表示知识的范围是否广泛 　　例如，数理逻辑表示是一种广泛的知识表示办法，如果单纯用数字表示，则范围就有限制。 　　是否适于推理 　　人工智能只能处理适合推理的知识表示，因此所选用的知识表示必须适合推理。数学模型（拉格朗日插值法）适合推理，普通的数据库只能供浏览检索，但不适合推理。 　　是否适于计算机处理 　　计算机只能处理离散的、量化的byte字节流。因此，用文字表述的知识和连续形式表示的知识（如微分方程）不适合计算机处理。 　　是否有高效的求解算法 　　考虑到实用的性能，必须有高效的求解算法，知识表示才有意义。 　　能否表示不精确知识 　　自然界的信息具有先天的模糊性和不精确性，能否表示不精确知识也是考虑的重要因素。许多知识表示方法往往要经过改造，如确定性方法、主观贝叶斯方法等对证据和规则引入了不确定性度量，就是为了表达不精确的知识。 　　能否在同一层次上和不同层次上模块化 　　例如PROLOG只有一个全局知识库，不能模块化，这是它的缺点。 　　知识和元知识能否用统一的形式表示 　　知识和元知识是属于不同层次的知识，使用统一的表示方法可以使知识处理简单。产生式表示法就能比较方便的表示这两种层次的知识。 　　是否适合于加入启发信息 　　在已知的前提下，如何最快的推得所需的结论，以及如何才能推得最佳的结论，我们的认识往往是不精确的。因此，往往需要在元知识（控制知识）加入一些控制信息，也就是通常所说的启发信息。 　　过程性表示还是说明性表示 　　一般认为，说明性的知识表示涉及细节少，抽象程度高，因此可靠性好，修改方便，但执行效率低。过程性知识表示的优缺点与说明性知识表示的相反。 　　表示方法是否自然 　　一般在表示方法尽量自然和使用效率之间取得一个折中。比如，对于推理来说，ＰＲＯＬＯＧ比高级语言如Visual C++自然，但显然牺牲了效率。