人工智能中的很重要的部分是关于实际物理过程建模的，这种建模的方法使用人工智能风格的推理系统对定性的模型和动态的过程进行近似的分析，以取代对复杂微分方程的求解。这里不准备讨论这方面的内容，而要把注意力集中到其它智能体的高层建模上。 　　尽管智能体本身是物理的过程，并且可以象工程仪器那样进行建模，但是我们为方便起见，还是需要使用特别的技术对智能体进行建模。当前的智能体可以假设其它的智能体是检验产生动作的计算条件是否满足并选择执行该动作的一个T-R程序。（智能体就是一个程序）。无论其它智能体程序的形式如何，只要模型可以给出其在不同环境下的行为的合理预测，当前智能体对其的建模不必要和现实世界一样复杂。 　　T-R程序：类似驱动产生式规则的程序 　　当前的智能体可以假设其它智能体使用一套逻辑推理规则进行规划，并按照规划执行以达到目标。在这种情况下，我们通常认为其它智能体使用了一个内部环境模型以对行动进行选择。一个智能体的模型以及使用这个模型进行行动选择的辅助工具所构成的系统结构，称为认知结构（cognitive structure）。通常认知结构还包括了智能体的目标和意图。当前的智能体需要对其它智能体的假想认知结构进行准确和详细的描述，以使得它可以利用这些描述预测其它智能体将要进行的行为。 　　我们这里把注意力放在智能体的认知结构中的环境模型上，以及其它智能体的认知结构。智能体的知识表示可以分为两类：基于图形的和基于特征的。基于图形的环境模型对环境的相关方面进行模拟，例如用图表示相同的状态空间结构。而基于特征的模型是对环境的相关方面进行描述－例如使用谓词逻辑的方式。我们需要对当前的智能体如何对其它的智能体建模进行选择，因为当前智能体的模型可能是基于图形的，也可能是基于特征的，而其它的智能体的模型也可能是上述两种方式。这样就存在了4种表示模型的组合（图形＋图形，图形＋特征，特征＋图形，特征＋特征）。不同的组合方式就产生了不同的认知建模策略。下面主要要讨论3种组合建模策略。另一种不讨论得理由是：如果当前的智能体采用了基于特征的方式进行建模，一般可以认为其它的智能体也是采取同样的方式建模，而不再考虑其它的方式。