写在前面
规则引擎可以搞啥？一般使用场景，是通过可视化节目进行拖拉或者简单的操作指定流程和规则，将规则输入得到目标输出。
交易系统中的规则引擎
规则编排的过程是各种条件的组合，类似于搭积木，指定逻辑规则，细化逻辑因子，比如指定选人规则，一个用户id进来之后根据指定的不同逻辑规则得到该用户可以发的券集合。同样可以用来筛选商品，筛选营销规则等。
在交易系统中主要是和用户和营销策略相关，比如根据历史订单，是否会员信息，是否门店新老客等规则因子，组合规则因子，也就是指定决策逻辑。动态的去响应不同用户的不同策略。
规则引擎的难点
规则引擎的难点在于：规则的易变和定制化。
规则往往处于热更新的状态，在产品决策过程中因为ABTest等原因，可能随时调整规则。同时一套营销规则可能因为用户画像不同导致千人前面的策略，有一定的定制特点。
在没有规则引擎之前，系统实现规则引擎一般采用硬编码，if/else等方式。哪怕是将规则相关逻辑单独抽离到规则模块，代码规则实现存在硬编码难以热更新的问题依然存在。
但是硬编码并非一无是处，较粗粒度的规则还是需要固化到系统中，这样可以达到更好封装和抽象的目的，降低一定的迭代成本。
规则引擎系统
规则引擎被定义为系统中的一组规则组件，可以将业务逻辑和决策逻辑进行拆分，抽离出来。
规则引擎的关键词：
- 实事：用户的输入信息为实事
- 规则：定制化的业务规则逻辑
- 结果：规则加工和执行之后产生的结果
为更好的固化和沉淀一部分规则到系统中，我们一般建立一套规则管理系统，以可视化方式提供给使用方，在可视化界面操作规则编排，规则的变更最好加上版本，以区分和热更新，避免硬切规则造成的数据不一致情况，可以平滑过度到下一个规则中。
规则引擎的难点在于，对于配置化的规则进行系统性的解析和业务逻辑的执行，当我们通过存储系统对规则进行存储之后，在将规则以原子性的方式拉取出来后，执行规则便成了比较复杂的地方了，一般可以采用Drools，Aviator等三方引擎，也可以自己定制。
- Drools：适用于风控金融，用起来比较复杂
- Grovvy，JPython：可以嵌入到系统中进行逻辑执行，但是性能存在考量空间
