Wydaje się, że ludzie wiedzą różne rzeczy; a to, co wiedzą, pomaga im robić różne rzeczy. W sztucznej inteligencji agenci bazujący na wiedzy wykorzystują proces rozumowania nad wewnętrzną reprezentacją wiedzy, aby zdecydować, jakie działania podjąć. Agenci rozwiązujący problemy z wiedzą wszystko, ale tylko w bardzo ograniczonym, nieelastycznym sensie. Wiedzą, jakie akcje są dostępne i jaki będzie wynik wykonania konkretnej akcji z określonego stanu, ale nie znają ogólnych faktów. Agent odnajdywania tras nie wie, że droga nie może mieć ujemnej liczby kilometrów. Agent składający się z 8 puzzli nie wie, że dwie płytki nie mogą zajmować tej samej przestrzeni. Wiedza, którą posiadają, jest bardzo przydatna do znalezienia drogi od początku do celu, ale nie do niczego innego. Reprezentacje atomowe używane przez agentów rozwiązujących problemy również są bardzo ograniczające. Na przykład w częściowo obserwowalnym środowisku jedynym wyborem agenta rozwiązującego problemy do reprezentowania tego, co wie o bieżącym stanie, jest wymienienie wszystkich możliwych konkretnych stanów. Mógłbym dać człowiekowi cel dojechania do amerykańskiego miasta o populacji poniżej 10 000, ale mówiąc to agentowi rozwiązującemu problemy, mógłbym formalnie opisać cel tylko jako wyraźny zbiór około 16 000 miast, które spełniają wymagania opis. Wcześniej wprowadzono naszą pierwszą reprezentację podzieloną na czynniki, w której stany są reprezentowane jako przypisania wartości do zmiennych; jest to krok we właściwym kierunku, umożliwiający niektórym częściom agenta pracę w sposób niezależny od domeny i pozwalający na bardziej wydajne algorytmy. Tu podejmujemy ten krok do logicznego zakończenia, że tak powiem – rozwijamy logikę jako ogólną klasę reprezentacji wspierających agentów opartych na wiedzy. Te środki mogą łączyć i rekombinować informacje, aby dopasować je do niezliczonych celów. Może to być dalekie od potrzeb chwili – jak wtedy, gdy matematyk udowadnia twierdzenie lub astronom oblicza oczekiwaną długość życia na Ziemi. Agenci bazujący na wiedzy mogą akceptować nowe zadania w postaci wyraźnie opisanych celów; mogą szybko osiągnąć kompetencje dzięki informacjom lub uczeniu się nowej wiedzy o środowisku; i potrafią dostosowywać się do zmian w środowisku, aktualizując odpowiednią wiedzę. Logika zdań jest reprezentacją podzieloną na czynniki; chociaż mniej wyrazista niż logika pierwszego rzędu , która jest kanoniczną ustrukturyzowaną reprezentacją, logika zdań ilustruje wszystkie podstawowe pojęcia logiki. Zawiera również dobrze rozwinięte technologie wnioskowania.