企业官网建设流程全解析

简介：百度人工智能经典考试试题汇编以单份 doc 文档呈现，面向准备人工智能课程期末考核、考研复试或相关岗位笔试的读者，用于系统梳理语义网络、归结推理、知识表示、机器学习和自然语言处理等核心考点。压缩包内共 1 个 doc 文件，约 279KB，内容按选择题、填空题、简答及计算题、应用题四类题型组织，并附参考答案与知识点说明，便于按题型自测和对照订正。已有 1586 人学习，适合需要快速把握命题方式与答题要点的中初级学习者。读者可从中获得覆盖 AI 基本概念、产生式系统、可信度计算、MGU 求解、三值逻辑表、语义网络建模与 α-β 剪枝等典型题目的练习材料，也可借助文末知识点总结查漏补缺，形成较完整的复习框架。

1. 一套 AI 经典试题的知识地图：从选择填空到归结证明

这套人工智能经典考试题最值得拿来当复习地图的地方，不是某道题的答案，而是四类题型把“概念—表示—推理—搜索—不确定性—系统”串成了一条线。选择题考边界，填空题考术语，简答题考过程，应用题考落地：语义网络画图、α-β 剪枝、归结证明、产生式建模。系统学的人可以把它当章节索引；复习备考的人可以按题型倒查薄弱模块。下面按知识表示、逻辑归结、搜索博弈、不确定性与专家系统拆开，最后给一份可执行的查漏清单。

2. 知识表示与不确定性：语义网络、产生式、CF 与三值逻辑

2.1 语义网络：节点、有向弧与 AKO/ISA 链

语义网络是最适合用画图方式拿分的知识表示方法。它的基本单位只有两个：节点和有向弧。节点表示概念、对象、事件或属性值，有向弧表示节点之间的关系。卷面上常考的那句“有向弧 AKO 链、ISA 链是用来表达节点知识的什么”，标准答案是继承性。AKO 可以理解为“a kind of”，表示一个概念是另一个概念的子类；ISA 可以理解为“is a”，表示一个实例属于某个类。两者都让下层节点自动继承上层节点的属性，所以语义网络的核心优势是继承和结构化。

画语义网络时，先找中心对象，再挂属性。比如“某人是某公司的经理，35 岁，住在某胡同 68 号”，可以抽出四个节点：人物、公司、年龄值、地址值。人物节点用“任职于”弧连到公司节点，用“职务”弧连到“经理”节点，用“年龄”弧连到 35，用“住址”弧连到地址节点。再比如“两支球队进行比赛，最后以 89:102 结束”，可以抽出比赛事件节点、主队节点、客队节点、比分节点，用“主队”“客队”“比分”三条弧连过去。注意卷面给的人名、校名、公司名在复习时最好替换成抽象代号，避免把具体背景记进去，真正要记的是“事件—参与者—属性”这种抽取方式。

语义网络的易混点是 AKO 和 ISA 的层级。AKO 连接的是概念与概念，ISA 连接的是实例与概念。比如“麻雀 AKO 鸟”表示麻雀是鸟的一种；“某只麻雀 ISA 鸟”表示某只具体的麻雀属于鸟类。考试里如果只问“用来表达节点知识的什么”，答继承性即可；如果要求补全弧名，就要看两端节点是类还是实例。梳理下来会发现，语义网络的得分点不在画得多漂亮，而在关系名是否准确、方向是否合理、有没有把属性和关系混成一条边。

语义网络也有明显短板：它没有统一的形式化推理规则，遇到复杂否定、量词和过程性知识时容易表达不清。所以它常和框架、产生式、谓词逻辑一起出现。复习时可以把语义网络当成“知识表示的第一层”，知道它擅长表达分类、属性、关系和继承，不擅长表达严格逻辑推导。这个定位清楚后，选择题里“框架网络、语义图、博弈图、状态图”这类干扰项就不容易选错。

