1.匹配（Matching）：将规则库中现有的商业规则与输入的情况进行对比。例如：对一家汽车修理厂商的客户服务中心来说，后台数据库中已经存储了成百上千条的汽车发动机故障的表现和原因。那么，当输入“汽车点火不成功。”这一信息时，推理引擎首先将这一故障表现与信息库中的数据进行自动匹配。
2.选择（Selection）：所有满足这一条件的规则在这一步骤中被选中。通常，一个特定条件只能发现一个完全匹配的规则的情况也可能发生，但概率较小。
3.激活（Firing）：在所有被选中的规则中，根据匹配程度，系统自动决定激活强度。例如：如果客户反映活塞从未更换过，那么由于活塞堵塞导致的点火不成功的规则的激活强度会比其它规则更大。推理引擎中内含的算法可以给出一个最接近的规则行为。
4.行动（Action）：根据上面得到的推理结果，可以给出应当进行的操作行动，在上面的例子中，更换活塞可能就是最佳的故障排除方法。
当规则的条件不断增加，呈现更多元化的倾向时，所能给出的结果和行动也就更加具体、具有特殊性，成为一个典型案例。这样的典型案例积累到了一定的程度，成为案例库。自动案例生成系统就是在推理引擎的基础上的扩充。
上述的三种工具是今天的知识管理发展中的重点。那么，在实践中应用的效果如何呢？
美国的3M公司最近在它的客户服务中心应用了和知识管理融合的客户关系管理系统。由于3M公司生产、销售超过1万种的产品，从Post-it贴纸到反光材料、塑料制品等，公司的客户服务人员每天接到的电话也是多种多样，甚至是千奇百怪的。客服人员接到的第一个电话可能是询问如何使用一种特殊的录音磁带，第二个电话是关于最新出品的某种光纤的规格，第三个电话是来自一位现在新泽西州的需要3M公司的年度报告的投资人，第四个电话是一个焦急的母亲，因为她的儿子刚刚把3M新出的玩具笔吞进了肚子。如何处理这么多的问题？如何培训客服人员，让他们能够快速地掌握上万种产品的相关信息？知识管理在这里起到了关键的作用。
在应用了CRM之后，客服人员接到一个电话，在对方描述问题的同时，就输入关键词语进行查询，当然用的是接近于口语表达的自然语言查询，系统给出所有匹配的信息，推理引擎开始工作，答案的排列顺序是与输入的信息相关的，如果答案太多，那么系统给出可能的选择要求客服人员逐一询问或排除，最后的解决办法自动显示在屏幕上，客服人员只要念出来可以了，最困难的查询和推理的工作量都让计算机完成了一大半。如果这些步骤还不能解决客户的问题，那么电话将转接到高级客服人员，所有的问题描述无需重复，信息已经被记录而且原样呈现在这一位客服人员的电脑上，不会发生衰减。这位客服人员给出的答案在下一次查询中将作为新的案例出现在备选答案中，知识的积累和传递就这样在公司内部完成了。
