1. 从“需求”到“规则”Stock题材助手AI的实践起点最近在折腾一个叫“Stock题材助手”的AI应用核心任务很简单让AI能根据用户输入的一句话比如“华为发布新款手机”自动识别出相关的A股市场概念板块比如“消费电子”、“华为概念”、“5G通信”等等。听起来像是典型的自然语言处理NLP任务对吧一开始我也这么想直接上大模型喂数据调Prompt期待它“理解”语义后给出答案。但几轮实践下来我发现事情远没这么简单。模型要么“放飞自我”把“手机”关联到“游戏”甚至“元宇宙”要么过于保守只敢输出最宽泛的“科技”板块。输出的结果不稳定更谈不上精准。这个困境让我停下来重新思考在AI时代我们到底在向AI“提需求”还是在为AI“定规则”传统的需求工程核心是理解并定义“用户想要什么”然后交给开发团队去实现。但面对大模型这种“黑盒”你很难用模糊的自然语言需求去约束它。你说“要准确”什么叫准确你说“要全面”全面到什么程度这些主观的、依赖人类共识的形容词对AI来说几乎是无效指令。于是我的思路发生了转变。我不再试图让AI去“理解”股市题材这个复杂领域而是尝试将这个领域“规则化”。我不再问“AI你觉得这个概念属于哪个板块”而是问“根据我们定义好的规则库这条信息应该触发哪几条规则从而映射到哪个板块”。整个项目的本质从训练一个“理解者”变成了构建一个“规则引擎”而AI在其中扮演的角色是更高效、更灵活的“规则匹配器”与“规则执行器”。这就是我标题所说的AI时代的需求工程其本质正在向“规则工程”演进。我们不是在定义模糊的目标而是在设计清晰的、可被AI执行的判定逻辑。2. 为什么是“规则工程”需求范式的根本性迁移要理解这个转变我们需要先看看传统软件开发和AI应用开发的根本区别。传统软件开发是“确定性”的。你写一个函数calculateSum(a, b)它永远返回a b。需求工程师需要把业务逻辑翻译成这种确定性的指令序列代码。这里的“需求”最终会变成一行行有明确因果关系的代码。但大模型是“概率性”的。你给它一个提示“总结这篇文章”它每次生成的结果都可能略有不同因为它是在概率分布中采样。你无法用代码直接规定它“如何总结”你只能通过设计提示词Prompt、提供示例Few-shot、调整参数Temperature, Top-p来影响它的概率分布使其输出更可能符合你的期望。在Stock题材助手这个例子里“将新闻关联到股票板块”就是一个典型的、传统上依赖人类专家经验和模糊语义理解的任务。在AI介入前这个需求描述可能是“系统需要智能分析新闻文本自动、准确地将新闻关联到最相关的多个概念板块。” 这句话对产品经理和人类分析师来说意思很明确。但对AI来说“智能”、“准确”、“最相关”都是无法直接执行的虚词。“规则工程”就是要将这些虚词“实化”。具体来说它包含以下几个层面的工作2.1 领域知识的解构与原子化“华为发布新款手机”关联到“消费电子”这背后不是AI的“灵光一现”而是基于一系列原子化的事实和逻辑“华为”是一个实体在规则库中被标记为company: Huawei且该实体拥有标签tags: [“通信设备” “消费电子品牌”]。“新款手机”是一个产品短语触发产品类型规则product_type: “smartphone”而product_type: “smartphone”在映射表中明确属于板块sector: “Consumer Electronics”。同时存在一条公司-板块强关联规则IF entity “Huawei” THEN add sector “Huawei Concept”。还可能触发一条技术关联规则IF product_type contains “smartphone” AND context implies “5G” THEN add sector “5G Communication”。你看一句简单的话被拆解成了实体识别、产品分类、标签映射、逻辑组合等多个原子规则。