2.2 产生式系统：规则库、综合数据库与推理机

产生式系统是这套卷子里出现频率很高的模块。产生式规则的基本形式是P → Q，或者写成IF P THEN Q。P 是前提，也叫前件，用来指出规则可用的条件；Q 是结论或操作，也叫后件，用来指出前提满足后应该推出的结论或执行的动作。产生式规则的语义可以概括为：如果前提 P 被满足，则可推出结论 Q，或执行 Q 所规定的操作。答题时要把“前提被满足”和“结论/操作”两句话说全，只写“如果 P 则 Q”会显得太薄。

产生式系统由三部分组成：规则库、综合数据库、推理机。规则库是领域知识的产生式规则集合；综合数据库存放问题求解过程中的当前信息，包括初始事实、外部输入事实、中间结果和最终结果；推理机是控制协调规则库与数据库运行的程序，包含推理方式和控制策略。卷面上常把“用户”混进专家系统组成部分，但在产生式系统三件套里，用户不是组成部分。这个点要分清：产生式系统讲规则库、数据库、推理机；专家系统讲知识库、综合数据库、推理机、知识获取、解释器、用户界面。

产生式系统的推理方式分正向、反向、双向。正向推理从已知事实出发，通过规则库不断匹配，直到推出结论；反向推理从目标出发，寻找能推出目标的规则，再验证前提；双向推理则是两头同时推进。选择题里“从已知事实出发，通过规则库求得结论”对应正向推理，这个判断要干脆。实际系统里还要处理“可触发规则”和“被触发规则”的区别：当前事实能匹配上的规则是可触发规则，从可触发规则中选一条执行，被执行的规则才叫被触发规则。冲突消解策略决定选哪一条，常见的有优先级、 specificity、最近使用等。

下面用一段简化代码把正向推理的骨架走一遍，重点看三个角色怎么对应：

# 简化正向推理：facts 是综合数据库，rules 是规则库，循环是推理机 facts = {"A", "B"} rules = [ ({"A", "B"}, "C"), # 前提集合 -> 结论 ({"C"}, "D"), ] changed = True while changed: changed = False for prem, concl in rules: # 前提全部在事实库里，且结论尚未出现，才触发 if prem.issubset(facts) and concl not in facts: facts.add(concl) changed = True print(facts) # 输出 {'A', 'B', 'C', 'D'}

这段代码里，facts对应综合数据库，rules对应规则库，while循环和匹配逻辑对应推理机。参数prem是规则前提集合，concl是规则结论；prem.issubset(facts)判断前提是否全部满足。真实系统不会这么简单，还要记录规则触发顺序、处理冲突消解、支持解释链。复习时如果只背“规则库、数据库、推理机”三个词，遇到“可触发规则和被触发规则的区别”就会卡住，所以要把运行过程也过一遍。

产生式系统和图搜索经常被放在一起对比。产生式系统的数据库对应搜索的状态，规则对应搜索的算子，推理机对应搜索的控制策略；区别在于产生式系统更强调规则匹配和冲突消解，图搜索更强调状态空间和路径。卷面里“补齐产生式系统与图搜索对比表”这类题，答题时可以从“知识单位、状态表示、控制方式、结果形式”四个维度展开，不要只写一句“都是搜索”。

2.3 不确定性四类型与可信度 CF 组合公式

不确定性是填空题的高频区。按性质分，常见四类是随机性、模糊性、不完全性、不一致性。随机性来自事件发生与否不确定，模糊性来自概念边界不清晰，不完全性来自信息缺失，不一致性来自多个来源给出冲突信息。这四个词要按顺序记，卷面上经常要求原样填。容易错的是把“不确定性”本身也写进四类型，或者把“不一致性”写成“不确定性”，读题时要看题目问的是“按性质分”还是“按来源分”。

可信度 CF 是另一组必背公式。这套卷子的答案体系里，CF(~A) = -CF(A)，CF(A1∧A2) = min{CF(A1), CF(A2)}，CF(A1∨A2) = max{CF(A1), CF(A2)}。这里要特别提醒：CF 不是概率，否定不是1 - CF(A)，合取不是相乘，析取不是相加。很多复习资料会把可信度和概率公式混在一起，导致一考就翻车。最稳的记法是“否定取反，合取取小，析取取大”。如果题目给的是概率，那才用1-P和乘法加法；如果题目明确写 CF，就按可信度公式走。

