知识表示（Knowledge Representation，KR）是 AI 里研究“把事实和关系存成什么形式、机器才能在需要时把它取出来并推出新结论”的分支。存储格式决定了系统能回答多复杂的问题；存不下、连不上的事实，机器就永远推不出来。
打个生活化的比方：把知识想成一支球队的信息。用 Excel 一行行记“球员—号码—位置”，查单人很顺，问“谁和谁同队过”就得反复比对；用一张关系网记“球员—球队—赛季”，问“某球员待过哪些队、队友都有谁”就能顺着线走两步得到。数据没变，能问的问题变了。
几种常见形态各有取舍。规则与逻辑（如描述逻辑 Description Logic）把知识写成可推理的约束，能给出可解释的结论，但维护成本高、覆盖面有限。知识图谱（Knowledge Graph）用三元组（头实体、关系、尾实体）把事实串成图，工程上好落地，代价是缺省规则要另行处理。框架式表示（Frame）把“对象—属性—默认值”打包，贴近人写文档的习惯。向量与嵌入（AI 词典：Embedding">Embedding）把语义压进高维坐标，擅长模糊匹配，但推理链短、结论难以追溯。概率表示（如贝叶斯网络 Bayesian Network）则在不确定时给出置信度而非硬结论。
| 表示方式 | 长于 | 短于 |
|---|---|---|
| 逻辑/规则 | 严格推理、可解释 | 建库昂贵、怕例外 |
| 知识图谱 | 多跳关系查询 | 缺省与不确定性 |
| 框架/本体 | 结构化描述领域 | 灵活度低 |
| 向量嵌入 | 语义相似、模糊召回 | 多步推理、可追溯 |
很多时候这几种表示需要配合：用图谱保证事实骨架，用嵌入做入口的模糊召回，用规则约束关键判断。
它也常和几个邻居混淆。数据库（Database）负责可靠存取，不负责推导；本体（Ontology）是共享的概念约定，是知识表示的“词典和分类”，不是表示本身；知识表示则关心“存成什么形状才推得动”。与机器学习的关系也类似：模型权重里隐含的关联很丰富，却难以逐条检查；知识表示追求的是能被查看、修改和追问“为什么”的那一面。
对从业者的实际意义：设计系统时先问“用户会问多深的问题”，再决定是否值得建图谱。若只做关键词检索，向量库可能够用；若要做多跳排查，例如“这批订单经过哪些仓、哪些仓的负责人有变更记录”，就需要实体和关系显式存在。对普通人而言，同一份资料按“人—事—时间”整理过，才便于追问前因后果；这也是知识表示在日常工作中的镜像。具体工具选型与能力边界，以官方页面为准。