需求从“要智能”变成了“要建立实体库、产品分类树、以及一套IF-THEN的映射逻辑”。2.2 规则的可度量性与可调试性传统需求是否满足往往通过功能测试是否跑通和用户体验是否好用来评判有一定主观性。而规则是否生效是可以直接度量和调试的。可度量我可以准备一个测试集里面包含100条新闻和它们人工标注的板块。规则引擎跑一遍准确率、召回率、F1值立刻出来。我可以精确地知道是“消费电子”这条规则覆盖不足还是“华为概念”这条规则误判太多。可调试如果一条关于“锂电池”的新闻没有识别出“新能源车”板块我可以检查1规则库里“锂电池”这个实体是否存在2该实体是否关联了“新能源车”标签3从“锂电池”到“新能源车”的推理规则是否完整。我可以像调试程序一样逐条检查、修改、验证规则而不是对着AI模型感叹“你怎么又不理解了”。2.3 人机职责的重新划分在规则工程范式下人的核心职责从“描述一个美好的愿景”变成了“构建一个可靠的规则体系”。我们需要定义规则的边界哪些情况该由规则处理哪些情况可以交给AI做模糊推断比如明确的实体和产品名用规则新闻情感倾向和影响程度可以交给AI判断。设计规则的结构是用标签系统、知识图谱还是决策树规则之间如何避免冲突优先级如何设定持续运营规则市场会出现新概念如“室温超导”公司业务会变化规则库需要像知识库一样持续更新和维护。而AI的角色则变成了一个强大的“规则执行与扩展工具”作为信息提取器利用其强大的NLP能力从非结构化文本中精准抽取出实体、事件、关系这些是规则触发的“原料”。作为模糊规则匹配器对于无法用精确关键词定义的规则例如“表述中有技术突破意味”可以由AI来判断是否满足条件。作为规则推荐器通过分析大量历史匹配数据AI可以发现潜在的、未被显式定义的规则模式提示工程师将其固化为新规则。3. Stock题材助手AI的“规则工程”实践拆解理论说再多不如看看具体是怎么做的。我的Stock题材助手AI就是一个完整的“规则工程”微型样板。它的核心架构可以分为三层规则定义层、AI增强层、决策与输出层。3.1 规则定义层构建领域知识骨架这是整个系统的基础也是最需要人工深耕的地方。我把它做成了一个结构化的规则库主要包含以下几张“表”实体词典一个结构化的公司、产品、技术术语列表。每条记录不止有名字还有属性。{ name: 宁德时代, type: COMPANY, aliases: [CATL, 宁德时代新能源], core_tags: [动力电池, 锂电池], related_sectors: [新能车, 锂电池, 储能] }注意别名aliases非常重要。“宁王”、“CATL”都要收录否则规则无法触发。这是规则工程中“数据清洗”环节的延伸需要持续维护。概念板块映射树这不是一个简单的列表而是一个有层次结构的树。例如一级大科技二级电子三级消费电子 (直接映射)三级半导体 (直接映射)二级计算机三级人工智能 (直接映射)三级云计算 (直接映射) 这种结构允许规则进行层级推断。一条新闻被标记为“消费电子”我可以选择是否同时向上归入“电子”和“大科技”板块。触发规则集这是逻辑核心我主要设计了两种规则类型。直接映射规则最简单直接通常基于实体。rule_id: R001 type: DIRECT_MAPPING condition: entity.name in [宁德时代, 比亚迪, 亿纬锂能] action: add_sectors [新能车, 锂电池] priority: 高模式匹配规则用于捕捉更复杂的情景使用关键词组合和简单逻辑。rule_id: R002 type: PATTERN condition: (text contains “发布” or “推出”) and (text contains “芯片”) and (text contains “7nm” or “5nm”) action: add_sectors [半导体”, “先进封装”] confidence: 0.8 # 为此规则赋予一个置信度 priority: 中3.2 AI增强层让规则“活”起来如果只有规则定义层那只是一个传统的专家系统脆弱且维护成本高。