AI 规则引擎设计方案
1. 背景与目标
1.1 问题
- 规则判断通常需要调用 LLM API，成本高、延迟大
- 规则以自然语言描述，每次判断都需 AI 解析，效率低
1.2 目标
- 将自然语言规则描述通过 AI 转换为可执行 Python 函数
- 存储转换后的规则，支持快速校验
- 提供兜底机制：无法匹配时调用 LLM 补充规则
1.3 成功标准
- 规则创建后，后续判断无需再调用 LLM API
- 规则冲突/重复可被检测
- 无法匹配时自动触发 LLM callback 并学习新规则
2. 技术选型
| 模块 |
技术 |
| 语言 |
Python 3.10+ |
| 存储 |
SQLite |
| AI 编译器 |
GPT-4o / Claude Sonnet（自然语言→Python 函数） |
| 安全隔离 |
RestrictedPython |
| API |
REST API |
| 部署 |
本地运行 |
3. 模块边界与数据流
┌─────────────────────────────────────────────────────────────┐
│ AI 规则引擎 │
├─────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
│ │ Rule API │───▶│Rule Compiler │───▶│ Rule Store │ │
│ │ (REST) │ │ (LLM) │ │ (SQLite) │ │
│ └──────────────┘ └──────────────┘ └──────────────┘ │
│ │ │ │
│ ▼ ▼ │
│ ┌──────────────┐ ┌──────────────┐ │
│ │Rule Matcher │◀──────────────────────│Rule Executor │ │
│ │ │ │(RestrictedPy)│ │
│ └──────────────┘ └──────────────┘ │
│ │ │ │
│ │ 无匹配时 │ │
│ ▼ │ │
│ ┌──────────────┐ │ │
│ │ LLM Callback │──────────────────────────────▶│ │
│ │ (补充规则) │ │ │
│ └──────────────┘ │ │
│ │ │
└─────────────────────────────────────────────────────┘ │
3.1 核心模块
| 模块 |
职责 |
| RuleAPI |
提供 REST 接口（创建规则、校验事实、查询规则） |
| RuleCompiler |
调用 LLM 将自然语言规则转换为 Python 函数 |
| RuleStore |
SQLite 存储规则（含元数据：名称、描述、版本、优先级） |
| RuleExecutor |
在 RestrictedPython 沙箱中执行规则函数 |
| RuleMatcher |
判断事实匹配哪条规则 |
| ConflictDetector |
检测规则冲突 |
| Deduplicator |
检测规则重复/相似 |
| LLMEallback |
无法匹配时调用 LLM 补充规则 |
3.2 数据模型
CREATE TABLE rules (
id TEXT PRIMARY KEY,
name TEXT NOT NULL,
description TEXT,
condition_template TEXT NOT NULL, -- 原始规则描述
code TEXT NOT NULL, -- 转换后的 Python 函数代码
priority INTEGER DEFAULT 0,
version INTEGER DEFAULT 1,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
updated_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
is_active BOOLEAN DEFAULT 1
);
CREATE TABLE rule_executions (
id TEXT PRIMARY KEY,
rule_id TEXT,
facts TEXT NOT NULL, -- JSON 格式的事实数据
result TEXT, -- 执行结果
matched BOOLEAN,
executed_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
FOREIGN KEY (rule_id) REFERENCES rules(id)
);
CREATE TABLE rule_embeddings (
rule_id TEXT PRIMARY KEY,
embedding TEXT NOT NULL, -- 用于相似度计算
FOREIGN KEY (rule_id) REFERENCES rules(id)
);
4. API 设计
4.1 创建规则
POST /api/rules
Body: {
"name": "premium_discount",
"description": "如果用户是高级会员，给予8折优惠",
"condition_template": "用户{{user_id}}的订阅类型为{{subscription}}，且年龄大于{{age}}",
"facts_schema": {...} // 可选：事实格式定义
}
Response: { "id": "rule_xxx", "code": "..." }
4.2 校验事实
POST /api/rules/evaluate
Body: {
"facts": {
"user_id": "u123",
"subscription": "premium",
"age": 25
}
}
Response: {
"matched": true,
"rule_id": "rule_xxx",
"result": { "action": "apply_discount", "params": {"discount": 0.8} }
}
4.3 查询规则
GET /api/rules
GET /api/rules/{id}
4.4 删除规则
DELETE /api/rules/{id}
5. 错误处理
| 场景 |
处理方式 |
| LLM 编译失败 |
返回错误，保留原始描述供修改 |
| 规则执行超时 |
限制执行时间（如 100ms），超时视为失败 |
| 无规则匹配 |
触发 LLM Callback，尝试生成新规则 |
| 规则冲突 |
警告返回，冲突规则不执行，需人工确认 |
| 规则重复 |
自动合并或提示用户确认 |
6. 冗余处理
6.1 规则去重
- 使用 embedding 计算语义相似度
- 相似度 > 0.95 的规则视为重复
- 提示用户合并或覆盖
6.2 规则冲突检测
- 两两比对规则条件
- 使用真值表分析是否存在矛盾（如：A→通过，B→拒绝 且条件重叠）
- 冲突规则标记，需人工确认优先级
6.3 LLM Callback 兜底
- 无规则匹配时，自动调用 LLM
- LLM 分析 facts，生成新规则描述
- 新规则经编译后存入数据库，下次直接使用
7. 安全考虑
| 风险 |
缓解措施 |
| 动态代码执行 |
RestrictedPython 沙箱，禁止危险操作 |
| 执行超时 |
规则执行限制 100ms |
| LLM 注入 |
输入 facts 做格式校验 |
| 数据泄露 |
不记录敏感 facts 内容 |
8. 测试策略
| 层级 |
内容 |
| 单元测试 |
RuleCompiler、RuleExecutor、ConflictDetector |
| 集成测试 |
API 端到端（创建规则→校验→结果） |
| 安全测试 |
沙箱隔离验证、恶意代码检测 |
9. MVP 范围
第一阶段（本次实现）
第二阶段（后续）
cd0ec8397f