Muchos problemas de la vida real que implican decisiones bajo incertidumbre a menudo se repiten secuencialmente y pueden abordarse de forma iterativa. El Gradiente de Conocimiento (KG) formula el problema de la toma de decisiones bajo incertidumbre en la estimación repetida del valor de la información observada de cada posible decisión y luego comprometiéndose con una decisión con el valor estimado más alto. Este documento tiene como objetivo proporcionar una visión multifacética de la investigación moderna sobre KG: en primer lugar, sobre cómo se formula el algoritmo KG desde el principio con un ejemplo de implementación de su implementación más frecuentemente utilizada; en segundo lugar, sobre cómo los algoritmos KG están relacionados con otros problemas y algoritmos iterativos, en particular, la optimización bayesiana; en tercer lugar, sobre las tendencias significativas encontradas en la investigación teórica moderna sobre KG; por último, sobre los diversos ejemplos de aplicaciones que utilizan KG en su paso clave de toma de decisiones.