AI的引入是为了让这个系统更智能、更自适应。任务一精准信息抽取NER与关系抽取这是AI的核心价值所在。我使用微调后的NER模型而不是单纯的关键词匹配来识别文本中的实体。例如对于句子“宁王和比亚迪在电池技术路线上的竞争白热化”AI需要准确识别出“宁王”指向“宁德时代”和“比亚迪”两个公司实体并可能抽取出“竞争”这一关系。这为后续规则触发提供了高质量的、结构化的输入。这一步的准确性直接决定了规则引擎的上限。任务二上下文理解与规则权重调节有些规则是否触发取决于上下文。例如“苹果”这个词在“苹果发布Vision Pro”中指的是公司触发“消费电子”、“MR/VR”板块在“苹果价格大涨”中指的是水果触发“农业”或“消费”板块。这里我会让一个轻量级文本分类模型或通过Prompt让大模型判断来理解当前文本的领域从而决定启用哪一套实体识别和规则集。同时AI可以根据上下文语义丰富度动态调整规则输出的置信度。任务三处理规则未覆盖的长尾案例再全的规则库也有覆盖不到的角落。对于完全无法匹配任何规则的文本我不会直接放弃而是将其交给大模型如GPT-4做“兜底分析”。Prompt会这样设计“你是一个资深的A股市场分析师。请仅基于以下新闻文本直接列出最可能相关的2-3个A股概念板块名称用逗号分隔。新闻[文本]”。这个结果一方面可以作为本次查询的输出补充但会标记为“AI推断置信度低”另一方面这个案例会被收集起来供我分析是否需要提炼成一条新的规则补充到规则库中。这就是一个“AI生产规则候选人工审核固化”的闭环。3.3 决策与输出层规则的执行与解释当一条新闻输入后系统的工作流如下预处理文本清洗、分词。AI信息抽取调用模型提取实体、关键词、事件类型、情感倾向等结构化信息。规则匹配引擎将提取的信息作为输入在规则库中进行匹配。这里涉及规则优先级处理高优先级规则先执行、冲突消解两条规则添加了矛盾的板块则根据优先级或置信度裁决。综合决策将直接规则匹配的结果、AI上下文调节的权重、以及可能的AI兜底建议进行综合。我采用一个加权投票机制规则匹配结果权重最高AI兜底结果权重最低。可解释性输出这是“规则工程”带来的巨大优势。系统输出不仅仅是几个板块名称而是附带“推理链”关联板块华为概念 消费电子 5G通信推理依据识别到实体“华为”触发规则R101添加板块【华为概念】。识别到产品关键词“手机”匹配产品类型“智能手机”触发规则R205添加板块【消费电子】。上下文提及“5G网络”触发技术关键词规则R308添加板块【5G通信】。AI上下文分析判定本文主题为“消费电子产品发布”置信度90%。这种输出对于用户尤其是专业投资者来说不再是黑盒的“AI觉得”而是可追溯、可验证的“根据某条规则”极大地提升了信任度。4. 规则工程中的核心挑战与应对策略在实践中“规则工程”绝非一劳永逸它伴随着一系列挑战。4.1 规则爆炸与维护成本随着业务复杂规则数量会线性甚至指数增长。很快你就会面临“规则地狱”成千上万条规则彼此之间可能存在重叠和冲突维护起来噩梦一般。应对策略规则分层与模块化不要所有规则都平铺。建立核心规则高优先级、高确定性、一般规则、场景规则等不同层次。将规则按主题模块化如“半导体行业规则包”、“新能源汽车规则包”独立维护和更新。规则抽象化不要为每一个具体实体写规则。多用“类”和“属性”。与其为“宁德时代”、“比亚迪”、“亿纬锂能”各写一条规则不如建立一条规则“如果实体属于公司类型: 动力电池制造商则添加板块【新能车】”。然后维护好实体的属性即可。引入规则管理系统对于复杂系统需要像管理代码一样管理规则包括版本控制、测试框架、影响分析修改一条规则会影响哪些案例等。4.2 规则与AI的边界划分到底什么该用规则什么该用AI这个边界需要反复权衡。