可以列一张小表对照：

举个数值例子：CF(A1)=0.8，CF(A2)=0.5，那么合取可信度取 0.5，析取可信度取 0.8。这个结果符合直觉：合取要求两个都成立，可信度受较弱的一方拖累；析取只要一个成立，可信度由较强的一方支撑。注意 CF 的取值通常在 [-1,1]，负值表示证据不支持结论。如果卷面出现大于 1 的数值，要警惕它把模糊隶属度和可信度混用了，答题时按题目给出的数值解释，但复习时要分清概念边界。

2.4 三值逻辑与模糊知识表示

三值逻辑用 T、F、U 分别表示真、假、不能判定。它的真值表比二值逻辑多一个 U，考试常考“填写三值逻辑表”。记忆时抓住两条：与运算里 F 是“压倒性”的，任何值和 F 相与都得 F；或运算里 T 是“压倒性”的，任何值和 T 相或都得 T。U 和 T 相与得 U，U 和 F 相或得 U，U 和 U 相与、相或都得 U。非运算对 U 不变，~U = U。

模糊知识表示则常用“对象—属性—值（隶属度）”的形式。比如“张三，体型，（胖，0.9）”表示张三属于胖的隶属度是 0.9；“患者，症状，（头疼，0.95）∧（发烧，1.1）→ 患者，疾病，（感冒，1.2）”表示如果患者头疼且发烧，则患感冒的可信程度。卷面例子里的 1.1、1.2 超过 1，说明它把模糊隶属度和可信度混在一条式子里用了；复习时要能指出“模糊隶属度通常在 [0,1]，CF 通常在 [-1,1]”，但答题时仍按题目给的数值解释语义，不要擅自改题。

梳理下来会发现，知识表示这一章的关键不是背多少种方法，而是知道每种方法“吃什么、吐什么”：语义网络吃概念和关系，吐继承结构；产生式吃规则和事实，吐推理链；框架吃槽和填充值，吐结构化对象；谓词逻辑吃量词和谓词，吐严格证明。把这四种定位分清，选择题和简答题都能少丢分。

3. 谓词逻辑与归结原理：子句集八步、MGU 与反演证明

3.1 一阶谓词、量词辖域与 Skolem 函数

谓词逻辑是归结原理的地基。谓词用来表示个体之间的关系或属性，个体变元是被讨论的对象。仅个体变元被量化的谓词叫一阶谓词；如果还能对谓词本身量化，就进入二阶。卷面选择题里“仅个体变元被量化的谓词”选一阶谓词，这个定义要记准。原子公式是最基本的谓词表达式，比如P(x)、F(x,y)；量词分全称量词∀和存在量词∃。

量词后面紧接的被量词作用的公式叫辖域。在辖域中，与量词指导变元相同的变元叫约束变元，其他变元叫自由变元。这个术语群经常在填空题里出现，复习时不要只记“约束”和“自由”，要把“辖域—指导变元—约束变元—自由变元”连成一句话。比如∀x(P(x)∧Q(y))中，P(x)∧Q(y)是∀x的辖域，x 是约束变元，y 是自由变元。

Skolem 函数是子句集转换里的关键。考虑∀y∃x P(x,y)，存在量词∃x在全称量词∀y的辖域内，意味着 x 的取值可能依赖于 y。为了把这个依赖关系显式写出来，引入 Skolem 函数f(y)，把式子变成∀y P(f(y), y)。这个函数叫 Skolem 函数。要注意，Skolem 化不是等价变换，它保持的是可满足性，不是所有模型上的真值完全一致。卷面选择题里问“这种函数叫什么”，答案就是 Skolem 函数，干扰项“依赖函数”“决定函数”都是把描述当名字。

