什么是基于知识的智能体？
基于知识的智能体是一种利用知识库和推理引擎进行推理和行动的 AI 系统。知识库存储领域信息，推理引擎则将规则应用于已知事实并得出结论。它的基本流程是 感知 → 知识库 → 推理 → 行动。例如，一个技术支持智能体可以将打印机问题与故障排除规则相匹配，给出解决方案，并解释推荐依据。
基于知识的智能体是如何工作的？
AI 中基于知识的智能体通常遵循一个反复进行的推理循环：接收来自环境的信息，将其转化为结构化事实，然后查询知识库，最后选择相应或行动。
感知阶段
感知阶段负责收集来自环境的信息，来源可以是用户消息、传感器读数、交易记录或系统事件。
原始输入并不总是能直接用于逻辑推理，智能体可能需要先对输入进行归一化处理，识别关键实体、检测条件，并将结果转换为结构化的感知信息。
例如：
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printing这种转换为推理引擎提供了统一的格式，便于进行规则匹配。
TELL–ASK–PERFORM 循环
典型的基于知识的智能体使用三种核心操作：
| 操作 | 作用 | 示例 |
|---|---|---|
| TELL | 向知识库添加新信息 | 记录某订单已延迟 |
| ASK | 查询知识库以获取结论 | 检查该订单是否符合支持条件 |
| PERFORM | 执行所选行动 | 发送物流跟踪更新 |
推理与行动阶段
推理引擎检查哪些规则与现有事实相匹配，并据此得出一个或多个结论。规划器或行动选择器可以利用这些结论来选择下一步。
一个可靠的智能体应当区分已确认的结论和可能的解释。当知识库中信息不足时，智能体应请求澄清，或将该情况转交人工处理。
基于知识的智能体主要由哪些部分组成？
基于知识的智能体的架构由多个层次组成，每一层承担独立的职责。这种分层方式让系统更易于测试和维护。
知识库
知识库存储智能体用于推理的事实和规则。例如，它可以记录某位客户拥有有效订阅，而有效订阅用户可以使用某个特定的支持渠道。
知识库可以使用数据库、知识图谱或规则引擎来实现，具体取决于应用领域。知识库的质量至关重要，因为信息缺失或错误都可能导致结论和操作不可靠。
知识表示
知识表示定义了信息在系统内部的表达方式。命题逻辑处理简单的真假命题，而一阶逻辑使用变量和关系来表示更复杂的知识。
其他方法包括 IF-THEN 生产规则，这类规则在专家系统中便于审查；本体用于定义领域概念及其相互关系，而知识图谱则利用这些关系连接实体。
推理引擎
推理引擎将规则应用于知识库中的信息。正向链推理从已知事实出发，不断应用匹配的规则，直至得出结论。
反向链推理从目标出发，反向查找支持该目标的事实。更高级的系统可能使用归结或统一等技术，来处理包含变量的逻辑语句。
解释与信念修正
解释模块用于识别得出某个结论所依据的事实和规则。这条推理轨迹有助于用户理解智能体为何选择特定的答案或操作。
信念修正用于处理知识库中的变化和冲突，它依据优先级策略判断哪些信息应保持有效，这在受监管的业务流程中尤为重要。
基于知识的智能体应用于哪些场景？
当系统需要遵循明确的领域知识时，基于知识的智能体十分有用，尤其适用于操作完成后需要对推理过程进行审查的场景。
医疗决策支持
医疗决策支持系统可以将症状与临床规则进行比对，识别可能的病症，或建议下一步需要收集的信息。
这类系统应当用于辅助医疗专业人员，而不是取代他们。其输出结果需要经过适当审核，尤其是在涉及患者护理决策的情况下。
客户支持自动化
支持型智能体可以在回答客户问题之前先检索产品知识库，并利用业务规则判断该问题是否符合退款、升级处理或故障排查流程的条件。
这一流程有助于保持回复的一致性，同时也让支持团队保留一份记录，说明某个操作被选择的原因。
合规与决策支持
合规系统可以将交易与内部政策进行核对，并标记出需要额外审批的情况。
基于知识的系统在这类场景中很有用，因为政策可以表示为明确的规则。政策发生变化时，相关规则可以随之审查和更新。
教育与设备诊断
智能辅导系统可以根据学生此前的答题情况，识别学习上的薄弱环节，进而选择合适的讲解内容或练习题。
设备诊断系统可以结合传感器读数与维护规则，在满足特定条件时建议进行检查或创建维修工单。
有哪些优势和局限性？
优势
基于知识的智能体具备以下几个实用优势：
可解释性： 系统可以将结论与产生该结论的事实和规则联系起来。
一致性： 同一规则可以在相似情况下以相同方式应用。
领域专业性： 团队可以将特定行业的专业知识编码进系统。
可维护性： 通常可以只更新某条规则，而不必重新训练整个模型。
可审计性： 决策记录可以显示哪些信息影响了某个操作。
目标导向推理： 智能体可以围绕明确的目标进行推理，而不是生成与目标无关的回应。
