在人工智能领域，反应式智能体是一种自主系统，它根据当前刺激选择行动，而不依赖内部世界模型。它们是反应式规划中的核心概念，反应式规划是一组行动选择技术，与传统规划有两个不同之处：它们能及时运作，应对高度动态和不可预测的环境；并且它们基于当前情境在每一时刻仅计算下一个行动。反应式规划这一术语至少可追溯至1988年，与现代术语“动态规划”同义。
反应式智能体不维持持久的内部状态，如世界模型或对过去事件的记忆。相反，它们直接响应传感器输入或环境线索，使其在变化条件下简单、快速且稳健。这与使用符号推理规划行动序列的深思型智能体形成对比。反应式智能体通常使用反应式计划来实现，这些计划是描述智能体优先级和行为的存储结构。
反应式计划的表示
反应式计划可以通过多种方式表示，每种方式都需要一个基本的表示单元以及将这些单元组合成计划的手段。常见表示包括条件-行动规则、有限状态机、模糊逻辑和联结主义网络。
条件-行动规则
条件-行动规则，或称if-then规则，是形式为“如果条件则行动”的规则。这些规则被称为产生式。其含义直截了当：如果条件成立，则执行行动。行动可以是外部的（例如，拾取某物）或内部的（例如，将事实写入记忆或评估一组新规则）。条件通常是布尔型的，行动要么执行要么不执行。
产生式规则可以组织成扁平结构或层次结构。例如，包容架构由多层相互连接的行为组成，每层都是一个响应适当输入的有限状态机。这些层被组织成一个栈，高层包容低层的目标。其他系统使用树结构或包含改变当前最重要规则子集的机制。扁平结构易于构建，但只能实现简单行为，或需要复杂条件来弥补结构缺失。
分布式行动选择的一个重要部分是冲突消解，当多个规则的条件同时成立时，它解决冲突。方法包括分配固定优先级、分配偏好（如Soar架构中）、学习相对效用（如ACT-R中），或利用某种规划形式。专家系统通常使用更简单的启发式方法，如最近性，但在大型系统中用简单方法保证良好行为是困难的。冲突消解仅对提出互斥行动的规则是必要的。
有限状态机
有限状态机（FSM）是计算机科学中广泛使用的系统行为模型。对于智能体行为，典型的FSM由状态和状态之间的转移组成。转移是形式为“如果条件则激活新状态”的条件-行动规则。在每一时刻，只有一个状态是活跃的，并评估其转移。转移也可以连接到同一状态，以允许在不改变状态的情况下执行转移行动。
行为可以通过两种方式产生：状态可以与原子行动（行为）或脚本相关联。行为在状态活跃的每个时间步执行。更常见的是，每个状态与描述行动序列的脚本相关联；如果转移激活新状态，则中断先前的脚本并开始新脚本。复杂脚本可以分解为层次FSM，其中状态包含子状态。层次FSM在计算上等同于标准FSM，但便于设计。一个例子是Damian Isla在2005年描述的将层次FSM用于计算机游戏机器人。
模糊方法
If-then规则和FSM可以与模糊逻辑结合，使条件、状态和行动变得近似和平滑，而非布尔型。这导致更平滑的行为，尤其是在任务转换期间。然而，评估模糊条件比评估清晰对应物慢得多。Alex Champandard等人提出的架构已探索了这种方法。
联结主义方法
反应式计划也可以使用联结主义网络来表达，如人工神经网络或自由流动层次结构。基本单元具有输入链接，传递抽象活动，以及输出链接，将活动传播到后续单元。单元充当活动转换器，通常以分层结构连接。优点包括更平滑的行为、适应性以及使用抑制进行禁止性描述的能力。缺点包括设计行为的困难以及仅限于相对简单的行为，尤其是在需要适应性时。
反应式规划算法
典型的反应式规划算法评估if-then规则或计算联结主义网络的状态。一些算法具有特殊功能。例如，Rete评估算法使用上一步的缓存来避免在每个时间步重新评估所有规则，从而提高效率。脚本语言也可以使用，其中规则或FSM是架构的原语，允许灵活和快速的开发。
应用与意义
反应式智能体广泛用于机器人、计算机游戏和模拟系统，在这些环境中，环境是动态和不可预测的。它们是人工智能中的基础概念，与更深思的方法形成对比。反应式智能体的简单性和速度使其适用于实时控制，如自动驾驶车辆和游戏角色。该领域的研究已影响了机器学习和神经网络等领域，其中实现了联结主义反应式计划。
局限性与扩展
反应式智能体缺乏提前规划或推理长期后果的能力，这限制了它们在需要战略思维的任务中的使用。然而，它们可以与深思系统结合在混合架构中。扩展包括层次FSM、模糊逻辑以及随时间适应行为的学习机制。该领域随着深度学习和大型语言模型的进步而持续发展，但反应式智能体对于许多实时应用仍是一种独特且实用的方法。