本节书摘来自华章计算机《人工智能：计算Agent基础》一书中的第1章，第1.7节,作者：（加）David L.Poole,Alan K.Mackworth 更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.7　本书概述

本书的余下部分对由复杂性维度所定义的设计空间进行探索，对每个维度进行独立的合理考虑。
第2章主要分析图1-3中所提到的黑盒的内部结构，并讨论Agent的模块及层次分解。
第3章主要讨论决策未来行为的最简单情况，单个Agent用显式状态推理，没有不确定性，有要完成的目标，但是存在不确定期。在这种情况下，解决目标这个问题可以抽象成图中的路径搜索问题，并介绍了如何利用本领域的额外知识进行搜索。
第4、5章主要介绍如何利用特征。具体地说，第4章主要考虑怎样在给定的约束条件下找到可能的状态，这个约束是以变量形式表示的特征的值的配置。第5章阐述在所有状态都满足给定的约束集时，如何确定命题是否为真。
第6章主要讲述如何用不确定性进行推理。
第7章介绍如何从先前经验及数据中学习。它包括学习中最常见的情况，即利用特征的监督学习，从中可以学到被观察目标的特征集合。
第8章考虑规划问题，具体对状态及动作的基于特征的表达进行表示与推理。第9章介绍不确定性中的规划问题，第10章将这种状况扩展至多个Agent。
第11章介绍不确定性下的学习及强化学习。39
第12章介绍如何用个体及关系进行推理；第13章主要讨论的是本体，以及如何建立基于知识的系统；第14章说明个体及关系的推理如何与规划、学习及概率推理相结合。
第15章回顾人工智能的设计空间并说明本书提供的材料如何适应设计空间。同时也介绍一些关于建立智能系统的伦理思考。