专家系统（Expert System）是把人类专家的知识手工写成明确的「如果…那么…」规则，再由程序自动套用这些规则做判断的 AI 系统。
三个零件
- 规则库（knowledge base）：几百到上万条 if-then。例如「如果 病人发烧 且 白细胞升高 且 腹部压痛，那么 怀疑腹腔感染（置信度 0.7）」。这条置信度也是人定的，不是算出来的。
- 推理机（inference engine）：把规则串起来跑。前向链（forward chaining）从已有数据推向结论；后向链（backward chaining）先假设结论，再回头找证据——医生先猜是某种病，再逐条追问该病需要什么证据。很多系统两种混用。
- 解释器（explanation module）：回答「你为什么问我这个」「结论怎么来的」。实现方式很朴素：把刚走过的规则链打印出来。因为规则本身就是自然语言可读的，解释几乎免费——这一点恰好是大模型最费劲的地方。
打个比方：一本极详尽的新员工手册，加一个只会照手册查表的实习生。他不会变通，但每一步都能指着「第 3.2 条」说事儿。
和机器学习、大模型的区别
根本差别在知识从哪来。专家系统的知识是显式的、符号的、人能读能改的；机器学习从数据里拟合参数。它不训练，没有损失函数，属于符号主义（symbolicism）那一支老 AI。
| 维度 | 专家系统 | 大模型 |
|---|---|---|
| 知识存在哪 | 人手写的规则，文本可读 | 参数里，分布式，读不懂 |
| 怎么加知识 | 加一条、改一条规则 | 重训、微调或检索增强 |
| 典型出错方式 | 脆弱（brittle）：规则没覆盖就宕机 | 幻觉：编一个像样的答案 |
| 常识 | 几乎没有 | 大量 |
今天还有用吗
1980 年代它商业化过一波（血液感染诊断、计算机配置等），后来卡在知识获取瓶颈（knowledge acquisition bottleneck）：把专家直觉抠成规则极贵，规则上万条后互相冲突、难以维护，热度就退了。但它改名叫业务规则引擎（business rule engine）、决策引擎，活在核保、反欺诈、信贷审批、医保审核、税务计算里。
因为它提供三样大模型给不了的东西：确定性、可审计、责任可追溯。监管问「为什么拒了这个客户」，你得能打印出一条规则链来。
更现实的形态是混合：大模型做前端——读文档、访谈、把散落的政策起草成规则草案给人审；规则引擎做后端做最终判定。分工原则很简单：需要解释和担责的地方用规则，需要覆盖长尾和理解自然语言的地方用模型。