大模型应用：规则引擎 + 混元大模型：确定性骨架与智慧大脑的新融合实践.89

一、前言

在之前的技术分享中，我们曾深入探讨过 Drools 这类成熟的规则引擎，作为工业级的规则管理工具，Drools 凭借强大的规则编排、冲突解决和批量执行能力，成为金融、政务、风控等领域实现确定性业务逻辑的核心支撑。它让复杂的业务规则脱离硬编码，通过可视化配置和热更新，保障了该怎么做就必须怎么做的刚性要求，这也是规则引擎最核心的价值：用可解释、可审计、零幻觉的逻辑骨架，撑起业务的合规与稳定。

但实践中我们发现，单纯依赖 Drools 这类规则引擎，很难应对开放域、非结构化的复杂场景，比如用户用模糊的自然语言咨询退款政策，或是需要结合上下文推理的个性化诉求，规则引擎的刚性反而会成为体验的短板。这也正是本次分享的核心出发点：规则引擎并非智能系统的全部，而应是"确定性骨架"，真正让系统具备灵活应变能力的，是大模型这个智慧大脑。

今天我们跳出单一规则引擎的技术范畴，更基础的拆解"规则 + 大模型"的协同逻辑：既保留规则引擎在底线、安全、合规上的核心优势，又借助大模型的泛化、理解、生成能力，弥补规则在自然交互、复杂推理上的不足。最终让大家理解，二者不是替代关系，而是"骨架定结构、大脑赋智能"的互补关系，这也是当下智能系统落地的最优路径之一。

二、核心基础

1. 核心概念

我们可以把整个系统想象成一个智能客服机器人：

• **规则引擎（确定性骨架）：**就像机器人的骨骼和基本动作指令，比如"用户问退款就必须先核对订单号"、"敏感词必须屏蔽"，这些是固定、可验证、不能出错的底线逻辑，确保合规和稳定。
• **大模型（智慧大脑）：**就像机器人的思考和沟通能力，比如理解用户模糊的表述"我上周买的东西想退"、用自然语言解释退款规则、处理突发的个性化问题，比如"退款后优惠券还能用吗"，负责灵活应对复杂场景。

2. 基础知识

2.1 规则引擎的核心能力

规则引擎是执行预设逻辑的程序模块，核心特征：

• 可解释：每一步决策都能追溯，比如"拒绝退款是因为订单超过 7 天无理由期"；
• 零幻觉：不会编造不存在的规则；
• 高性能：毫秒级响应，支持高并发业务场景
• 强约束：严格按照预设逻辑执行，比如 "未成年人充值必须触发家长验证"。
• 常见技术形态：决策树、状态机、业务规则库，如Drools、Python的rule-engine库，今天我们基于基础的rule-engine库重点分析。

2.2 大模型的核心能力

大模型是基于海量数据训练的生成式 AI，核心特征：

• 泛化能力：能处理没见过的新问题（比如用户用方言问退款）；
• 理解与生成：能把复杂规则翻译成自然语言，也能把用户的自然语言转化为机器能理解的指令；
• 推理能力：能基于上下文做简单逻辑推导（比如 "用户说买了 3 天的衣服，能判断在 7 天无理由范围内"）。
• 常见技术形态：在线API的混元大模型、Qwen系列、LLaMA等。

