综合利用人工智能的产生式系统、图搜索算法以及专家系统的框架，建造一个小型的动物分类专家系统，要求系统具有知识库、推理机和动态数据库三部分。python完整代码

创建一个简单的动物分类专家系统涉及到的知识结构化、规则引擎和数据管理，这里我会提供一个基础的Python框架，使用`pydot`库表示知识图，`pandas`处理动态数据库，`rules`库实现推理。请注意，这只是一个简化版本的示例，并未涵盖所有细节。

首先，你需要安装必要的库：

pip install pydot pandas rules

然后，我们可以构建如下的基本结构：

import pandas as pd
from rules import Rule, Facts, infer
from pydot import Dot

# 定义知识库（静态）
class AnimalKnowledge:
    def __init__(self):
        self.knowledge_base = [
            Rule("is_animal(?x) & has_feathers(?x) -> is_bird(?x)", label="feathers"),
            Rule("is_animal(?x) & has_wings(?x) & can_fly(?x) -> is_bird(?x)", label="flight"),
            # 更多规则...
        ]

# 动态数据库（可以添加或更新数据）
class DynamicDB:
    def __init__(self):
        self.data = pd.DataFrame(columns=["name", "species", "has_feathers", "can_fly"])

# 初始化专家系统
def init_system():
    animal_db = DynamicDB()
    knowledge = AnimalKnowledge()

    facts = Facts()
    for _, row in animal_db.data.iterrows():
        facts.add("is_animal({})".format(row["name"]))
        facts.add(row["has_feathers"] > 0)
        facts.add(row["can_fly"] > 0)

    return knowledge, facts

# 查询并推理
def classify_animal(name):
    knowledge, facts = init_system()
    inferred = infer(knowledge.rules, facts)

    # 获取对指定动物的分类结果
    classification = next((r.label for r in inferred if r.head.matches("?x") and r.head.substitute({"?x": name})), None)
    
    return classification or "Not classified"

# 示例用法
animal_data = {
    "企鹅": {"species": "鸟类", "has_feathers": True, "can_fly": False},
    "鸽子": {"species": "鸟类", "has_feathers": True, "can_fly": True},
    # 添加更多数据...
}
dynamic_db = DynamicDB()
dynamic_db.data = dynamic_db.data.append(animal_data, ignore_index=True)

print(classify_animal("企鹅"))  # 输出: "feathers" 或者 "flight"

这个例子展示了如何建立一个基础的动物分类系统。实际应用中，你可以根据需要扩展规则库和数据库功能。注意，`rules`库提供的推理并非完全准确的专家系统，它更像一个简单的条件判断工具。