3.2 子句集八步法：从蕴含式到子句集

谓词公式 G 化为子句集 S，标准八步是：消去蕴含式和等价式；缩小否定词作用范围，直到否定只作用于原子公式；适当改名，使量词间不含同名指导变元和约束变元；消去存在量词，形成 Skolem 标准型；消去所有全称量词；化成合取范式；适当改名，使子句间无同名变元；消去合取词，用逗号代替，以子句为元素组成集合 S。

这八步里最容易漏的是第 3 步和第 7 步。第 3 步是量词之间改名，防止不同量词使用同一个变元；第 7 步是子句之间改名，防止不同子句共享变元导致归结时置换冲突。很多人只记住“消蕴含、否定内移、消存在、消全称、化 CNF、去合取”，把两次改名吞掉了，结果做归结时置换乱套。血泪经验是：每次化子句集，先在草稿上标“量词改名”和“子句改名”两个检查点，写完回头看一眼。

举个最小例子：G = ∀x(P(x) → Q(x))。第一步消蕴含得∀x(¬P(x)∨Q(x))；否定已经在原子公式上；只有一个量词，不需要量词间改名；没有存在量词；消全称得¬P(x)∨Q(x)；已经是合取范式；只有一个子句，不需要子句间改名；去合取得子句集{¬P(x)∨Q(x)}。如果式子里有∀x∃y R(x,y)，第四步会得到R(x,f(x))，其中f(x)是 Skolem 函数。这个例子虽小，但能把“存在量词依赖全称量词”讲清楚。

3.3 MGU 求法：差异集、置换与合成

MGU 是最一般合一置换。求 MGU 的算法可以拆成：令k=0，S0=S，δ0=ε；若Sk是单元素集，停止，δk就是 MGU；否则找Sk的差异集Dk；若Dk中存在变元 x 和项 t，且 x 不在 t 中出现，则做置换{t/x}；令δ(k+1)=δk·{t/x}，S(k+1)=Sk·{t/x}，k 加一，继续。若差异集中没有可置换的变元/项对，或出现 occurs check 失败，则不可合一。

拿卷面例子走一遍：S={P(f(x),y,g(y)), P(f(x),z,g(x))}。S0不是单元素集，差异集D0={y,z}，y 是变元，z 是项，且 y 不在 z 中出现，取置换{z/y}，得S1={P(f(x),z,g(z)), P(f(x),z,g(x))}。S1仍不是单元素集，差异集D1={z,x}，取置换{z/x}，得S2={P(f(z),z,g(z))}。S2是单元素集，MGU 为{z/y, z/x}。这里要注意置换合成的书写顺序：先做z/y，再做z/x，最终结果要同时体现在两个位置上。

另一个例子：W={P(f(x,g(A,y)),z), P(f(x,z),z)}。差异集是{g(A,y), z}，z 是变元，g(A,y)是项，且 z 不在其中出现，置换{g(A,y)/z}后两个原子公式一致，MGU 就是{g(A,y)/z}。这个例子说明差异集不一定出现在最外层，要按项的结构逐层找。

下面用一段简化代码演示“找差异集”的思路，注意它只是 MGU 算法的第一步，不是完整实现：

# 简化差异集查找：项用元组表示，例如 ('f', 'x')、('P', ('f','x'), 'y') def diff_set(expr1, expr2): if expr1 == expr2: return None # 两个复合项：先比谓词/函数名，再逐个子项比 if isinstance(expr1, tuple) and isinstance(expr2, tuple): if expr1[0] != expr2[0]: return {expr1, expr2} # 谓词名不同，不能合一 for a, b in zip(expr1[1:], expr2[1:]): d = diff_set(a, b) if d: return d return {expr1, expr2} print(diff_set(('P', ('f','x'), 'y'), ('P', ('f','x'), 'z'))) # 输出 {'y', 'z'}，对应差异集 {y, z}

这段代码只处理“找第一个不一致位置”，参数expr1、expr2是项结构。完整 MGU 还要判断差异集里谁是变元、谁是项，做 occurs check，再把置换作用到剩余表达式上并合成。考试时手算要按“差异集—选置换—作用—再找差异集”循环，不要跳步。

