你是一名外地食客，来到合肥不知道该吃什么？让AI专家系统来帮你！ 通过这个实验，你将深入了解专家系统是什么、怎么构成、有什么特点。
专家系统是一种模拟人类专家决策过程的计算机程序。在下面的实验中，你将扮演一位刚到合肥的外地食客，通过回答几个简单问题，体验专家系统如何像一位"合肥美食专家"一样为你推荐菜品。
一个完整的专家系统通常由四大核心组件构成。让我们拆解刚才你体验的那个"菜品推荐专家系统"，看看它内部是如何运作的。
知识库是专家系统的"大脑记忆"，存储了专家领域的全部知识。以下是本系统知识库中存储的合肥特色菜品数据：
| 菜品名称 | 口味 | 做法 | 主要食材 | 价格 | 适用场景 | 特色标签 |
|---|
💡 知识库共有 12 道合肥特色菜品，每条记录包含多个维度的特征数据。
推理引擎是专家系统的"思考器官"，它使用IF-THEN规则将用户偏好与菜品特征进行匹配，计算每道菜的推荐得分：
💡 推理引擎遍历知识库中所有菜品，逐一应用规则计算总分，最终选出得分最高的菜品作为推荐结果。
用户界面负责与用户交互——在阶段一的体验中，你看到的问答对话就是专家系统的用户界面。
解释机制让专家系统不再是"黑盒子"——它会告诉你："推荐这道菜是因为……"，让你理解推荐的依据。
这四大组件协同工作，构成了一个完整的专家系统。
通过前面两个阶段的体验和探究，我们来总结专家系统的核心特点，并将它与机器学习系统进行对比。
专家系统和机器学习（如深度学习神经网络）是AI的两种不同范式，它们各有优劣：
| 对比维度 | 🧠 专家系统 | 🤖 机器学习系统 |
|---|---|---|
| 知识来源 | 人类专家手动编写规则 | 从大量数据中自动学习 |
| 数据需求 | 不需要训练数据 | 需要大量标注数据 |
| 可解释性 | ✓ 高——每步推理都可追溯 | ✗ 低——常被视为"黑盒" |
| 灵活性 | ✗ 低——换领域需重建知识库 | ✓ 高——同一模型可处理不同数据 |
| 处理模糊信息 | ✗ 弱——规则边界清晰，难处理不确定 | ✓ 强——概率输出，擅长处理模糊 |
| 维护方式 | 增删改规则，人类可理解 | 重新训练模型，过程不透明 |
| 典型应用 | 医疗诊断、故障排查、推荐系统 | 图像识别、语音识别、自然语言处理 |
通过这个实验，你学到了：
专家系统的本质：将人类专家的领域知识形式化为计算机可执行的规则， 让计算机像专家一样思考和决策。它是人工智能最早的成功应用形式之一， 至今仍在医疗、金融、工业等领域发挥着重要作用。