什么是知识型智能体？
知识型智能体是一种利用知识库和推理引擎进行推理与行动的 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推导出结论。其基本运行流程为“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查规则相匹配，推荐解决方案，并说明该建议的依据。
知识型智能体是如何工作的？
AI 中的知识型智能体通常遵循一个不断重复的推理循环：先从环境中获取信息，再将其转化为结构化事实，然后查询知识库，最后选择相应的响应或行动。
感知阶段
感知阶段负责从环境中收集信息，来源可以是用户消息、传感器读数、交易记录或系统事件。
原始输入并不总能直接用于逻辑推理，智能体可能需要先对输入进行规范化处理，识别其中的关键实体、检测相关条件，并将结果转化为结构化的感知数据。
例如：
User input: The printer has power, but it does not print.
Percepts: printer_has_power, printer_not_printing这样的转换可以为推理引擎提供统一的格式，便于进行规则匹配。
TELL–ASK–PERFORM 循环
经典的知识型智能体使用三种核心操作：
| 操作 | 目的 | 示例 |
|---|---|---|
| TELL | 向知识库添加新信息 | 记录某个订单已延迟 |
| ASK | 查询知识库以获得结论 | 检查该订单是否符合支持条件 |
| PERFORM | 执行所选的行动 | 发送物流跟踪更新 |
推理与行动阶段
推理引擎会检查哪些规则与现有事实相匹配，并据此推导出一个或多个结论。规划器或行动选择器可以利用这些结论来决定下一步操作。
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，智能体应主动请求澄清，或将该情形转交人工处理。
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级组成，每一层各自承担不同的职责。这种分层设计让系统更容易测试和维护。
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特定的支持渠道。
知识库可以采用数据库、知识图谱或规则引擎等形式，具体取决于所处的领域。知识库的质量至关重要，因为缺失或错误的信息可能导致得出不可靠的结论和操作。
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陈述，而一阶逻辑则使用变量和关系来表示更复杂的知识。
其他方法还包括“如果——那么”式的产生式规则，这种规则在专家系统中便于审查。本体定义了领域概念及其相互关系，知识图谱则利用这些关系将实体连接起来。
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，反过来寻找支持该目标的事实。更高级的系统可能会使用归结或统一等技术，来处理带有变量的逻辑陈述。
解释与信念修正
解释模块负责找出支撑某个结论的事实和规则。这种推理轨迹能帮助用户理解智能体为何选择了某个具体的答案或操作。
信念修正用于管理知识库中出现的变化和冲突，它借助优先级策略来判断哪些信息应保持有效，这在受监管的工作流程中尤为重要。
基于知识的智能体适用于哪些场景？
当系统必须遵循明确的领域知识时，基于知识的智能体就会发挥作用。当推理过程需要在操作完成后接受审查时，这类智能体尤其有价值。
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，从而识别可能存在的病症，或建议下一步应收集哪些信息。
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的审核，尤其是在决策会影响患者护理的情况下。
客户支持自动化
支持类智能体可以在回复客户之前先检索产品知识库，并借助业务规则判断问题是否符合退款、升级处理或故障排查流程的条件。
这一流程有助于保持答复的一致性，同时也让支持团队留有记录，说明某个操作为何被选中。
合规与决策支持
合规系统可以对照内部政策检查交易情况，并标记出需要进一步审批的案例。
基于知识的系统在这方面很有用，因为政策可以被表示为明确的规则。当政策发生变化时，相关规则可以被审查和更新。
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找出学习上的薄弱环节，进而选择合适的讲解内容或练习。
设备诊断系统可以将传感器读数与维护规则结合起来分析，在满足特定条件时建议进行检查，或生成维修申请。
基于知识的智能体有哪些优势和局限？
优势
基于知识的智能体具备多项实际优势：
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： 同一条规则可以在类似案例中以相同方式应用。
领域专业知识： 团队可以将特定行业的专业知识编码到系统中。
可维护性： 规则通常可以直接更新，而不需要重新训练整个模型。
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，而不是生成与之无关的回应。
这些优势使基于知识的智能体适用于结构化的工作流程。当决策依赖于明确的规则时，它们对隐藏的模型行为的依赖也更小。
局限
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。
传统规则系统在面对含糊、噪声较多或超出领域范围的输入时也可能表现不佳。随着知识库的增长，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，以维持性能。
如何构建一个简单的基于知识的智能体
下面的示例以 IT 支持场景为例，展示了基本结构，但不应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
先从针对某个狭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审查。事实应使用一致的命名方式，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。实际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的输入开始：
percepts = {
"printer_has_power",
"printer_not_printing",
}这样可以让示例专注于推理本身，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该函数会返回当前感知信息所支持的结论，如果缺少所需的事实，它不会凭空得出结论。
第四步：选择动作
动作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，还应进行权限和安全检查。
第五步：解释结果
一个有用的智能体应该能说明它为何选择了该动作：
conclusions = infer(percepts, RULES)
response = perform(conclusions)
print(response)系统还可以记录匹配到的规则，从而生成一份基本的推理轨迹，供开发者或支持专员查阅。
这个示例只是一个最简版的基于知识的智能体。要构建更完整的实现，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：把知识转化为成果
传统的基于知识的智能体依赖明确的事实和规则，而 Kimi Agent 对知识密集型工作采用了更广泛、更现代的方式。只需给出一个目标结果，它就能先规划任务，再借助内置工具完成所需的各个步骤。你可以用它来研究某个主题、处理源材料，或生成可编辑的最终成果，而无需自行搭建单独的编排层。
把你的源知识带入任务
一个有用的智能体需要获取正确的上下文信息。Kimi 支持一次上传最多 50 个文件，单个文件不超过 100 MB，支持 PDF 及常见的办公文档格式。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，现有材料就能直接融入工作流程。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结构化文档。文件提供了与任务相关的知识，而你的提示词则定义了预期的结果。
把研究成果变成可编辑的最终产出
Kimi Agent 可以在多个产品场景中工作，因此结果不必局限于一段聊天回复：
Kimi 还能处理文档和电子表格相关的工作流程。这样一个任务就能从信息收集直接推进到可用的输出结果，而不需要你在不同工具之间来回搬运内容。
用 Kimi Agent Swarm 应对更大规模的目标
有些任务规模太大，单一的顺序工作流难以胜任。Kimi Agent Swarm 可以将一个目标拆分给 300 多个子智能体，并支持多达 4500 次并行工具调用。
这种并行结构专为大规模搜索和长文写作而设计，也能支撑那些如果逐项完成会耗时过长的批量任务。各个子智能体分别处理目标的不同部分，而整体工作流始终围绕所要求的最终结果展开。
结语
AI 中的基于知识的智能体利用结构化知识对情境进行推理并选择行动。由于规则明确，这类系统的决策更易于解释和审查，其主要挑战则来自知识维护、规则冲突以及输入不完整等问题。现代系统可以将基于知识的推理与机器学习、RAG 以及生成式 AI 结合起来。对于知识密集型工作流程而言，Kimi 提供了一个有价值的参考方向；而在决策必须遵循明确领域规则的场景中，传统的基于知识的智能体依然有其价值。