命题逻辑

命题逻辑（Propositional Logic），也称为语句逻辑（Sentential Logic），是逻辑学和数学中最基础的一个分支。它研究的是命题（Propositions）以及如何通过逻辑连接词（Connectives）将简单命题组合成复杂命题，并分析这些命题的真假值（Truth Values）。

基础概念

命题、语法与语义

命题 (Proposition)

命题是一个可以判断真假的陈述句。在命题逻辑中，我们通常用大写字母（如 $P, Q, R$）来代表一个命题。

是命题的例子：
- "北京是中国的首都。"（真命题，True）
- "1 + 1 = 3。"（假命题，False）
- "今天在下雨。"（可能真可能假，但必然居其一）
不是命题的例子：
- "你好吗？"（疑问句，无真假可言）
- "快跑！"（命令句，无真假可言）
- "x + 1 = 2"（除非指定 $x$ 的值，否则无法判断真假——这属于谓词逻辑的范畴）

语法 (Syntax)

语法规定了什么样的句子结构是合法的（即"形式良好"，Well-formed）。它只关心符号的排列规则，不关心含义。

例如，在代数中：

$x + y = 4$ 是合法的（符合语法规则）。
$x4y+=$ 是非法的（不符合语法规则，就像乱码）。

在命题逻辑中，语法使用 $P_1, P_2, \dots$ 等符号来代表基本命题（例如："今天是星期一"）。如果 $S$ 是一个句子，那么 $\neg S$ 也是一个句子（$\neg$ 读作 "not"）。

语义 (Semantics)

语义定义句子的真值（Truth Value），即赋予符号意义，判断句子是"真"还是"假"。一个句子的真假取决于我们所处的"世界"或"上下文"（即变量的具体取值）。

例子： 句子 $s: x + y = 4$

在 $x=3, y=1$ 的世界里，它是真（True）的。
在 $x=1, y=1$ 的世界里，它是假（False）的。

在命题逻辑中，$\neg S$ 为真，当且仅当（iff）$S$ 为假：

当 $P$ 是 T 时，$\neg P$ 是 F。
当 $P$ 是 F 时，$\neg P$ 是 T。

逻辑连接词 (Logical Connectives)

命题逻辑不关心命题内部的细节（比如"谁"做了"什么"），它只关心命题之间是如何连接的。最常用的逻辑连接词包括：

否定 (Negation, NOT)
- 符号：$\neg$ 或 $\sim$
- 含义：如果 $P$ 是真，$\neg P$ 就是假。
- 例子：$P$ = "在下雨"，$\neg P$ = "没在下雨"。
- 合取 (Conjunction, AND)
- 符号：$\wedge$
- 含义：只有当 $P$ 和 $Q$ 都为真时，$P \wedge Q$ 才为真。
- 例子："我在吃饭并且我在看电视"。
- 析取 (Disjunction, OR)
- 符号：$\vee$
- 含义：只要 $P$ 或 $Q$ 其中一个为真（或都为真），$P \vee Q$ 就为真。
- 例子："今天是周六或者今天是周日"。
- 蕴含 (Implication, IF...THEN)
- 符号：$\rightarrow$ 或 $\Rightarrow$
- 含义：$S_1 \Rightarrow S_2$ 为真，当且仅当 $S_1$ 为假 或者 $S_2$ 为真。逻辑蕴涵只有一种情况为假："前提为真，但结论为假"（T $\Rightarrow$ F）。
- 箭头左边叫做前件（Antecedent），相当于条件；箭头右边叫做后件（Consequent），相当于结论。只要前件为 False，整个蕴含式无法被证伪，直接判定为 True；只有当前件为 True 而后件为 False 时，蕴含式才为 False。
- ※ 转化为 CNF 时，可将 $A \rightarrow B$ 等价改写为 $\neg A \vee B$。
- 双条件 (Biconditional, IF AND ONLY IF)
- 符号：$\leftrightarrow$ 或 $\Leftrightarrow$
- 含义：当且仅当 $P$ 和 $Q$ 的真假值相同时，$P \leftrightarrow Q$ 为真。等价于 $（P \Rightarrow Q）\wedge（Q \Rightarrow P）$ 同时成立。

常见符号速查

符号	名称	读法
$\neg$	否定	Not（非）
$\wedge$	合取	And（且）
$\vee$	析取	Or（或）
$\rightarrow$	蕴含	Implies（蕴含）
$\leftrightarrow$	双条件	If and only if（当且仅当）

