L'Agent a deux variables, l'une est le workflow qui contrôle l'orientation des tâches, et l'autre est le contexte qui contrôle la génération de contenu. 1) Si la détermination du workflow et du contexte est très élevée, ce type de tâche est facile à automatiser, similaire à la RPA traditionnelle, par exemple lors du traitement des factures ou des tâches de remplissage de formulaires, l'IA joue davantage le rôle d'un liant, avec un espace d'action relativement limité. 2) Si le workflow est déterminé mais que le contexte est incertain, c'est-à-dire que le processus est fixe mais que les entrées sont variables, l'Agent doit compléter sur le plan sémantique et de la compréhension, par exemple dans les questions-réponses du service client ou l'analyse de contrats, nécessitant des outils externes comme la recherche d'informations ou les graphes de connaissances pour combler les lacunes d'information, afin que les résultats de raisonnement soient plus conformes aux attentes. 3) Si le workflow est incertain mais que le contexte est déterminé, c'est-à-dire que les entrées sont claires mais que les méthodes sont variées, l'Agent doit planifier de manière autonome le chemin, par exemple pour la génération de rapports d'analyse de marché ou les recommandations personnalisées, la plupart des Agents RL de bout en bout excellent dans ce type de tâches, car ils ont acquis une grande quantité de planification de chemin et de méthodes de résolution de problèmes durant la phase d'entraînement. 4) Et lorsque le workflow et le contexte sont tous deux incertains, c'est le scénario le plus complexe, nécessitant à la fois du raisonnement et de l'exploration, comme la conception de solutions innovantes ou la collecte d'informations inter-départementales, ce type d'Agent est plus orienté vers l'usage général, son efficacité d'exécution dépend de la richesse des outils qui lui sont fournis, en particulier la capacité de programmation doit être maximisée, par exemple en lui permettant d'apprendre à trouver des dépôts sur Github, de les cloner et de modifier le code pour résoudre des problèmes, afin qu'il puisse travailler comme un humain. Ainsi, pour bien développer un Agent, il faut d'abord clarifier le scénario. En essence, l'automatisation résout des problèmes de "détermination", tandis que l'intelligence résout des problèmes "d'incertitude".