资格问题 (Qualification Problem) 是人工智能领域在知识表示和行动推理方面的核心问题。它主要关注的是如何在变化的环境中，确定一个动作或事件成功执行所需的所有条件或因素。这个问题涉及到识别和处理可能阻止预期结果发生的各种障碍。
最早是由 John McCarthy 于 1977 年指出的，它与 Frame Problem（框架问题）和 Ramification Problem（衍生问题）一起，构成了形式化行动理论中的三个基本问题。 Frame Problem 关注的是如何确定哪些事物在动作发生后保持不变，而 Ramification Problem 关注的是动作可能产生的间接效应。
在实际应用中，Qualification Problem 表现为在特定情境下，如何确保一个动作能够达到预期效果的问题。例如，一个自动驾驶汽车的 AI 系统可能在训练数据集中学习到了交通标志和信号灯，但如果遇到一个手持信号旗的交通指挥员或紧急情况下的警察，系统可能就无法正确响应，因为这些情况并未包含在它的训练数据中。
解决 Qualification Problem 的一种方法是使用逻辑编程方法，例如在 Flux 动作编程语言中，通过建立在 Fluent Calculus（流畅计算）上的解决方案来处理基本的 Frame Problem（框架问题）。 Flux 系统允许在默认假设下进行规划，即动作会像通常一样成功执行，并能够对这些假设进行推理，以便从意外的动作失败中恢复。
此外，Qualification Problem 的解决还涉及到非单调推理方法的使用，这些方法允许在给定动作的预期效果时，考虑到可能存在但未明确列出的先决条件。这可以通过允许事件公理是可反驳的来实现，即如果满足事件的所有陈述性先决条件，则可以反驳性地得出事件将具有其预测效果的结论。