真值表与公式分类

真值表（Truth Table）列出一个命题在所有可能情况下的真假结果。

例如，$P \wedge Q$（P 且 Q）的真值表：

P	Q	P ∧ Q
T	T	T
T	F	F
F	T	F
F	F	F

根据真值表的结果，我们将公式分为三类：

永真式（Valid / Tautology）：在所有模型下都为真（全是 T）。例如：$A \vee \neg A$（排中律，无论 A 是真是假，结果恒真）。
可满足式（Satisfiable）：在某些模型下为真，在某些下为假（有 T 有 F）。例如：$A \wedge B$（当 A、B 都为真时成立）。
矛盾式（Unsatisfiable / Contradiction）：在所有模型下都为假（全是 F）。例如：$A \wedge \neg A$（A 不可能既真又假，没有任何模型能让它成立）。

逻辑等价与化简规则

逻辑等价性 (Logical Equivalence)

如果两个逻辑公式在所有可能的真值组合（Truth assignments）下结果都完全相同，它们就是逻辑等价的，用符号 $\equiv$ 或 $\iff$ 表示。我们可以利用等价关系来操作和简化复杂的逻辑公式。

核心化简规则（转化为 CNF 的必备工具）

在实际解题中，最常用以下几个规则：

① 蕴含消除（Implication Elimination）

\[ A \leftrightarrow B \equiv (A \rightarrow B) \wedge (B \rightarrow A) \]

\[ A \rightarrow B \equiv \neg A \vee B \]

重要性：这是将逻辑式转化为 CNF 的第一步，能将所有箭头去掉，只留下 $\neg$、$\vee$、$\wedge$。

② 德摩根定律（De Morgan's Laws）

\[ \neg(A \wedge B) \equiv \neg A \vee \neg B \]

\[ \neg(A \vee B) \equiv \neg A \wedge \neg B \]

否定一个复合命题时，否定每个项并交换析取与合取算子。这是处理"或"与"且"之间否定变换的核心工具。

③ 分配律（Distributive Laws）

\[ A \vee (B \wedge C) \equiv (A \vee B) \wedge (A \vee C) \]

\[ A \wedge (B \vee C) \equiv (A \wedge B) \vee (A \wedge C) \]

类似于数学里的乘法分配律，是整理公式结构、将其转化为 CNF 的关键步骤。

完整逻辑恒等式列表

以下是命题逻辑中所有常用的逻辑等价式：

交换律（Commutative）：$p \vee q \equiv q \vee p$，$p \wedge q \equiv q \wedge p$ 说明：逻辑算子的顺序不影响结果。
结合律（Associative）：$(p \vee q) \vee r \equiv p \vee (q \vee r)$，$(p \wedge q) \wedge r \equiv p \wedge (q \wedge r)$ 说明：多个相同算子相连时，结合顺序不影响结果。
分配律（Distributive）：$p \vee (q \wedge r) \equiv (p \vee q) \wedge (p \vee r)$，$p \wedge (q \vee r) \equiv (p \wedge q) \vee (p \wedge r)$
幂等律（Idempotent）：$p \vee p \equiv p$，$p \wedge p \equiv p$ 说明：一个命题与自身析取或合取，结果不变。
德摩根定律（De Morgan's）：$\neg(p \vee q) \equiv \neg p \wedge \neg q$，$\neg(p \wedge q) \equiv \neg p \vee \neg q$
排中律（Excluded Middle）：$p \vee \neg p \equiv T$，$p \wedge \neg p \equiv F$ 说明：一个命题与其否定必有一个为真（永真），不能同时为真（永假）。
单位律（Identity）：$p \vee F \equiv p$，$p \wedge T \equiv p$ 说明：命题与恒假项析取，或与恒真项合取，结果不变。
支配律（Domination）：$p \vee T \equiv T$，$p \wedge F \equiv F$
逆否等价（Contrapositive）：$p \Rightarrow q \equiv \neg q \Rightarrow \neg p$ 说明：原命题与其逆否命题在逻辑上等价。
蕴含转析取（Implication as Disjunction）：$p \Rightarrow q \equiv \neg p \vee q$
蕴含式的否定（Negation of Implication）：$\neg(p \Rightarrow q) \equiv p \wedge \neg q$ 说明：蕴含式的否定等价于前件为真且后件为假。
双重否定律（Double Negation）：$\neg(\neg p) \equiv p$

基于知识的智能体 (Knowledge-Based Agents)

