智能主体性能表现出的问题求解能力主要是由知识库决定的，其次是采用的推理方法，这是知识工程的第一原则。——EdwardFeigenbaum
求解问题的知识密集型方法：强方法（strong method）
专家系统的推理过程是对观察开放的，可以提供问题求解状态的信息，也可以对程序的决策或选择做出解释。
专家系统程序设计要求：容易的被原型化、检验、修改。
专家系统的另一特征：使用启发式的问题求解方法
下图是专家系统的典型体系结构，利用这样专家系统体系结构能大大加快专家系统的开发过程
推理引擎执行“识别-动作”的控制循环
将控制引擎和知识库分开维护有以下几个优点：
- ss
- ss
- ss
- ss
解释子系统用来向用户对推理进行解释，解释包括系统如何做出结论的。如果要让人类专家接收计算机的推荐，解释是非常重要的，很少有专家在没有理解某个提议时轻易的接受它。
知识库编辑器可以帮助程序员定位和修改程序的执行错误，因此经常要访问解释子系统所提供的信息。
什么样的问题适合专家系统进行求解
- 需求程度决定了开发专家系统值得投入的成本和精力
- 人类专家无法出现在所有需要他们的地方
- 利用符号推理可以求解的问题
- 结构性好且不需要常识推理的领域
- 使用传统计算技术不可以解决的问题
- 有乐于合作又善于表达的专家
- 问题的大小和范围很合适
建立专家系统需要几种人：
知识工程师（也是AI语言，表示专家）：工作内容为项目选择合适的软硬件工具、帮助领域专家表示必要的知识，并准确搞笑的实现知识库
领域专家：工作内容是提供问题域中的知识，领域专家负责向知识工程师表达知识（问题求解技术，如各种捷径、处理不精准的数据、评估部分解的好坏及人们认为专家应该具有的其他技能）
最终用户：决定最终设计约束
基于规则的专家系统把求解问题的知识表示为“如果……那么……”形式的规则。其中，如果对应条件，那么对应动作。
在目标驱动的专家系统中（深度优先），系统工作流程：
起始时便把目标表达式放入内存——》系统把规则的结论和目标匹配，找到匹配的规则后便把它的前提放入工作内存-——》然后在下一次迭代中把这些结论变成新的目标和规则的结论匹配——》直到工作内存中的所有子目标都已知为真。
通常，基于规则的专家系统要回答两类问题，why和how。总而言之，基于知识系统通过显示正准备激发的当前规则来回答why查询；通过列出产生目标或子目标的推理过程来回答how查询。
数据驱动推理（广度优先），推理流程：
按照规则库 中的顺序把工作内存中的内容和规则库中每个规则的条件进行匹配。如果工作内存中的数据支持激发某个规则，那么便把其结果放入工作内存，然后吧控制移向下一个规则。一旦已经考虑过所有规则，搜索便再次从规则集合的头开始。
对上面广度优先搜索算法进行优化——机会搜索。流程：
每当激发规则并推断出新的信息时，便把控制转移到以新信息为前提的那些规则。这使新的推断信息成为寻找下一个要激发规则的控制动力。
