Agent má dvě proměnné, z nichž jedna je pracovní postup, který řídí směr úkolu, a druhá je kontext, který řídí kontext generování obsahu. 1) Pokud je jistota workflow a kontextu vysoká, lze takové úlohy snadno automatizovat, podobně jako tradiční RPA, například při zpracování faktur a vyplňování úkolů vyplňování formulářů je AI spíše lepidlem a má omezený prostor na hraní. 2) Pokud je pracovní postup určen, ale kontext je nejistý, to znamená, že proces je pevný, ale vstup je měnitelný, musí agent dokončit sémantiku a porozumění, jako jsou otázky a odpovědi týkající se zákaznického servisu, analýza smluv a externí vyhledávání, znalostní graf a další nástroje, aby vyplnil informační mezeru, aby výsledky uvažování byly více v souladu s očekáváním. 3) Pokud je pracovní postup nejistý, ale kontext je určen, to znamená, že vstup je jasný, ale metody jsou různorodé, agent musí plánovat cestu nezávisle, jako je generování zpráv o analýze trhu, personalizovaných doporučení atd., většina End-to-End RL agentů je dobrá v provádění tohoto druhu úkolu, protože se během fáze školení naučili spoustu nápadů na plánování cesty a řešení problémů. 4) Když je pracovní postup a kontext nejistý, je to nejsložitější scénář, a to jak uvažování, tak průzkum, jako je inovativní návrh řešení, sběr informací napříč odděleními atd., který je více nakloněn univerzálním agentům a jeho účinek provedení závisí na bohatosti nástrojů, kterými je vybaven, zejména programovací schopnost by měla být maximalizována a otevřená, jako je nechat ho naučit se jít na Github hledat úložiště pro klonování a úpravu kódu k řešení problémů, aby mohl fungovat jako člověk. Proto, abyste jako agent odvedli dobrou práci, musíte si nejprve ujasnit scénář. Automatizace v podstatě řeší problém "jistoty", zatímco inteligence řeší problém "nejistoty".