基于知识的智能体（Knowledge-Based Agents，KB 智能体） 是一种利用逻辑推理来做决策的 AI 系统。它的"大脑"是一个知识库（Knowledge Base, KB），由许多句子（sentences）组成，这些句子代表对世界的断言（assertions）或已知事实。

推理：从已知到未知

Inference（推理）是从已有的句子中推导出新句子的过程。

1770852779802

经典三段论示例：

已知规则（KB）："All humans are mortal"（所有人类都会死）。
新事实："Prof. S is a human"（S 教授是人类）。
推理过程：逻辑引擎结合两条信息。
结论："Prof. S is mortal"（S 教授会死）——这个结论在 KB 中原本没有被显式写出。

模型与蕴含

模型 (Model)

模型是一个具体的"可能世界"或"环境"。在这个环境中，所有变量都有确定的取值，因此每个句子的真假都可以被判定。如果句子 $s$ 在模型 $m$ 中为真，我们说 $m$ 满足（satisfies）$s$。

例子： 句子 $s: x + y = 4$（在自然数集上）

模型 $\{x=3, y=1\}$：$3+1=4$，满足 $s$。
模型 $\{x=1, y=1\}$：$1+1 \neq 4$，不满足 $s$。

符号 $M(s)$ 表示所有满足句子 $s$ 的模型的集合。对于 $x+y=4$，$M(s)$ 包含 $\{x=0, y=4\}$、$\{x=1, y=3\}$、$\{x=2, y=2\}$ 等等。

蕴含 Entailment（$\vDash$）

$KB \vDash \alpha$ 读作"KB 蕴含 $\alpha$"，意思是"$\alpha$ 是 KB 的逻辑推论"。
直观含义：如果你知道"所有人都会死"且"S 教授是人"，那么逻辑上必然得出"S 教授会死"。

蕴含的两种等价定义：

基于真值的定义：

$$ KB \vDash \alpha \iff \alpha \text{ is true in every situation in which } KB \text{ is true} $$

在所有让知识库 $KB$ 为真的"世界"里，$\alpha$ 也必然为真。不存在"$KB$ 为真但 $\alpha$ 为假"的反例。 2. 基于模型的定义（集合论视角）：

$$ KB \vDash \alpha \iff M(KB) \subseteq M(\alpha) $$
- $M(KB)$ 是所有让知识库为真的模型集合。
- $M(\alpha)$ 是所有让 $\alpha$ 为真的模型集合。
- 如果 $M(KB)$ 被包含在 $M(\alpha)$ 中，蕴含成立。
- 通俗理解：只要你处于一个 KB 成立的世界里，你也一定处于 $\alpha$ 成立的圈子里。

推理算法的质量标准

$KB \vdash_P \alpha$ 表示：利用推理过程 $P$，可以从知识库 $KB$ 中推导出语句 $\alpha$。

$KB$（Knowledge Base）：已掌握的所有信息、规则和事实。
$\alpha$（Alpha）：你想验证的目标结论。
$P$（Procedure）：具体的推理算法。同样的 KB，不同的算法 $P$ 会有不同的效率。
$\vdash$（Turnstile）：读作"derives"（推导出）。

衡量推理过程 $P$ 质量的两个标准：

可靠性（Soundness）
- 定义：$P$ 推出的任何语句 $\alpha$ 都是 $KB$ 逻辑蕴含的（推出的结论保证为真）。
- 公式：$KB \vdash_P \alpha \implies KB \models \alpha$
- 通俗理解：不做假阳性，推出来的都是对的。
- 完备性（Completeness）
- 定义：$P$ 能够推出 $KB$ 蕴含的所有语句（不遗漏任何真结论）。
- 公式：$KB \models \alpha \implies KB \vdash_P \alpha$
- 通俗理解：不做假阴性，所有对的都能被推出来。

经典案例：Wumpus World

Wumpus World 是 AI 中一个经典的寻宝游戏，非常适合用来展示逻辑推理的力量。

游戏设定：一个探险家（AI 机器人）被扔进 $4 \times 4$ 的黑暗洞穴。

目标：找到金子，然后活着出来。
危险：
1. Wumpus（怪兽）：碰到就被吃掉。
2. Pit（深坑，符号 $P$）：掉进去就摔死。 * 传感器（线索）：机器人看不到周围，只能靠"感觉"：
3. Breeze（微风，符号 $B$）：如果你站在深坑的隔壁格子里，会感觉到微风。
4. Stench（臭气）：如果你在怪兽旁边，会闻到臭气。

