которые легко проверять в экспертных системах. Онтологии определяют понятия предметной области и связи между ними, а графы знаний используют эти связи, чтобы соединять сущности.
Механизм вывода
Механизм вывода применяет правила к информации из базы знаний. Прямой вывод начинается с известных фактов и применяет подходящие правила до получения заключения.
Обратный вывод начинается с цели и ищет подтверждающие факты. Более сложные системы могут использовать такие методы, как резолюция или унификация, для обработки логических выражений с переменными.
Объяснение и пересмотр убеждений
Модуль объяснения определяет факты и правила, лежащие в основе заключения. Такая трассировка рассуждений помогает пользователям понять, почему агент выбрал тот или иной ответ или действие.
Пересмотр убеждений отвечает за обработку изменений и противоречий в базе знаний. Он использует политики приоритетов, чтобы определить, какая информация должна оставаться актуальной, что особенно важно в регулируемых рабочих процессах.
Где применяются агенты на основе знаний?
Агенты на основе знаний полезны, когда система должна руководствоваться явно заданными знаниями предметной области. Они особенно ценны, когда процесс рассуждения нужно проверять после совершения действия.
Поддержка медицинских решений
Система поддержки медицинских решений может сопоставлять симптомы с клиническими правилами. Она может выявлять возможные состояния или рекомендовать, какую информацию собрать следующей.
Такая система должна помогать медицинским специалистам, а не заменять их. Её результаты требуют соответствующей проверки, особенно если решение влияет на лечение пациента.
Автоматизация поддержки клиентов
Агент поддержки может искать ответ в базе знаний о продукте, прежде чем отвечать клиенту. Он может использовать бизнес-правила, чтобы определить, подходит ли обращение для возврата средств, эскалации или процесса устранения неполадок.
Такой процесс помогает поддерживать единообразие ответов. Он также даёт команде поддержки запись о том, почему было выбрано то или иное действие.
Соответствие требованиям и поддержка решений
Системы контроля соответствия могут проверять транзакции на соблюдение внутренних политик. Они также могут помечать случаи, требующие дополнительного согласования.
Система на основе знаний полезна здесь, поскольку политики можно представить в виде явных правил. При изменении политики соответствующее правило можно пересмотреть и обновить.
Образование и диагностика оборудования
Система интеллектуального обучения может использовать предыдущие ответы учащегося, чтобы выявить пробел в знаниях. Затем она может подобрать подходящее объяснение или упражнение.
Система диагностики оборудования может сочетать показания датчиков с правилами обслуживания. При выполнении определённых условий она может рекомендовать осмотр или создать заявку на ремонт.
Каковы преимущества и ограничения?
Преимущества
Агенты на основе знаний обладают несколькими практическими преимуществами:
Объяснимость: система может связать заключение с фактами и правилами, которые к нему привели.
Согласованность: одно и то же правило можно применять одинаковым образом в похожих случаях.
Экспертиза в предметной области: команды могут закодировать специализированные знания для конкретной отрасли.
Удобство сопровождения: правило часто можно обновить без переобучения всей модели.
Возможность аудита: записи о решениях могут показать, какая информация повлияла на действие.
Целенаправленные рассуждения: агент может рассуждать в направлении заданной цели, а не выдавать не связанный с ней ответ.
Эти преимущества делают агентов на основе знаний подходящими для структурированных рабочих процессов. Они меньше зависят от скрытого поведения модели, когда их решения основаны на явных правилах.
Ограничения
Агенты на основе знаний требуют постоянного сопровождения, чтобы оставаться точными и эффективными. Создание базы знаний требует времени и экспертизы в предметной области, а устаревшая информация или противоречащие друг другу правила могут привести к ненадёжным решениям. Поэтому важны контроль версий, регулярные проверки и чёткая расстановка приоритетов правил.
Традиционные системы правил также могут плохо справляться с неоднозначными, зашумленными или нетипичными для домена входными данными. По мере роста базы знаний логический вывод может становиться дороже, поэтому для поддержания производительности требуются тщательная индексация и организация правил.
Как построить простого агента на основе знаний
В следующем примере рассматривается сценарий ИТ-поддержки. Он показывает базовую структуру, не превращая прототип на основе правил в производственную систему.