大模型的价值：补齐规则引擎的短板，规则引擎很强，但有天然短板：

• 听不懂自然语言，处理不了模糊问题
• 无法自适应新场景，交互生硬

大模型刚好补上：

• 理解用户口语化提问，把复杂规则翻译成自然语言
• 处理开放域问题，提供人性化回复

3. 核心场景

3.1 智能客服

我们在淘宝、京东、抖音电商看到的退款、包邮、优惠计算，底层全是规则引擎：

• 7 天无理由退货
• 已发货 / 未发货走不同流程
• 满 99 包邮、特价商品不参与退货
• 优惠券互斥规则

每一步都必须可解释、可复现，否则平台无法对账、无法客服回查。

3.2 金融风控

银行、消费金融公司几乎全部使用规则引擎，如 Drools、自研规则平台。

• 年龄必须 ≥ 18 岁
• 月收入 ≥ 3000 元
• 不能在黑名单内
• 授信额度按收入 × 系数计算

这些逻辑100% 可审计、可回溯、零幻觉，大模型绝对不能替代。

3.3 政务办理

• 社保、公积金、居住证、公租房申请：
• 社保连续缴纳 ≥ 6 个月
• 年龄 ≤ 50 岁
• 本地户籍或有居住证

全部是强规则、强合规、强监管，必须可追溯、可复核。

3.4 场景总结

场景	规则引擎负责	大模型负责
智能客服	订单校验、敏感词过滤、合规判断	理解用户意图、生成自然语言回复
风控决策	黑名单匹配、金额阈值判断	分析非结构化文本（如聊天记录）找风险
政务办理	材料完整性校验、流程节点控制	解读政策、回答个性化咨询

三、规则引擎介绍

1. 核心定位

规则引擎rule-engine 是Python语言的轻量级、无依赖的规则引擎库，专为简单到中等复杂度的业务规则设计，核心定位是：

• 替代硬编码的 if-else 逻辑，让规则可配置、可解释、可复用；
• 提供类 Python 语法的规则表达式，降低学习和使用成本；
• 支持动态加载规则、数据校验、规则匹配，满足中小规模业务的"确定性逻辑"需求。

与 Drools 的对比：

特性	rule-engine	Drools
语言 / 生态	Python，轻量无依赖	Java，重量级，依赖完整生态
学习成本	极低（类 Python 语法）	高（需学 DRL 规则语言）
适用场景	中小规模规则、快速落地	企业级复杂规则、大规模编排
核心优势	易用、灵活、接入成本低	规则冲突解决、批量执行、热更新

对初次接触或中小业务场景来说，rule-engine是低成本体验规则引擎价值的最佳选择，而 Drools更适合金融、政务等大规模、高复杂度的工业级场景。

2. 核心要素

• **规则（Rule）：**用类 Python 语法编写的逻辑表达式（如 age >= 18 and score > 80），是"确定性逻辑"的载体；
• **上下文（Context）：**规则执行时的输入数据（字典 / 对象），规则中的变量均来自上下文；
• **匹配（matches）：**规则引擎的核心操作，判断"上下文数据是否符合规则表达式"。

3. 核心语法

rule-engine 的规则表达式接近 Python 语法，但做了简化和约束，核心支持以下语法：

3.1 基础数据类型

支持字符串、数字（int/float）、布尔值、列表，示例：

# 数字
age >= 18
# 字符串
name == "张三" and city in ["北京", "上海"]
# 布尔值
is_vip is True

3.2 运算符

类型	支持的运算符	示例
比较运算符	==, !=, >, >=, <, <=	order_amount > 1000
逻辑运算符	and, or, not	not (age < 18) and is_vip
成员运算符	in, not in	status in ["已支付", "已发货"]
空值判断	is None, is not None	phone is not None

3.3 常用内置函数

rule-engine提供少量实用内置函数，满足常见数据处理需求：

• len()：获取字符串 / 列表长度 → len(username) >= 6；
• contains()：判断字符串包含 → contains(desc, "退款")；
• startswith()/endswith()：字符串首尾匹配 → startswith(order_id, "JD")。

3.4 变量命名规则

• 变量名只能包含字母、数字、下划线，且以字母开头；
• 支持嵌套上下文（字典嵌套）→ user.age >= 18（上下文为 {"user": {"age": 20}}）。

4. 核心用法

4.1 基础用法：固定规则匹配

这是最核心的基础用法，实现"规则定义 → 数据输入 → 匹配判断"的完整流程：

import rule_engine

# 1. 定义规则：年龄≥18且是VIP用户
rule = rule_engine.Rule("age >= 18 and is_vip == true")

# 2. 定义上下文数据（业务数据）
context1 = {"age": 20, "is_vip": True}  # 符合规则
context2 = {"age": 17, "is_vip": True}  # 不符合规则

# 3. 执行规则匹配
result1 = rule.matches(context1)
result2 = rule.matches(context2)

print(f"context1 匹配结果：{result1}")  # 输出 True
print(f"context2 匹配结果：{result2}")  # 输出 False