1770855635327

机器人必须根据感知到的线索，通过逻辑推理判断哪些格子安全、哪些格子有危险——这正是命题逻辑推理的用武之地。

朴素推理算法：模型检测 (Model Checking)

模型检测是最直接的推理方法：枚举所有可能的"世界"，找出哪些世界让 KB 成立，再检查结论在这些世界里是否也成立。

工作原理：

枚举所有命题符号的可能真值组合，构建真值表。
找出使 KB 中所有语句都为真的行（即"有效模型"）。
检查结论 $\alpha$ 在这些行中是否也全为真。

推导示例（Wumpus World）：

确定无坑：在所有有效模型里，如果 $P_{1,2}$ 全为 False，则可推出该位置没有坑（$\neg P_{1,2}$）。
确定有坑范围：如果所有有效模型里 $P_{2,2}$ 或 $P_{3,1}$ 总有一个为 True，则推出 $P_{2,2} \lor P_{3,1}$（两个位置中必有一个有坑）。

性能分析：


理论上	可靠（Sound）且完备（Complete）
实际上	计算上极度低效
时间复杂度	$O(2^n)$（$n$ 为命题符号数量，指数级爆炸）

计算成本示例：

10 个符号 $\approx 0.000001$ 秒
50 个符号 $\approx 13$ 天
100 个符号 $\approx 40.2$ 万亿年（$40.2 \times 10^{12}$ years）

结论：简单的模型检测无法处理复杂问题。我们需要更聪明的推理算法——这就引出了接下来的归结（Resolution）。

Resolution(归结推理)

归结原理（Resolution） 是命题逻辑中用于自动证明定理的重要方法。相比于模型检测（穷举真值表），归结法效率更高，是一种通用的推理规则。

归结基于反证法（Proof by Contradiction）：

想证明 $KB \models \alpha$，不需要直接证明 $\alpha$ 为真。
假设 $\alpha$ 为假（加入 $\neg \alpha$），看 $KB \wedge \neg \alpha$ 是否产生矛盾（即 Unsatisfiable）。
如果产生矛盾（推出空集 $\emptyset$），则假设不成立，$\alpha$ 必然为真。

CNF (合取范式)

归结算法要求所有公式必须先转换为合取范式（CNF）。

CNF 的结构：

文字（Literal）：$P$ 或 $\neg P$（一个变量或其否定）。
子句（Clause）：文字的析取（OR），例如 $(A \vee B \vee \neg C)$。
CNF：子句的合取（AND），例如 $(A \vee B) \wedge (C \vee \neg D)$。

简单说：CNF = AND of ORs（一堆括号用 $\wedge$ 连接，括号里面全是 $\vee$ 连接的文字）。

例如：$(\neg P_1 \vee P_2) \wedge (P_3 \vee P_4 \vee \neg P_5) \wedge P_6$

为什么需要 CNF？

当公式是 CNF 形式时，可以以最快的速度发现逻辑矛盾。例如，给定子句 $(A \lor B)$ 和子句 $(\neg A \lor C)$：

$A$ 要么真要么假。
若 $A$ 真：第二个子句要求 $C$ 为真。
若 $A$ 假：第一个子句要求 $B$ 为真。
因此直接得出 $(B \lor C)$，无需逐行穷举真值表。

任何命题逻辑公式都可以转化为 CNF。

如何将任意公式转化为 CNF（三步骤）

以 $(p \to q) \lor (r \wedge s)$ 为例：

第一步：消除蕴含和双条件

CNF 只能包含 $\neg$、$\lor$、$\wedge$，所以先用蕴含等价律消掉箭头：

规则：$A \to B \equiv \neg A \lor B$
操作：将 $(p \to q)$ 替换为 $(\neg p \lor q)$。
结果：$(\neg p \lor q) \lor (r \wedge s)$

第二步：内移否定符号

如果括号外面有 $\neg$（如 $\neg(p \lor q)$），用德摩根定律把它移进去。

本题中 $\neg$ 只在 $p$ 前面，不需要移动。
结果：依然是 $(\neg p \lor q) \lor (r \wedge s)$

第三步：应用分配律（关键步骤）

目标是让 $\wedge$ 跑到外层、让 $\lor$ 缩进括号里。

规则：$A \lor (B \wedge C) \equiv (A \lor B) \wedge (A \lor C)$
将 $(\neg p \lor q)$ 看作整体 $A$，$r$ 看作 $B$，$s$ 看作 $C$：

\[ ((\neg p \lor q) \lor r) \wedge ((\neg p \lor q) \lor s) \]

