Agenten har två variabler, den ena är arbetsflödet som styr uppgiftens riktning och den andra är den kontext som styr kontexten för innehållsgenereringen. 1) Om säkerheten för arbetsflöde och sammanhang är hög är sådana uppgifter lätta att automatisera, på samma sätt som traditionell RPA, till exempel vid bearbetning av fakturabearbetning och formulärfyllning, AI är mer av ett lim och har begränsat utrymme att spela. 2) Om arbetsflödet är bestämt men sammanhanget är osäkert, det vill säga processen är fast men inmatningen är föränderlig, måste agenten slutföra semantiken och förståelsen, såsom frågor och svar om kundservice, kontraktsanalys och extern hämtning, kunskapsdiagram och andra verktyg för att kompensera för informationsgapet för att göra resonemangsresultaten mer i linje med förväntningarna. 3) Om arbetsflödet är osäkert men sammanhanget är bestämt, det vill säga inmatningen är tydlig men metoderna är olika, måste agenten planera vägen självständigt, som att generera marknadsanalysrapporter, personliga rekommendationer, etc., är de flesta End-to-End RL-agenter bra på att göra den här typen av uppgifter, eftersom de har lärt sig många vägplanerings- och problemlösningsidéer under utbildningsstadiet. 4) När arbetsflödet och sammanhanget är osäkert är det det mest komplexa scenariot, både resonemang och utforskning, såsom innovativ lösningsdesign, informationsinsamling över avdelningar, etc., som är mer benägna till allmänna agenter, och dess exekveringseffekt beror på rikedomen av verktyg som den är utrustad med, särskilt programmeringsförmågan bör maximeras och öppnas, som att låta den lära sig att gå till Github för att hitta förråd för att klona och modifiera koden för att lösa problem, så att den kan fungera som en människa. För att göra ett bra jobb som agent måste du därför först klargöra scenariot. I grund och botten löser automatisering problemet med "säkerhet", medan intelligens löser problemet med "osäkerhet".