输出结果：

context1 匹配结果：True

context2 匹配结果：False

4.2 进阶用法：动态加载规则

规则引擎的核心价值是"规则可配置"，而非硬编码，示例从字符串动态加载规则：

import rule_engine

# 使用原生 'in' 操作符，无需自定义函数！
rule_str = "order_amount >= 500 and order_status in ['已支付', '已发货'] and '加急' in remark"

# 直接创建规则（无需 Context）
rule = rule_engine.Rule(rule_str)

order_data = {
    "order_amount": 600,
    "order_status": "已支付",
    "remark": "加急发货"
}

if rule.matches(order_data):
    print("订单符合加急处理规则")
else:
    print("订单不符合加急处理规则")

输出结果：

订单符合加急处理规则

4.3 进阶用法：嵌套上下文

在复杂数据结构中支持字典嵌套的上下文，适配真实业务中多层级数据的场景：

import rule_engine

# 规则：用户年龄≥18，且订单金额>1000
rule = rule_engine.Rule("user.age >= 18 and order.amount > 1000")

# 嵌套上下文
context = {
    "user": {"age": 25, "name": "李四"},
    "order": {"amount": 1500, "id": "ORD123456"}
}

# 匹配
print(f"匹配结果：{rule.matches(context)}" )  # 输出 True

输出结果：

匹配结果：True

4.4 进阶用法 ：规则解释与错误处理

规则引擎的可解释性是核心优势，同时需处理规则语法错误、数据缺失等异常：

import rule_engine
from rule_engine import RuleSyntaxError, SymbolResolutionError

# 1. 规则解释：输出规则的结构化信息
rule = rule_engine.Rule("age >= 18 and is_vip == true")
print("规则表达式：", rule.statement)  # 输出解析后的表达式

# 2. 异常处理：语法错误
try:
    bad_rule = rule_engine.Rule("age >= 18 and")  # 语法不完整
except RuleSyntaxError as e:
    print(f"规则语法错误：{e}")

# 3. 异常处理：变量缺失
try:
    rule = rule_engine.Rule("age >= 18")
    rule.matches({"name": "张三"})  # 上下文缺少 age 变量
except SymbolResolutionError as e:
    print(f"变量缺失错误：{e}")

输出结果：

规则表达式： <rule_engine.ast.Statement object at 0x00000209FD3A3070>

规则语法错误：('syntax error', None)

变量缺失错误：age

四、执行流程

流程示例说明：

• 1. 用户说："我上周买的衣服想退，订单号 12345"；
• 2. 大模型先"听懂"：提取关键信息（诉求：退款，订单号：12345，时间：上周）；
• 3. 规则引擎校验：查订单 12345 的下单时间（比如是 6 天前），判断在 7 天无理由范围内（确定性规则）；
• 4. 规则引擎输出 "可退款" 的确定性结果；
• 5. 大模型把这个结果转化为自然语言："您好，您的订单 12345 下单于 6 天前，符合 7 天无理由退款规则，我帮您发起退款流程～"；
• 6. 若用户问："退款后我之前领的 50 元券还能用吗？"（规则无明确规定），则规则引擎反馈 "无匹配规则"，大模型基于平台通用规则推理并生成回复。

五、应用示例

需要安装rule-engine的轻量规则引擎依赖：pip install rule-engine

1. 规则引擎：电商退款规则

用 rule-engine 实现电商退款的确定性规则：

import rule_engine

class RefundRuleEngine:
    """电商退款规则引擎类"""
    def __init__(self):
        # 加载核心退款规则（可从配置文件/数据库读取）
        self.refund_rules = {
            # 7天无理由退款规则
            "7天无理由": rule_engine.Rule("order_days <= 7 and order_status in ['已发货', '已收货']"),
            # 未发货退款规则
            "未发货退款": rule_engine.Rule("order_status == '未发货'"),
            # 特价商品不退款规则（反向规则）
            "特价商品拒绝": rule_engine.Rule("is_special_price == true and order_days > 3")
        }
    
    def check_refund_rule(self, order_data):
        """
        校验订单是否符合退款规则
        :param order_data: 订单字典，包含order_days/order_status/is_special_price等
        :return: 规则匹配结果（字典）
        """
        result = {}
        for rule_name, rule in self.refund_rules.items():
            try:
                result[rule_name] = {
                    "match": rule.matches(order_data),
                    "explain": f"规则「{rule_name}」匹配结果：{rule.matches(order_data)}"
                }
            except Exception as e:
                result[rule_name] = {
                    "match": False,
                    "explain": f"规则「{rule_name}」执行失败：{str(e)}"
                }
        return result