这就是 CNF 形式。

归结推理规则 (Resolution Inference Rule)

这是整个归结算法的"引擎"。

互补文字 (Complementary Literals)

互补文字指一对互为否定的文字，例如 $P$ 和 $\neg P$。

归结规则

如果两个子句分别包含互补文字，可以将互补的部分消去，把两个子句的剩余文字合并成一个新子句：

\[ \frac{(P \vee A) \quad (\neg P \vee B)}{A \vee B} \]

直觉解释： 因为 $P$ 要么真要么假：

若 $P$ 为真：$\neg P$ 为假，第二个子句成立要求 $B$ 必须为真。
若 $P$ 为假：第一个子句成立要求 $A$ 必须为真。
因此，$A$ 和 $B$ 中至少有一个为真，即 $(A \vee B)$。

用真值表理解归结：从两变量到多变量

例 1：两个变量的情形

已知两个子句：$(P_{1,3} \vee P_{2,2})$ 和 $(\neg P_{2,2})$。

$P_{2,2}$ 和 $\neg P_{2,2}$ 是互补文字。列出所有可能的世界：

$P_{1,3}$	$P_{2,2}$	$P_{1,3} \vee P_{2,2}$	$\neg P_{2,2}$	两个前提都为真？
F	F	F	T	✗（子句1为假）
F	T	T	F	✗（子句2为假）
T	F	T	T	✓
T	T	T	F	✗（子句2为假）

在两个前提都为真的所有世界中，只有第三行满足条件，此时 $P_{1,3} = T$。

因此可以归结出：$P_{1,3}$。

例 2：三个变量的情形

已知两个子句：$(P_{1,1} \vee P_{3,3} \vee P_{2,4})$ 和 $(\neg P_{2,4})$。

$P_{2,4}$ 和 $\neg P_{2,4}$ 是互补文字。子句2（$\neg P_{2,4}$）要求 $P_{2,4} = F$。在 $P_{2,4}=F$ 的条件下列出所有可能世界：

$P_{1,1}$	$P_{3,3}$	$P_{2,4}$	子句1	子句2	两个前提都为真？	$P_{1,1} \vee P_{3,3}$
F	F	F	F	T	✗（子句1为假）	F
F	T	F	T	T	✓	T
T	F	F	T	T	✓	T
T	T	F	T	T	✓	T

在两个前提都为真的所有世界中（✓行），无法单独确定 $P_{1,1}$ 或 $P_{3,3}$ 的值（可能一个真，也可能两个都真），但可以确定 $(P_{1,1} \vee P_{3,3})$ 在所有这些世界里必然为真。

因此可以归结出：$(P_{1,1} \vee P_{3,3})$。

一般形式

若子句 $l_1 \vee \cdots \vee l_i \vee \cdots \vee l_k$ 和子句 $m_1 \vee \cdots \vee m_j \vee \cdots \vee m_n$ 中，$l_i$ 和 $m_j$ 是互补文字，则归结后得到：

\[ (l_1 \vee \cdots \vee l_{i-1} \vee l_{i+1} \vee \cdots \vee l_k \vee m_1 \vee \cdots \vee m_{j-1} \vee m_{j+1} \vee \cdots \vee m_n) \]

简言之：将两个子句中的互补文字消去，把剩余所有文字合并成一个新子句。

归结算法完整例题

任务：

已知知识库 KB：

$(R \vee Q) \rightarrow \neg P$
$S \vee P$
$Q$

求证：$S$

详细步骤：

第一步：将 KB 转化为 CNF

$(R \vee Q) \rightarrow \neg P$，利用蕴含消除变成 $\neg(R \vee Q) \vee \neg P$，再用德摩根定律变成 $(\neg R \wedge \neg Q) \vee \neg P$，最后用分配律展开得 $(\neg R \vee \neg P) \wedge (\neg Q \vee \neg P)$。
子句集：$\{\neg R \vee \neg P,\; \neg Q \vee \neg P,\; S \vee P,\; Q\}$

第二步：加入目标的否定

要证 $S$，所以加入假设 $\neg S$。
当前所有子句：
1. $\neg R \vee \neg P$
2. $\neg Q \vee \neg P$
3. $S \vee P$
4. $Q$
5. $\neg S$（来自目标的否定）

第三步：执行归结

子句 3（$S \vee P$）和子句 5（$\neg S$）归结 → 消掉 $S$，剩下 $P$。
子句 2（$\neg Q \vee \neg P$）和子句 4（$Q$）归结 → 消掉 $Q$，剩下 $\neg P$。
新结论 $P$ 和 $\neg P$ 归结 → 产生空集 $\emptyset$。

