Razina znanja racionalna je osnova za ponašanje sustava koji koristi umjetnu inteligenciju. Poznati kao agenti, takvi sustavi trebaju znanje kako bi mogli zaključiti o svijetu i poduzeti akciju kao odgovor na specifične zahtjeve. U razvoju takvih sustava, programeri mogu kodirati znanje, kao i sposobnost stjecanja više tijekom vremena kroz promatranje i proučavanje okolnog okruženja.
Istraživači umjetne inteligencije predložili su model razine znanja 1980-ih, kada su se u svojim studijama počeli baviti sofisticiranijim agentima. Ta je tema bila tema daljnjeg proučavanja i rasprave među ljudima zainteresiranima za definiranje komponenti sustava umjetno inteligentnih. Razumijevanje funkcioniranja takvih sustava može pomoći ljudima da s vremenom kodiraju bolje.
Ovo je iznad razine simbola, mehaničke osnove koja se koristi za podršku operacijama sustava. Na razini znanja, agent ima biblioteku logičkih informacija koje može koristiti zajedno s ciljevima korištenja tih informacija. Ako se čini da se sustav ponaša racionalno, čak i ako je odgovor netočan ili nema smisla, pokazuje korištenje svoje razine znanja. Na primjer, agent može imati lažne informacije koje pokazuju da je dva plus dva jednako pet. Na pitanje koliko je dva plus dva, odgovorio bi pet, pokazujući da ima cilj odgovoriti na pitanje i da koristi postojeće znanje kako bi ga postigao.
Kodiranje razine znanja može potrajati i može uključivati otklanjanje pogrešaka kako bi se uklonile netočne, proturječne ili zbunjujuće informacije. Što je umjetna inteligencija sofisticiranija, to je veća razina znanja i ima više načina za primjenu informacija koje pohranjuje. To je često kodirano u skup rečenica koje sustav može koristiti u logičkom testiranju kao odgovor na upit. Na primjer, agens koji kontrolira kemijski proces mogao bi imati rečenicu koja mu govori da, ako temperatura poraste iznad određene razine, mora poduzeti mjere da ohladi procesnu opremu kako bi spriječio nesreću.
Istraživanje umjetne inteligencije razmatra kako su takvi sustavi izgrađeni i kako reagiraju na svoje okruženje. Na razini znanja korisnici mogu komunicirati sa sustavom kako bi vidjeli koliko je dobro programiran. Nedostaci u informacijama i nemogućnost učenja znakovi su da agent nije dovoljno fleksibilan da se s vremenom prilagodi. Sustavi koji mogu donositi složene zaključke, osobito ako mogu uključivati logičke skokove, moćniji su i mogu se koristiti u više postavki.