# 测试案例
if __name__ == "__main__":
    # 初始化规则引擎
    refund_engine = RefundRuleEngine()
    
    # 测试订单1：符合7天无理由
    order1 = {
        "order_days": 5,
        "order_status": "已收货",
        "is_special_price": False
    }
    
    # 测试订单2：特价商品，超过3天，拒绝退款
    order2 = {
        "order_days": 4,
        "order_status": "已收货",
        "is_special_price": True
    }
    
    # 执行规则校验
    result1 = refund_engine.check_refund_rule(order1)
    result2 = refund_engine.check_refund_rule(order2)
    
    print("订单1规则校验结果：")
    for rule_name, res in result1.items():
        print(f"- {res['explain']}")
    
    print("\n订单2规则校验结果：")
    for rule_name, res in result2.items():
        print(f"- {res['explain']}")

输出结果：

订单1规则校验结果：

• 规则「7天无理由」匹配结果：True

• 规则「未发货退款」匹配结果：False

• 规则「特价商品拒绝」匹配结果：False

订单2规则校验结果：

• 规则「7天无理由」匹配结果：True

• 规则「未发货退款」匹配结果：False

• 规则「特价商品拒绝」匹配结果：True

2. 规则引擎+大模型协同示例

通过"规则引擎+大模型"的双引擎智能决策架构，以电商退款场景为具体落地案例，展示如何用规则引擎守住退款合规的确定性底线，同时用大模型处理自然语言交互、生成人性化回复，最终实现合规风控不松、用户体验不降的智能决策效果；

import rule_engine
from openai import OpenAI

# ---------------------- 第一步：定义规则引擎（确定性骨架） ----------------------
# 定义退款规则：1. 订单未超过7天 2. 订单状态为"已发货"或"已收货"
def create_refund_rules():
    # 规则语法：类似Python表达式，可直接复用业务逻辑
    rules = rule_engine.Rule(
        """
        (order_days <= 7) and (order_status in ['已发货', '已收货'])
        """
    )
    return rules

# 规则校验函数
def check_refund_rules(order_info, rules):
    """
    执行规则校验，返回是否符合退款条件
    :param order_info: 订单信息字典（包含order_days, order_status等）
    :param rules: 预定义的规则对象
    :return: 校验结果（布尔）+ 规则解释
    """
    try:
        # 执行规则匹配
        result = rules.matches(order_info)
        if result:
            explain = f"订单下单{order_info['order_days']}天，状态为{order_info['order_status']}，符合7天无理由退款规则"
        else:
            explain = f"订单下单{order_info['order_days']}天，状态为{order_info['order_status']}，不符合退款规则（需≤7天且状态为已发货/已收货）"
        return result, explain
    except Exception as e:
        return False, f"规则校验失败：{str(e)}"

# ---------------------- 第二步：定义大模型交互（柔性大脑） ----------------------
# 初始化腾讯混元客户端
client = OpenAI(
    api_key="sk-***************************sBVXvZ5NP8Ze",
    base_url="https://api.hunyuan.cloud.tencent.com/v1"
)

def llm_understand_user_input(user_input):
    """
    大模型理解用户输入，提取关键信息
    :param user_input: 用户自然语言输入
    :return: 提取的关键信息字典
    """
    import json
    prompt = f"""
    请从用户输入中提取以下关键信息，返回JSON格式：
    1. 核心诉求（如退款、换货、咨询）；
    2. 订单号（如果有）；
    3. 下单时间描述（如果有）。
    用户输入：{user_input}
    要求：只返回JSON，不要额外文字。
    """
    response = client.chat.completions.create(
        model="hunyuan-lite",
        messages=[{"role": "user", "content": prompt}],
        temperature=0  # 0表示确定性输出，避免幻觉
    )
    content = response.choices[0].message.content
    print("混元返回原始内容:", repr(content))  # 调试输出

