Agenten har to variabler, den ene er arbeidsflyten som styrer retningen til oppgaven, og den andre er konteksten som styrer konteksten til innholdsgenereringen. 1) Hvis sikkerheten til arbeidsflyt og kontekst er høy, er slike oppgaver enkle å automatisere, i likhet med tradisjonell RPA, for eksempel ved behandling av fakturabehandling og skjemautfyllingsoppgaver, er AI mer et lim og har begrenset plass til å spille. 2) Hvis arbeidsflyten er bestemt, men konteksten er usikker, det vil si at prosessen er fast, men inndataene kan endres, må agenten fullføre semantikken og forståelsen, for eksempel spørsmål og svar på kundeservice, kontraktsanalyse og ekstern innhenting, kunnskapsgraf og andre verktøy for å kompensere for informasjonsgapet for å gjøre resonnementresultatene mer i tråd med forventningene. 3) Hvis arbeidsflyten er usikker, men konteksten er bestemt, det vil si at innspillene er klare, men metodene er forskjellige, må agenten planlegge banen uavhengig, for eksempel å generere markedsanalyserapporter, personlige anbefalinger, etc., er de fleste End-to-End RL-agenter flinke til å gjøre denne typen oppgaver, fordi de har lært mange baneplanlegging og problemløsningsideer i løpet av opplæringsfasen. 4) Når arbeidsflyten og konteksten er usikker, er det det mest komplekse scenariet, både resonnement og utforskning, for eksempel innovativ løsningsdesign, informasjonsinnsamling på tvers av avdelinger, etc., som er mer tilbøyelige til generelle agenter, og utførelseseffekten avhenger av rikdommen av verktøy den er utstyrt med, spesielt programmeringsevnen bør maksimeres og være åpen, for eksempel å la den lære å gå til Github for å finne depoter for å klone og endre koden for å løse problemer, slik at den kan fungere som et menneske. Derfor, for å gjøre en god jobb som agent, må du først avklare scenariet. I hovedsak løser automatisering problemet med "sikkerhet", mens intelligens løser problemet med "usikkerhet".