条匹配规则，最后给出结论。
实际用处：除了医疗诊断，还有智能客服的自动回复。比如你问“快递没收到怎么办”匹配规则“如果用户问快递未收到→回复‘请提供订单号，帮你查询物流’”。
优点：简单易懂，符合人类思维；缺点：规则太多时会“乱套”。比如同时满足感冒和肺炎的部分症状，电脑可能不知道优先匹配哪条规则。
这种方法是用“节点”代表概念（比如“鸟”“飞机”），用“带标签的线”代表关系（比如“会飞”“有羽毛”），画出来像一张蜘蛛网，特别适合表示“概念之间的联系”。
举个例子：用语义网络表示“鸟”的知识。
- 画一个节点写“鸟”
- 用线连一个节点“有羽毛”，线上标“属性”
- 再用线连一个节点“会飞”，线上标“能力”
- 再用线连一个节点“麻雀”，线上标“属于”
- 还能连一个节点“飞机”，线上标“相似点”（都能飞）。
画出来就是一张“鸟的知识网络图”，电脑能顺着线找到各个概念的关系。
实际用处：比如百度、谷歌的“知识图谱”就是用这种方法。你搜“李白”，页面右侧会出现“朝代：唐朝”“作品：《静夜思》”“好友：杜甫”，这些就是语义网络里的节点和关系，电脑顺着网络把相关知识都调出来。
优点：直观，能体现知识的关联性；缺点：关系太复杂时，网络会变得混乱，电脑找起来变慢。
4 框架表示法：给知识建“模板”
这种方法是给一类事物建一个“框架模板”，就像简历里的“基本信息、教育经历、工作经历”模板，然后把具体事物的信息填进去。适合表示“有固定结构的知识”，比如人物、物品、事件。
举个例子：给“电影”建一个框架模板，再填《流浪地球2》的信息。
“框架名”是大类，“槽名”是这类事物的共同属性，“槽值”是具体事物的信息。如果再填《满江红》的信息，就用同一个框架，只改槽值就行。
实际用处：比如视频网站的电影分类系统，用框架表示法存储每部电影的信息，用户搜“2023年上映的科幻片”去匹配“类型=科幻片”年”的框架，把符合条件的电影列出来。
优点：结构清晰，方便批量处理同类知识；缺点：模板固定，没法表示不符合模板的“特殊知识”。比如遇到一部“既是科幻又是喜剧，还没有导演署名”的电影，框架里没有对应的槽名，就没法填。
5 面向对象表示法：给知识“打包成对象”
这种方法是把知识“封装”成“对象”，就像把一个苹果的“颜色、味道、能不能吃”这些信息都装进一个礼盒里，礼盒上还写着“能做什么”（比如“可以削皮吃”“可以做沙拉”）。它把“属性”（是什么）和“方法”（能做什么）打包在一起，是现在编程里最常用的方法之一。
举个例子：用面向对象表示法表示“手机”。
- 方法（能做什么）：打电话（输入号码→拨出）、拍照（点击快门→保存照片）、上网（连接wifi→打开浏览器）
电脑里的“手机对象”不仅有属性信息，还知道能执行哪些操作。如果要让手机“拍照”，直接调用“拍照方法”就行。
实际用处：比如手机app的开发，每个功能模块都是一个“对象”。比如微信里的“聊天窗口”对象，属性是“聊天对象、聊天记录”，方法是“发送消息、接收消息、撤回消息”，这样开发起来条理特别清晰。
优点：模块化强，能重复使用；缺点：设计“对象”需要花很多心思，要是属性或方法漏了，后续改起来很麻烦。
6 神经网络表示法：把知识“变成数字向量”，像给知识“编密码”
这种方法是现在最火的，尤其在深度学习里。它把每个概念（比如“猫”“狗”，这些数字叫“向量”。数字越像，说明概念越接近——比如“猫”和“狗”的向量很像，因为都是动物；“猫”和“桌子”的向量差别很大。
举个例子：用神经网络表示法处理“词语”。
当你问“苹果和香蕉有什么共同点”，电脑会对比两者的向量，发现它们的数字很像，再结合其他知识，得出“都是水果，都能吃”的结论。
实际用处：比如chatgpt这类大模型，就是用这种方法表示知识。它能理解“国王”和“女王”的关系，就像“男人”和“女人”的关系，因为它们的向量差值很相似。还有语音识别，电脑把“你好”的声音变成向量，和存储的“你好”向量对比，就能识别出你说的话。
优点：能处理复杂的模糊知识，比如“开心”和“高兴”的细微差别；缺点：数字向量太抽象，人类看不懂，没法解释“电脑为啥这么想”——比如电脑说“苹果和香蕉很像”，你问“为啥”，它说不出理由，只能说“向量很像”。
四、追历史：知识表示是怎么从“简单符号”进化到“智能向量”的