Agentilla on kaksi muuttujaa, joista toinen on työnkulku, joka ohjaa tehtävän suuntaa, ja toinen on konteksti, joka ohjaa sisällön luomisen kontekstia. 1) Jos työnkulun ja kontekstin varmuus on korkea, tällaiset tehtävät on helppo automatisoida, kuten perinteisen RPA:n tapaan, kuten laskujen käsittelyssä ja lomakkeiden täyttötehtävissä, tekoäly on enemmän liima ja sillä on rajoitetusti tilaa pelata. 2) Jos työnkulku on määritetty, mutta konteksti on epävarma, eli prosessi on kiinteä, mutta syöte on muutettavissa, agentin on suoritettava semantiikka ja ymmärrys, kuten asiakaspalvelun kysymykset ja vastaukset, sopimusanalyysi ja ulkoinen haku, tietokaavio ja muut työkalut tietovajeen paikkaamiseksi, jotta päättelytulokset vastaisivat paremmin odotuksia. 3) Jos työnkulku on epävarma, mutta konteksti on määritetty, eli syöte on selkeä, mutta menetelmät ovat erilaisia, agentin on suunniteltava polku itsenäisesti, kuten luotava markkina-analyysiraportteja, henkilökohtaisia suosituksia jne., useimmat End-to-End RL -agentit ovat hyviä tekemään tällaisia tehtäviä, koska he ovat oppineet paljon polun suunnittelua ja ongelmanratkaisuideoita koulutusvaiheessa. 4) Kun työnkulku ja konteksti ovat epävarmoja, monimutkaisin skenaario, sekä päättely että tutkiminen, kuten innovatiivinen ratkaisusuunnittelu, osastojen välinen tiedonkeruu jne., ovat taipuvaisempia yleiskäyttöisiin agentteihin, ja sen suoritusvaikutus riippuu sen varustettujen työkalujen rikkaudesta, erityisesti ohjelmointikyvyn tulee olla maksimoitu ja avoin, kuten antaa sen oppia menemään Githubiin etsimään arkistoja kloonaamaan ja muokkaamaan koodia ongelmien ratkaisemiseksi, jotta se voi toimia kuin ihminen. Siksi, jotta voit tehdä hyvää työtä agenttina, sinun on ensin selvitettävä skenaario. Pohjimmiltaan automaatio ratkaisee "varmuuden" ongelman, kun taas älykkyys ratkaisee "epävarmuuden" ongelman.