我的经验原则是确定性强、逻辑硬的用规则。例如公司上市代码、产品明确分类、法律法规条款。模糊性强、需要语义理解的用AI。例如判断一篇新闻报道的整体情感是积极还是消极识别文本中隐含的讽刺或否定。规则为主AI为辅用AI为规则提供更优质的输入如更准的实体识别并为规则未覆盖的边界案例提供兜底。切忌让AI去做规则擅长的事比如让AI去判断“贵州茅台”是不是白酒股这既浪费算力又不可靠。4.3 规则冲突与置信度管理当多条规则被同时触发且指向不同结果时如何解决冲突消解机制优先级硬裁决为每条规则设定优先级。高优先级规则覆盖低优先级规则。特异性优先更具体、条件更严格的规则优先于更宽泛的规则。例如“华为发布手机”触发“消费电子”和“华为概念”而“某公司发布手机”只触发“消费电子”。置信度加权为每条规则赋予一个静态或动态由AI根据上下文计算的置信度。冲突时计算加权得分。人工定义冲突解决规则对于已知的、重要的冲突对直接写明解决方式。例如“规则A添加板块X与规则B添加板块Y冲突时取规则A”。4.4 冷启动与规则发现一个新领域如何从零开始构建规则库启动方法种子规则AI标注人工编写少量核心种子规则然后用这些规则去处理一批数据得到初步结果。再将这些结果作为标注数据喂给AI模型让模型学习模式并处理更多数据发现潜在的、高频的规律人工再将其提炼为新规则。如此循环迭代。利用大模型进行规则挖掘这是更进阶的方法。你可以让大模型如GPT-4分析一批文本和对应的预期输出然后提问“为了从这些文本中稳定地得出这些结论你认为需要制定哪些具体的、可执行的判断规则” 大模型可能会给出非常具有启发性的规则建议极大地加速了规则库的构建。5. 规则工程思维对AI产品开发的启示Stock题材助手AI的实践虽然只是一个具体案例但它所体现的“规则工程”思维对广泛的AI应用开发尤其是涉及复杂领域知识、要求高可靠性和可解释性的ToB场景具有普适的启示。5.1 需求文档的形态需要改变传统的PRD产品需求文档可能不再适用。未来AI产品的需求文档可能会更像一份“规则设计说明书”和“Prompt规格书”的结合体。它需要明确系统的输入/输出规格。核心的领域概念与实体定义相当于数据库Schema。关键的业务判断逻辑以规则形式描述IF-THEN。AI模型的责任边界与性能指标负责哪部分准确率要求多少。规则与AI交互的接口与流程。5.2 团队技能组合需要更新项目团队中除了算法工程师和数据分析师“规则工程师”或“知识工程师”的角色会变得至关重要。他们需要深度理解业务能够将模糊的业务逻辑转化为清晰、无歧义、可执行的规则体系。他们需要具备逻辑建模、知识图谱构建、数据建模的能力同时能与算法工程师紧密协作确定人机分工的边界。5.3 评估标准从“效果”深入到“过程”对于纯AI模型我们主要评估最终输出效果如准确率、F1值。对于“规则工程”化的AI系统我们不仅要评估最终效果还要评估规则集的质量规则覆盖率、规则冲突率、规则维护效率、规则的可解释性等。系统的健壮性不仅取决于AI模型的性能更取决于底层规则体系的设计是否周密、是否可持续演进。5.4 可解释性成为核心竞争力在金融、医疗、法律等高风险领域“黑盒”AI是无法被广泛接受的。“规则工程”路径天然提供了可解释性。每一个决策都可以追溯到具体的规则和输入的事实这满足了合规审计、风险控制和用户信任的刚性需求。当你能向用户或监管方清晰地展示“为什么系统会这样判断”时你的产品就建立了强大的信任壁垒。回过头看Stock题材助手AI这个项目收获最大的不是做出了一个能用的工具而是通过它验证了一种在AI时代更为务实、可控的构建复杂系统的方法论。它告诉我面对大模型我们不应一味追求其“通用智能”而是应该用人类的领域知识为其打造“轨道”和“交规”让它在我们设定的边界内安全、高效、可预测地奔跑。将“需求”转化为“规则”或许正是当下将AI潜力可靠地转化为现实生产力的关键桥梁。