P2 · 宠物疾病规则推理系统多范式推理实战营 · 项目 2/6副标题同一问题换一种推理范式——Prolog 规则推理 vs OWL 本体推理作者森林瀑布 博客senlinpubu.top 最后更新2026-06-22一、引言为什么要换一种范式在 P1 中我们用 OWL 本体 HermiT 推理机解决了宠物疾病诊断问题。但推理世界不止一种范式——不同的逻辑体系有不同的取舍。P1 用的是描述逻辑Description Logic它的特点是开放世界假设OWA没记录 ≠ 没有分类推理推理机自动发现类层次关系有可判定性保证P2 换成Horn 子句逻辑Prolog它的特点是封闭世界假设CWA没记录 没有目标驱动推理从问题出发反向链可递归、可算术但无可判定性保证同一个宠物诊断问题两种范式会给出不同的推理过程甚至不同的结论——这正是多范式推理的教学价值。二、技术架构Prolog pyswip FastAPI┌─────────────────────────────────────────────────┐ │ 输入病例症状列表 │ │ 例[发热, 呕吐, 腹泻] │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 1断言症状assertz has/2 │ │ has(case, 发热), has(case, 呕吐), ... │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 2确诊查询diagnose/2 │ │ forall(necessary) \ (nos ∧ has) │ │ CWA\ has(P,S) 在未断言时为 true │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 3疑似查询suspect/3 │ │ findall 匹配率 \ 排除检查 │ │ Prolog 独有findall length 算术 │ └──────────────────────┬──────────────────────────┘ ↓ ┌─────────────────────────────────────────────────┐ │ Step 4清理retractall has/2 │ │ 排序输出 │ └─────────────────────────────────────────────────┘2.1 知识表示事实 规则P1 把疾病建模为 OWL 类P2 把疾病建模为 Prolog 谓词% 事实疾病定义 disease(d001, 猫瘟, cat). % 事实必要症状 necessary(d001, 发热). necessary(d001, 呕吐). necessary(d001, 腹泻). % 事实排除症状 nos(d001, 咳嗽). nos(d001, 流鼻涕).对比 P1 的三层 OWL 编码equivalent_to SubClassOf SWRL 个体P2 只需要一层——事实就是事实不需要为了推理引擎的匹配机制做额外编码。这是 Prolog 的简洁之处。2.2 规则Horn 子句% 规则1确诊 diagnose(Patient, Disease) :- disease(Disease, _, _), forall(necessary(Disease, S), has(Patient, S)), \ (nos(Disease, S), has(Patient, S)). % 规则2疑似带置信度 suspect(Patient, Disease, Confidence) :- findall(S, (necessary(Disease, S), has(Patient, S)), Matched), findall(S, necessary(Disease, S), All), length(Matched, M), length(All, N), Confidence is M / N, \ (nos(Disease, S), has(Patient, S)).关键差异P1OWL/SWRLP2Prologequivalent_to充要条件HermiT 双向推理:-Horn 子句目标驱动 SLD 归结necessary.value限制推理机自动匹配forall/2显式全称检查nos.max(0)基数限制隐式排除\negation as failure显式排除置信度靠 Python_calc_confidence手动计算findall length is原生算术计算2.3 CWA封闭世界假设这是 P1 和 P2最根本的语义差异% 规则1 中的 \ (nos(Disease, S), has(Patient, S)) % 意思是不存在一个排除症状 S使得 Patient 有 S % % 如果 Patient 没有 has(Patient, 咳嗽) 这个事实 % Prolog 认为\ has(Patient, 咳嗽) 成功 → Patient 没有咳嗽而在 P1 的 OWL 中病例没有断言 has(case, 咳嗽) ≠ 病例没有咳嗽 