第四步：结论

推出了空集（逻辑矛盾），说明假设 $\neg S$ 不成立。
因此 $S$ 是正确的，得证 $KB \models S$。

启发式策略

优先尝试归结那些源自"目标否定"的子句。这称为"支持集策略"（Set of Support），能让推理更有方向性，避免漫无目的地生成大量无用子句。

Modus Ponens 与链接推理

归结虽然通用，但当知识库中只包含确切子句（Definite Clauses）或霍恩子句（Horn Clauses）时，我们可以反复应用肯定前件（Modus Ponens）进行推理。这种方式在线性时间 $O(n)$ 内运行，可靠且完备，比归结法更快。

确切子句与霍恩子句

为了实现快速推理，知识库的规则必须遵循特定格式：

确切子句（Definite Clauses）：

\[ P_1 \land P_2 \land \dots \land P_n \Rightarrow C \]

如果前提中的所有条件 $P$ 都为真，那么结论 $C$ 也为真。

例子：如果下雨 $\land$ 没带伞 $\Rightarrow$ 会淋湿。 * 霍恩子句（Horn Clauses）：确切子句的"放松版"，规定一个子句中最多只有一个正文字（positive literal）。所有确切子句都是霍恩子句。

为什么要限制形式？

如果知识库只包含这些简单规则，就可以反复使用肯定前件（Modus Ponens） 进行推理，这种推理可靠且完备，并且运行在线性时间内——远快于归结法的指数级复杂度。

前向链接 (Forward Chaining)

前向链接是一种数据驱动（Data-driven）的推理方式。它从已知事实出发，一步步触发规则，直到推导出目标（Query）或无法再推导出新知识为止。

算法步骤：

初始化（Setup）
- Count（计数器）：对每条规则，计算还有多少前提尚未满足。例如规则 $A \land B \Rightarrow L$，初始 Count = 2。
- Queue（队列）：把所有已知为真的事实放入队列。初始已知事实：$A$ 和 $B$。 2. 触发与传播（Fire & Propagate）
- 从队列中取出一个事实（如 $A$）。
- 找到所有前提中包含 $A$ 的规则，把这些规则的 Count 减 1（意思是：这条规则又有一个条件被满足了）。 3. 推导新事实（Inference）
- 若某规则的 Count 变为 0，说明所有前提都满足了。
- 根据肯定前件，该规则的结论（Head）必定为真——将它加入队列。 4. 循环（Repeat），直到找到目标或队列为空：
- 已知 $A, B$ → 满足 $A \land B \Rightarrow L$，推出 $L$。
- 有了 $L$，满足 $B \land L \Rightarrow M$，推出 $M$。
- 随着 $M$ 的加入，进一步推出 $P$。
- 知道了 $P$，满足 $P \Rightarrow Q$，最终推出目标 $Q$。 5. 结束：找到目标返回 SUCCESS；队列空了仍未找到则说明推导不出。

性质：

可靠（Sound）且完备（Complete）。
优点：能挖掘出所有隐含知识。
缺点：可能推导出大量与当前目标无关的结论——如果有一个特定目标，用后向链接更高效。

后向链接 (Backwards Chaining)

后向链接是一种目标驱动（Goal-directed） 的推理方式。它不关心所有已知事实，只关注那些能帮助证明目标的事实，方向是从结论倒推回已知条件。

算法步骤（递归的"图搜索"）：

设定目标：假设要证明 $Q$ 是真的。
查找规则：在 KB 中找以 $Q$ 作为结论（Head） 的规则，如 $P \Rightarrow Q$。
生成子目标（Sub-goals）：为让 $Q$ 成立，必须证明规则的前提 $P$ 成立——任务变成：证明 $P$。
递归重复：继续为 $P$ 找规则，直到找到最底层的已知事实（Ground Truth） 为止。

两种算法对比

特性	前向链接（Forward Chaining）	后向链接（Backwards Chaining）
驱动方式	数据驱动（Data-driven）	目标驱动（Goal-directed）
出发点	从已知事实（Facts）开始	从想要证明的结论（Query）开始
效率	可能推导出大量无用结论	只查看相关事实，避免浪费计算资源
适用场景	想要挖掘所有隐含信息时	想要验证某个特定假设是否成立时

总结：只要我们限制逻辑规则的形式（只用确切子句），就能把原本复杂的逻辑推理变成极其快速的线性时间算法。