3.4 归结反演：空子句、重言式与求解

归结原理的核心是消去互补文字。设C1=L∨C1'，C2=¬L∨C2'，σ 是互补文字的最一般合一置换，则归结式C=C1'σ∨C2'σ。注意这里是析取，不是合取；置换要作用在剩余子句上，不只是消去 L。卷面选择题里归结式选项经常用∧来干扰，看到合取符号就要警惕。

反演证明的流程是：把前提化成子句集；把结论的否定也化成子句集加进去；不断归结；如果得到空子句□，说明原子句集不可满足，原结论得证。空子句是“永假”，出现空子句就结束。如果当前归结式是永真式，不能得证；永真式对证明没有贡献，通常要删除。删除策略里还会删纯文字子句、永真子句、被其他子句类含的子句。

用祖孙关系题走一遍。定义F(x,y)表示 x 是 y 的父亲，G(x,z)表示 x 是 z 的祖父。已知：如果 x 是 y 的父亲且 y 是 z 的父亲，则 x 是 z 的祖父；A 是 B 的父亲；B 是 C 的父亲。求证 A 是 C 的祖父。化成子句：

1. ¬F(x,y)∨¬F(y,z)∨G(x,z)（前提）
2. F(A,B)（事实）
3. F(B,C)（事实）
4. ¬G(u,v)（结论否定）

归结：由 1 和 2，置换{A/x, B/y}，得¬F(B,z)∨G(A,z)；再和 3 归结，置换{C/z}，得G(A,C)；再和 4 归结，置换{A/u, C/v}，得空子句。证明完成。

如果题目要求“求解”而不是单纯证明，就把结论否定换成重言式¬G(u,v)∨G(u,v)，它恒为真，不破坏可满足性，但能保留变量。继续归结得到G(A,C)，于是回答“A 是 C 的祖父”。这里的关键是：证明用空子句收尾，求解用重言式保留答案。很多人把两者混在一起，导致最后只写“得证”，没有回答“谁和谁是祖孙关系”。

4. 搜索与专家系统：状态图、α-β 剪枝与知识库设计

4.1 状态空间图、或图与与或图

图由节点和有向边组成。节点表示状态、概念或子问题，有向边表示转移、关系或分解。按连接同一节点的各边的逻辑关系，图可以分为或图和与或图。或图里，只要有一条边可达目标即可；与或图里，一个父问题分解成若干子问题，子问题要同时解决。卷面选择题“或图通常称为”答案是状态图，因为状态空间搜索里每个节点是一个状态，边是算子，走到任一目标状态即可。

状态空间图是搜索题的通用语言。八数码、走迷宫、下棋都可以表示成状态空间：初始状态、目标状态、算子集合、路径代价。画图时不要把所有状态都画出来，只画题目要求的那一层。与或图则常见于问题分解，比如“证明一个定理”可以分解成“证明子目标 1”和“证明子目标 2”，两个子目标都成立才算完成。这个区别在选择题里经常用“框架网络、语义图、博弈图、状态图”来干扰，记准“或图—状态图”这一对。

4.2 盲目搜索与启发式搜索的最优性

搜索算法的最优性要看条件。广度优先搜索按层扩展，在无权图或所有边代价相等时，第一次到达目标就是最短路径，所以能保证最优；深度优先搜索一路到底，可能陷入很深的子树，既不保证最优，也不保证完备；有界深度优先搜索加了深度限制，可能找不到解，也不保证最优；启发式搜索用启发函数引导方向，只有启发函数满足可采纳性等条件时才保证最优。

可以列一张对比表：

卷面第 15 题“如果问题存在最优解，哪种算法必然可以得到最优解”，选广度优先搜索，原因是它按路径长度逐层扩展，第一次碰到目标时路径最短。启发式搜索虽然效率高，但“必然最优”要看启发函数，不能无条件选。复习时要把“能搜到”和“搜得最优”分开：完备性讲能不能找到解，最优性讲找到的解是不是最好。