这些优势使基于知识的智能体适用于流程明确的工作场景。当决策依赖于明确的规则时，它们对模型内部隐藏行为的依赖也更小。
局限性
基于知识的智能体需要持续维护，才能保持准确和有效。构建知识库需要时间和领域专业知识，而信息过时或规则冲突都可能导致决策不可靠。因此，版本控制、定期审查以及明确的规则优先级都是必不可少的。
传统规则系统也可能难以处理模糊、含噪声或超出领域范围的输入。随着知识库不断增长，推理成本会随之上升，因此需要精心设计索引和规则组织方式，才能维持系统性能。
如何构建一个简单的知识型智能体
以下示例以 IT 支持场景为例，展示基本结构，但不将这个基于规则的原型当作生产系统使用。
第一步：定义知识库
从一个较窄领域的事实和规则开始：
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",
},
]较小的知识库更便于检查。事实应使用统一的命名方式，以便推理引擎能够可靠地进行匹配。
第二步：将输入转换为结构化事实
感知层负责将用户输入转换为事实。真实系统在这一步可能会用到自然语言处理技术。
一个简单的原型可以从预定义输入开始：
percepts = {
"printer_has_power",
"printer_not_printing",
}这样可以让示例专注于推理，而不是语言解析。
第三步：应用推理规则
推理引擎会检查某条规则的所有条件是否都已满足：
def infer(percepts, rules):
conclusions = []
for rule in rules:
if rule["conditions"].issubset(percepts):
conclusions.append(rule["conclusion"])
return conclusions该函数返回当前感知信息所支持的结论。如果缺少所需事实，它不会凭空得出结论。
第四步：选择行动
行动层负责将结论映射为响应：
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."生产环境中的智能体在调用外部工具之前，还应进行权限校验和安全检查。
第五步：解释结果
一个有用的智能体应该说明它为什么选择了这个行动：
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)系统还可以记录匹配到的规则，从而生成一条基本的推理轨迹，供开发者或支持人员查看。
这个示例展示的是一个最小化的知识型智能体。实际的更大规模实现还需要输入校验、规则优先级、知识版本管理、错误处理以及人工升级机制。
认识 Kimi Agent：把知识转化为可交付成果
传统知识型智能体依赖明确的事实和规则。Kimi Agent 对知识密集型工作采用了更广泛、更现代的处理方式。只需给出预期结果，它就能规划任务，并借助内置工具完成所需步骤。你可以用它来研究某个主题、处理源材料，或生成可编辑的成果，而无需另外搭建一层任务编排系统。
将源知识带入任务
一个有用的智能体需要获取正确的上下文信息。Kimi 支持上传最多 50 个文件，单个文件不超过 100 MB，支持 PDF 及常见办公文档格式。当任务需要更多上下文时，你还可以添加图片、TXT 文件或视频。
这样一来，现有材料就能成为工作流程的一部分。例如，你可以让 Kimi Agent 分析一批报告，找出其中的重要发现，并将结果整理成一份清晰的文档。文件提供任务所需的具体知识，而你的提示词则定义了预期结果。
把研究成果变成可编辑的交付物
Kimi Agent 可以在多个产品界面中协同工作，因此结果不必止步于一段聊天回复：
Kimi 还可以处理文档和电子表格相关的工作流程。这样一项任务就能从信息收集直接推进到可用的输出结果，而无需在不同工具之间来回搬运内容。
用 Kimi Agent Swarm 扩展大型目标
有些任务规模太大，单一的顺序工作流程难以胜任。Kimi Agent Swarm 可以将一个目标拆分给 300 多个子智能体处理，并支持最多 4,500 个并行工具调用。
这种并行结构专为大规模搜索和长篇写作而设计，也可以支持那些若逐项处理会耗时更长的批量任务。各个子智能体分别处理目标的不同部分，而整体工作流程始终围绕最终目标展开。
结语
AI 中的知识型智能体使用结构化知识对情境进行推理并选择行动。明确的规则让决策更容易解释和审查，其主要挑战来自知识维护、规则冲突以及输入不完整。现代系统可以将知识型推理与机器学习、RAG 和生成式 AI 结合起来。Kimi 为知识密集型工作流程提供了一个有价值的参考，而当决策必须遵循明确的领域规则时，传统知识型智能体依然具有重要价值。