HermiT 不会因未断言就推断不存在医疗场景的影响场景P1OWAP2CWA病例未记录咳嗽不能断定没有咳嗽断定没有咳嗽猫感冒的排除症状含咳嗽不能据此排除可以据此排除安全性更保守不轻易排除更激进未记录即排除2.4 递归推理Prolog 独有能力% 疾病传播链递归 can_transmit(D1, D2) :- transmit_to(D1, D2). can_transmit(D1, D3) :- transmit_to(D1, D2), can_transmit(D2, D3). % 事实 transmit_to(d002, d001). % 猫感冒 → 猫瘟 transmit_to(d005, d004). % 犬感冒 → 犬细小查询can_transmit(d002, X)会递归搜索整条传播链。OWL 的TransitiveProperty只能做无条件的传递闭包无法表达如果 A 传播给 BB 传播给 C则 A 可传播给 C这种条件递归。三、运行示例输入与 P1 相同的病例case{pet_type:cat,symptoms:[发热,呕吐,腹泻],breed:英短,age:2}输出────────────────────────────────────────────────── 诊断结果Prolog 规则推理 · CWA ────────────────────────────────────────────────── 1. 猫瘟 置信度1.00 ██████████ ✅确诊 2. 犬细小病毒 置信度0.67 ██████ ⚠️疑似 ────────────────────────────────────────────────── 推理链解释 [猫瘟] 匹配发热, 呕吐, 腹泻 ✅ 缺失无✅ 排除症状无命中 ✅ [犬细小病毒] 匹配呕吐, 腹泻 ✅ 缺失精神萎靡 ❌ 排除症状无命中 ✅与 P1 结果对比疾病P1OWL HermiTP2Prolog猫瘟0.99SWRL 补充候选1.00 ✅确诊犬细小病毒0.77SWRL 补充候选0.67 ⚠️疑似P2 的猫瘟置信度为 1.00 且标记确诊因为 Prolog 的forall确认了所有必要症状匹配。P1 的 0.99 是 Python_calc_confidence的上限截断min(0.99, ...)。四、与 LLM 方案对比维度LLM 方案P2 Prolog 方案输入自然语言symptoms: [发热, 呕吐, 腹泻]输出「可能是猫瘟建议就医」猫瘟1.00 ✅确诊推理链❌ 黑盒✅ SLD 归结可追溯一致性❌ 同一输入可能不同输出✅ 相同输入必定相同输出递归推理❌ 不支持✅ 原生支持可判定性—⚠️ 无保证可能不终止耗时2-5 秒0.1 秒五、P1 vs P2什么时候用哪个场景特征推荐范式原因需要分类推理“X 是不是 Y 的子类”P1 OWLProlog 不做子类推理需要一致性检查P1 OWLProlog 没有 satisfiability 检查开放世界更合理医疗、法律P1 OWL“没记录” ≠ “没有”需要递归推理P2 PrologOWL/SWRL 不支持递归规则密集350 条P2 PrologOWL 公理更适合结构化知识需要算术/列表操作P2 PrologSWRL 表达力有限封闭世界更合理库存、配置P2 Prolog“没有记录” “不存在”需要形式化保证P1 OWLProlog 可能不终止实践中常组合使用用 OWL 管理领域概念体系稳定的知识结构用 Prolog 执行业务规则频繁变化的推理逻辑。六、教学效果从代码到原理本项目作为《当 LLM 不够用了》的配套实战案例对应以下章节本书章节本项目对应内容第一章 本体论是什么Prolog 事实/规则 vs OWL 类/属性——知识表示的两种范式对比第四章 本体推理的技术基础设施Prolog SLD 归结推理机制与 Tableau 算法P1的并列对比第九章 打造你的第一条企业决策推理链P1 vs P2 场景决策树「什么时候用 OWL什么时候用 Prolog」学习路径第一周先跑通 P1OWL再看 P2——对比两种知识表示第二周理解 CWA vs OWA 的语义差异——这是 P2 最有教学价值的部分第三周掌握 Prolog 递归推理——OWL 做不到的能力第四周尝试在 P1 和 P2 之间迁移数据——体会不同范式的编码成本七、总结P2 与 P1 共用同一组数据diseases.csv、symptoms.csv、sample_case.json但用完全不同的推理范式解决同一问题。对比两者的差异是理解多范式推理的最佳路径P1P2逻辑描述逻辑Horn 子句假设OWACWA推理分类Tableau目标驱动SLD递归❌✅保证可判定无保证适合知识治理规则引擎「让 OWL 做知识治理让 Prolog 做规则推理让 LLM 做知识工程。」—— 《当 LLM 不够用了——本体推理的企业决策实践》项目链接github.com/georgewangchn/OntologyOps/tree/main/ontologyops/examples/P2P1 对比P1 · OWL 本体推理书籍全书《当 LLM 不够用了——本体推理的企业决策实践》在线阅读