Шаг 1: определение базы знаний
Начните с фактов и правил для узкой области:
KNOWLEDGE_BASE = {
"printer_has_power": True,
"printer_not_printing": True,
"print_queue_stuck": False,
}
RULES = [
{
"conditions": {"printer_has_power", "printer_not_printing"},
"conclusion": "check_print_queue",
},
]Небольшую базу знаний легче проверять. Факты должны использовать единообразные имена, чтобы механизм вывода мог надежно их сопоставлять.
Шаг 2: преобразование входных данных в структурированные факты
Слой восприятия преобразует входные данные пользователя в факты. В реальной системе для этого шага может использоваться обработка естественного языка.
Простой прототип можно начать с заранее заданных входных данных:
percepts = {
"printer_has_power",
"printer_not_printing",
}Это позволяет сосредоточить пример на рассуждении, а не на разборе языка.
Шаг 3: применение правил вывода
Механизм вывода проверяет, выполнены ли все условия правила:
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusionsФункция возвращает выводы, подтвержденные текущими восприятиями. Она не придумывает вывод, если необходимые факты отсутствуют.
Шаг 4: выбор действия
Слой действий сопоставляет вывод с ответом:
def perform(conclusions):
if "check_print_queue" in conclusions:
return "Open the print queue and remove any stuck job."
return "Request more information before continuing."Производственный агент применял бы проверки прав доступа и безопасности перед вызовом внешнего инструмента.
Шаг 5: объяснение результата
Полезный агент должен показывать, почему он выбрал именно это действие:
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)Система также может регистрировать сработавшее правило. Это создает базовый след рассуждений, который разработчик или специалист поддержки может изучить.
Этот пример представляет собой минимального агента на основе знаний. Более крупная реализация потребовала бы проверки входных данных, приоритетов правил, версионирования знаний, обработки ошибок и передачи задач человеку.
Знакомьтесь с Kimi Agent: превращайте знания в готовую работу
Традиционные агенты на основе знаний зависят от явных фактов и правил. Kimi Agent использует более широкий, современный подход к работе с большим объемом знаний. Задайте ему результат — и он способен спланировать задачу, а затем выполнить необходимые шаги с помощью встроенных инструментов. Его можно использовать для исследования темы, обработки исходных материалов или создания редактируемого результата без создания отдельного уровня оркестрации.
Подключите свои исходные знания к задаче
Полезному агенту нужен доступ к правильному контексту. Kimi позволяет загружать до 50 файлов с ограничением в 100 МБ на файл. Поддерживаются PDF и распространенные офисные документы. Также можно добавлять изображения, TXT-файлы или видео, если задаче требуется больше контекста.
Это делает имеющиеся материалы частью рабочего процесса. Например, вы можете попросить Kimi Agent проанализировать набор отчетов, выделить важные выводы и превратить результат в структурированный документ. Файлы дают знания, специфичные для задачи, а ваш запрос определяет нужный результат.
Превращайте исследования в редактируемый результат
Kimi Agent может работать с несколькими продуктовыми поверхностями, поэтому результат не обязан ограничиваться ответом в чате:
Создайте исследовательский отчет с подтверждающими источниками с помощью Kimi Deep Research.
Постройте рабочий многостраничный сайт на основе короткого брифа.
Создайте редактируемую презентацию PPT из исходных материалов.
Kimi также может обрабатывать рабочие процессы с документами и таблицами. Это позволяет одной задаче пройти путь от сбора информации до готового к использованию результата без необходимости переносить содержимое между разными инструментами.
Масштабируйте крупную цель с помощью Kimi Agent Swarm
Некоторые задачи слишком велики для одного последовательного рабочего процесса. Kimi Agent Swarm может разделить цель между более чем 300 суб-агентами и поддерживать до 4500 параллельных вызовов инструментов.
Такая параллельная структура предназначена для масштабного поиска и написания объемных текстов. Она также может поддерживать пакетные задачи, выполнение которых по одному элементу заняло бы гораздо больше времени. Суб-агенты работают над отдельными частями цели, при этом общий рабочий процесс остается привязанным к требуемому результату.
Заключение
Агенты на основе знаний в ИИ используют структурированные знания для рассуждения о ситуациях и выбора действий. Их явные правила облегчают объяснение и проверку решений. Основные сложности связаны с поддержанием знаний, конфликтующими правилами и неполными входными данными. Современные системы могут сочетать рассуждение на основе знаний с машинным обучением, RAG и генеративным ИИ. Kimi служит полезной точкой отсчета для рабочих процессов с большим объемом знаний, тогда как традиционные агенты на основе знаний остаются ценными там, где решения должны следовать четким правилам домена.