启发式搜索里常用f(n)=g(n)+h(n)，g(n) 是从初始节点到 n 的实际代价，h(n) 是从 n 到目标的估计代价。h(n) 越接近真实代价，搜索越有方向。若 h(n) 从不高估真实代价，则满足可采纳性，A* 在树搜索中可保证最优。这个条件经常被简写成“h 不超过实际代价”，答题时要写清“不高估”。

4.3 极大极小与 α-β 剪枝的两个条件

二人博弈常用极大极小分析。MAX 节点选最大值，MIN 节点选最小值，从叶节点估值倒推。α-β 剪枝是在极大极小基础上剪掉不影响结果的分支。α 是 MAX 节点当前已知的最好下界，β 是 MIN 节点当前已知的最好上界。α 剪枝发生在 MIN 节点：如果某个 MIN 节点的 β 值小于或等于它任一祖先 MAX 节点的 α 值，即α(祖先MAX) ≥ β(当前MIN)，就可以停止该 MIN 节点以下的搜索。β 剪枝发生在 MAX 节点：如果某个 MAX 节点的 α 值大于或等于它任一祖先 MIN 节点的 β 值，即α(当前MAX) ≥ β(祖先MIN)，就可以停止该 MAX 节点以下的搜索。

这两个方向最容易记反。可以背成“MIN 看 β，碰到祖先 α 就剪；MAX 看 α，碰到祖先 β 就剪”。再看一段剪枝骨架：

# alpha-beta 剪枝骨架：只保留判断条件，忽略估值细节 def alphabeta(node, depth, alpha, beta, maximizing): if depth == 0 or node.is_terminal(): return node.value if maximizing: value = -float("inf") for child in node.children: value = max(value, alphabeta(child, depth - 1, alpha, beta, False)) alpha = max(alpha, value) if alpha >= beta: # β 剪枝：MAX 的 α 已不小于祖先 MIN 的 β break return value else: value = float("inf") for child in node.children: value = min(value, alphabeta(child, depth - 1, alpha, beta, True)) beta = min(beta, value) if beta <= alpha: # α 剪枝：MIN 的 β 已不大于祖先 MAX 的 α break return value

参数alpha是 MAX 当前最好下界，beta是 MIN 当前最好上界；maximizing为真表示当前是 MAX 层。注释里的方向要和前面文字一致：MAX 层更新 alpha，遇到alpha >= beta剪；MIN 层更新 beta，遇到beta <= alpha剪。做题时先在博弈树上标 α、β，再判断剪枝，不要凭感觉。

4.4 专家系统的组成与开发步骤

专家系统是这套卷子里偏应用的模块。它的基本组成包括知识库、综合数据库、推理机、知识获取、解释器、用户界面。知识库存领域知识，综合数据库存当前事实，推理机控制推理，知识获取负责把专家知识转成系统知识，解释器回答“为什么得出这个结论”，用户界面负责人机交互。选择题里“下列哪部分不是专家系统的组成部分”，如果选项出现“用户”，要选“用户”，因为用户是外部角色，不是系统内部模块。

专家系统的开发步骤可以记成九步：系统总体分析与设计；知识获取；知识表示与知识描述语言设计；知识库设计与知识库管理系统设计；推理机与解释模块设计；总控与界面设计；编程与调试；测试与评价；运行与维护。与一般软件系统开发的共同点是同样遵循软件工程步骤，也要做分析、设计、测试、维护；特点是知识获取和知识表示是起点，知识表示和描述语言确定后，其他设计可以并行推进。

这个“起点”很关键。一般软件系统先定需求再设计功能，专家系统先想办法把专家知识拿出来、表示出来，否则推理机再漂亮也没有燃料。复习时可以把专家系统和产生式系统对照：产生式系统强调规则库、数据库、推理机三件套；专家系统在此之上增加知识获取、解释器、用户界面，并把知识库提升为核心。两者不要混答。

