http://www.cnblogs.com/jghhandsome/archive/2007/05/23/757459.html
CLISP是基于产生式的前向推理引擎，它是一种非常基础性的东西，许多上层的推理任务，都要映射到这个推理引擎上来运行。
CLISP(或Jess)原则上可以处理各种领域的推理任务，只要系统能够为CLISP提供这个领域的特有领域规则(产生式形式给出)和事实信息(Assertion形式给出)。 本体推理作为一类应用，当然也可以映射到CLISP推理机上
进
行推理，但必须为推理机提供本体领域的有关规则。例如，要用CLISP(Jess)进行OWL的推理，就要以产生式规则的形式，向系统中输入OWL的每种
语言成分的含义的有关规则。有了这些规则后，就可以用CLISP对OWL形式给出的本体进行推理了。同理，若对DAML形式给出的本体进行推理，就需要向
CLISP中提供DAML的每种语言成分的含义的有关规则。
Jess(Java Expert Shell System)是基于Java语言的CLISP推理机。
Jess(CLISP)
的优点是：推理机是开放的，用户提供不同的规则系统，就可以进行不同领域的推理工作，用户可以对推理机的推理能力进行扩展。但，作为前向推理系
统，Jess用空间换时间，推理会产生大量的中间数据，空间效率很低；同时，由于Jess(CLISP)是通用推理引擎，不可能提供针对各种具体领域的优
化能力，使得这种推理机制的效率很难优化。
现在，针对本体的推理，越来越多地集中在了几种标准的本体语言上，如OWL、DAML、RDFS/RDF等，这样，研究者给出效率更高
的，针对这些具体应用的推理机。象RACER、FaCT、Pellet等就是这类具体有强烈针对性的推理机。它们的优点是：效率很高，使用上也非常方便；
缺点是：不是通用推理机，将推理能力限定在几种具体的本体语言上，而且用户很难对它进行扩展。
值得强调的是，RACER、FaCT、Pellet采用描述逻辑作为理论基础，算法采用Tableau算法。这些系统都做了大量的优化工作。
Jena是面向语义Web的应用开发包，包含的内容比较全面，推理机只是其中一部分。Jena提供的推理机也和RACER、FaCT、
Pellet等一样，是针对本体的推理机，但Jena本身并不是‘推理机设计专家’，它自身包含的推理机基本上就是一种CLISP配合本体领域产生式规则
的前向推理系统。因此，它的运行效率不是很高。好在现在有DIG接口，DIG有点象数据库中的ODBC，允许前端挂接到后台不同的推理引擎上。这样，在
Jean中，
也可以使用RACER、FaCT、Pellet这样更‘专业’些的推理机。
综上所述，可做如下区分：
1. Jena中的推理引擎和RACER都是针对具体本体语言的推理机，针对性强，效率高。
2. Jess是层面更低的，通用的CLISP推理机。
这就可以解释：为什么当用户使用owl表示本体时，Protege会用Jena或RACER等推理，而当用户使用class/slot表示本 体时，Protege仅能使用Jess。 其实，从能力上，Jess也可以完成owl推理(需要输入相应的产生式规则库)，只是效率低。