思考的快与慢:用 Prolog 给 LLM 装上理性大脑,然后引入知识图谱,做结构化知识双向同步,这个 agent 能力有点炸裂...

 

你可能会问,当 GPT 能写诗、能画画、能聊天,我们为什么还需要 Prolog?

那是我觉得,因为直觉会犯错,而逻辑不会。我最近着手在研究这一块,已经有了一个初步的系统,第一个版本已经在我的小群中开源。

我先说一个尴尬的事实

你问 ChatGPT:"苏格拉底是人,人都会死,苏格拉底会死吗?"

它当然能答对。但如果你追问:"你是怎么推导的?请给出形式化证明。"——它开始含糊其辞。再进一步:"如果我已经告诉你 A 蕴含 B,B 蕴含 C,现在有人声称非 C,这和 A 矛盾吗?"——大模型可能对,也可能错,而且你永远无法确定它下一次是否还能对。

这就是 LLM 的根本局限:它靠统计直觉回答问题,不靠逻辑推理。 它是 Daniel Kahneman 笔下的 System 1——快,但不可靠。

我们做了一件事:给 LLM 接上一个 Prolog 引擎,让它真正"会推理"。


Prolog-World:System 1 + System 2 的工程实现

Prolog-World 是我研究的一个 Neuro-Symbolic AI Agent,核心架构可以用一张图说清楚:

┌─────────────────────────────────────────────────┐
│                    用户输入                       │
│                      │                           │
│                      ▼                           │
│              ┌──────────────┐                    │
│              │   LLM (S1)   │  自然语言理解       │
│              │  工具编排决策  │  何时调用哪个工具    │
│              └──────┬───────┘                    │
│                     │                            │
│          ┌──────────┼──────────┐                 │
│          ▼          ▼          ▼                 │
│   ┌──────────┐ ┌──────────┐ ┌──────────┐        │
│   │  Prolog  │ │   KG     │ │ Planner  │        │
│   │  (S2)    │ │  (S2)    │ │  (S2)    │        │
│   │ 确定性推理│ │ 结构化知识│ │ HTN规划  │        │
│   └──────────┘ └──────────┘ └──────────┘        │
│          │          │          │                 │
│          └──────────┼──────────┘                 │
│                     ▼                            │
│              ┌──────────────┐                    │
│              │   Memory     │  向量记忆           │
│              │  (桥梁)      │  语义检索           │
│              └──────────────┘                    │
│                                                  │
│   ┌──────────────────────────────────────┐       │
│   │        外部世界感知 (新增)            │       │
│   │  文件读写 · 命令执行 · 网络搜索       │       │
│   └──────────────────────────────────────┘       │
└─────────────────────────────────────────────────┘

LLM 是 System 1(快思考):负责理解用户意图、决定调用哪些工具、组织自然语言回复。

Prolog + 知识图谱 + 规划器 是 System 2(慢思考):负责确定性逻辑推理、结构化知识存储、约束满足规划。

Memory 是桥梁:向量语义检索弥合了精确查询和模糊回忆之间的鸿沟。

这不是一个聊天机器人。这是一个可验证推理引擎。

五大核心引擎

1. Prolog 推理引擎——确定性,可验证

我们通过 swipl-wasm 在 Node.js 中运行完整的 SWI-Prolog 实例。不是玩具,是工业级 Prolog:

% 传递性推理
transitive_closure(Rel, X, Z) :-
    call(Rel, X, Z).
transitive_closure(Rel, X, Z) :-
    call(Rel, X, Y),
    transitive_closure(Rel, Y, Z).

% 分类推理

instance_of(X, Category) :-
    direct_instance(X, Intermediate),
    subclass(Intermediate, Category).

当用户说"记住:苏格拉底是人",agent 会调用 prolog_consult 加载事实 mortal(socrates) <- human(socrates)。当用户问"苏格拉底会死吗?",agent 调用 prolog_query,Prolog 引擎给出确定性的推理结果——不是概率,不是猜测,是证明。

2. 知识图谱——结构化知识,双向同步

基于 N3.js 的 RDF 三元组存储,每个事实以 (Subject, Predicate, Object) 形式存储:

socrates  --is_a-->  human
human     --mortal--> true
eu_cbam   --covers--> carbon_emissions

关键设计:知识图谱与 Prolog 双向同步。每次 graph_add 添加三元组时,自动执行 assertz(kg_triple(S, P, O)) 将事实同步到 Prolog。Prolog 侧的 graph_bridge.pl 提供了更高阶的查询谓词——传递闭包、对称关系、路径查找、分类推理——全部在 Prolog 中确定性执行。

这意味着:你在知识图谱中存入的事实,自动成为 Prolog 推理的前提。 两个系统共享同一份知识,但各自用最擅长的方式处理。

3. HTN 规划器——带约束的任务分解

这不是简单的步骤排序。我们实现了带 CLP(FD) 约束的 HTN(层次任务网络)规划器:

% 每个步骤有持续时间和资源需求
method(plan_travel, [
    step(set_budget,          1, [money]),
    step(research_destination,2, [internet]),
    step(find_transport,      2, [inter…
— 以上为试看内容(约 40%),开通会员后阅读全文 —