5. 易错点排查：五个最容易在 AI 卷面上翻车的地方

5.1 归结式符号和置换方向写反

易漏点：归结式写成C1'σ∧C2'σ，或者只把置换作用在互补文字上，忘记作用在剩余子句上。为什么漏：记口诀“消去互补文字”时，只记了消去，没记剩余部分要代入最一般合一置换。怎么补：每写一步归结，强制写三栏——“互补文字是什么、σ 是什么、剩余子句代入后是什么”。例如C1=L∨C1'、C2=¬L∨C2'，归结式是C1'σ∨C2'σ，中间是析取。做完后用“置换是否覆盖所有变量”检查一遍，尤其是 MGU 里有两个替换时，别只写一个。

5.2 α-β 剪枝条件的方向记混

易漏点：把 α 剪枝写到 MAX 节点，把 β 剪枝写到 MIN 节点；或者把比较符号写反。为什么漏：α 和 β 的名字本身不提示层级，只靠死记很容易在考场紧张时颠倒。怎么补：用“MIN 看 β，MAX 看 α”做第一层记忆，再用“β 小于等于祖先 α 就剪 MIN；α 大于等于祖先 β 就剪 MAX”做第二层检查。画一棵三层树，手动标一次 α、β，比背十遍定义都稳。遇到代码题，先看当前层是 maximizing 还是 minimizing，再决定更新哪个参数。

5.3 CF 公式与“1-CF(A)”边界混淆

易漏点：把CF(~A)写成1-CF(A)，把合取写成相乘，把析取写成相加。为什么漏：可信度 CF 和概率 P 长得像，复习时如果只看过概率公式，很容易顺手迁移。怎么补：在笔记首页写一行大字“CF 不是概率：否定取反，合取取小，析取取大”。做题时先看题目问的是 CF 还是概率；如果是 CF，就按-CF(A)、min、max走。遇到数值例子，先判断取值范围，CF 允许负值，概率不允许负值，这个边界能帮你快速识别。

5.4 子句集八步法漏掉两次改名

易漏点：只记“消蕴含、否定内移、消存在、消全称、化 CNF、去合取”，漏掉量词间改名和子句间改名。为什么漏：这两步在简单例子里看不出作用，容易被视为可省略。怎么补：把八步缩成“消、移、改、Skolem、全称、CNF、再改、去合取”，其中两个“改”分别对应第 3 步和第 7 步。每次化完子句集，检查“每个量词指导变元是否唯一、每个子句变量是否不重名”。如果后面归结时出现莫名其妙的置换冲突，八成就是改名没做干净。

5.5 搜索最优解与完备性混为一谈

易漏点：看到“深度优先”就以为能找到解，看到“启发式”就以为一定最优。为什么漏：把“搜索”当成一个整体，没有区分完备性、最优性、时间空间复杂度。怎么补：用一张四列表把 BFS、DFS、有界深度、启发式搜索逐项填完：是否完备、是否最优、前提条件、典型失败场景。特别记住：BFS 在无权图最优；DFS 不完备；有界深度可能丢解；启发式搜索只有在启发函数可采纳等条件下才保证最优。做题先问“图有没有权、有没有深度限制、启发函数是否高估”，再选算法。

6. 复习清单与查漏补缺：一份可执行的考前检查表

复习到最后一轮，不要再按页翻书，按“能不能手推”来查。下面这张表可以直接当检查表用，每格能不看资料复述或手算，才算过关。

我后来每次考前都强制走一遍“三张纸”流程：第一张纸默写知识表示和不确定性公式，第二张纸手推一个 MGU 和一个归结证明，第三张纸画一棵三层博弈树标 α-β。只要有一张纸卡住，就回到对应章节补，而不是继续刷新题。最容易忽略的是“写完之后检查置换作用范围”和“剪枝条件的方向”，这两个地方我踩过不止一次坑。把这份清单打印出来，每过一项打一个勾，比盲目刷十套卷子更稳。希望帮到你。

本文还有配套的精品资源，点击获取