    # 尝试从返回内容中提取JSON
    try:
        # 尝试直接解析
        return json.loads(content)
    except json.JSONDecodeError:
        # 如果失败，尝试提取JSON部分
        import re
        json_match = re.search(r'\{.*\}', content, re.DOTALL)
        if json_match:
            return json.loads(json_match.group())
        else:
            # 如果还是失败，返回一个默认值
            print("无法解析JSON，使用默认值")
            return {"核心诉求": "退款", "订单号": "12345", "下单时间描述": "上周"}

def llm_generate_response(rule_result, rule_explain, user_intent):
    """
    大模型根据规则结果生成自然语言回复
    :param rule_result: 规则校验结果（布尔）
    :param rule_explain: 规则解释
    :param user_intent: 用户核心诉求
    :return: 自然语言回复
    """
    prompt = f"""
    请根据以下信息，用友好的语气回复用户：
    1. 用户核心诉求：{user_intent}；
    2. 规则校验结果：{rule_result}；
    3. 规则解释：{rule_explain}。
    要求：回复简洁明了，符合客服沟通规范，不要使用专业术语。
    """
    response = client.chat.completions.create(
        model="hunyuan-lite",
        messages=[{"role": "user", "content": prompt}]
    )
    return response.choices[0].message.content

# ---------------------- 第三步：整体执行逻辑 ----------------------
def main():
    # 1. 用户输入
    user_input = "我上周买的衣服想退，订单号12345，现在已经收到货了"
    
    # 2. 大模型理解用户输入，提取关键信息
    user_info = llm_understand_user_input(user_input)
    print("大模型提取的用户信息：", user_info)
    
    # 3. 模拟订单数据（实际应从数据库获取）
    order_info = {
        "order_id": "12345",
        "order_days": 6,  # 下单6天
        "order_status": "已收货"
    }
    
    # 4. 规则引擎校验
    refund_rules = create_refund_rules()
    rule_result, rule_explain = check_refund_rules(order_info, refund_rules)
    print("规则校验结果：", rule_result)
    print("规则解释：", rule_explain)
    
    # 5. 大模型生成回复
    llm_response = llm_generate_response(rule_result, rule_explain, user_info["核心诉求"])
    print("\n最终回复用户：", llm_response)

if __name__ == "__main__":
    main()

示例关键说明：

• 规则引擎部分：使用rule-engine库定义了明确的退款规则，确保判断逻辑可解释、无幻觉，即使大模型出错，规则层也能守住底线；
• 大模型部分：分为"理解输入"和"生成回复"两个环节，前者把自然语言转化为结构化信息，后者把规则结果转化为用户易懂的自然语言；
• 异常处理：规则校验加了异常捕获，避免因数据格式错误导致系统崩溃，符合稳定可控的原则。

输出结果：

混元返回原始内容: '```json\n{\n"核心诉求": "退款",\n"订单号": "12345",\n"下单时间描述": "上周"\n}\n```'
大模型提取的用户信息： {'核心诉求': '退款', '订单号': '12345', '下单时间描述': '上周'}
规则校验结果： True
**规则解释：**订单下单6天，状态为已收货，符合7天无理由退款规则

最终回复用户： 亲爱的用户，您好！根据您提供的信息，您的订单已经符合7天无理由退款规则。订单下单6天且状态为已收 货，所以您可以申请退款。麻烦您在购物平台上操作即可，如果有其他问题我会随时为您服务。

六、总结

规则引擎就像系统的骨架和底线，不管是Drools，还是里轻量的 rule-engine，核心价值都是确定性，可解释、可审计、零幻觉，金融风控、订单退款、政务审批这些不能出错的场景，必须靠它扛着。以前写一堆复杂 if-else，现在把规则抽出来，可配置、可维护，系统一下就清爽了。但光有骨架不行，系统会很硬，听不懂人话，处理不了模糊场景。这时候大模型就是柔性大脑，负责理解、推理、交互，把死板的结果变成自然语言。

以后的系统可以不必全都依靠大模型。先把安全、合规、阈值、核心流程这些不能错的逻辑，交给规则引擎；再把理解用户、复杂推理、自然交互这些 "要灵活" 的事，交给大模型。规则守住下限，大模型提升上限。简单说：规则定方圆，模型生智慧，两者配合，才是下一代智能系统的正确打开方式。