Agent có hai biến, một là workflow kiểm soát hướng đi của nhiệm vụ, một là context kiểm soát việc tạo nội dung. 1) Nếu độ chắc chắn của workflow và context đều cao, loại nhiệm vụ này dễ dàng được tự động hóa, tương tự như RPA truyền thống, chẳng hạn như trong việc xử lý hóa đơn, nhiệm vụ điền biểu mẫu, AI chủ yếu đóng vai trò như một chất kết dính, không có nhiều không gian để phát huy. 2) Nếu workflow chắc chắn nhưng context không chắc chắn, tức là quy trình cố định nhưng đầu vào đa dạng, thì Agent cần phải bổ sung về mặt ngữ nghĩa và hiểu biết, chẳng hạn như trong các câu hỏi và trả lời của dịch vụ khách hàng, phân tích hợp đồng, cần phải sử dụng các công cụ như tìm kiếm bên ngoài, đồ thị tri thức để lấp đầy khoảng trống thông tin, giúp kết quả suy luận phù hợp hơn với mong đợi. 3) Nếu workflow không chắc chắn nhưng context chắc chắn, tức là đầu vào rõ ràng nhưng cách thức thực hiện đa dạng, Agent cần tự lập kế hoạch đường đi, ví dụ như tạo báo cáo phân tích thị trường, gợi ý cá nhân hóa, hầu hết các Agent RL End-to-End đều giỏi trong việc thực hiện loại nhiệm vụ này, vì chúng đã học được nhiều cách lập kế hoạch đường đi và cách giải quyết vấn đề trong giai đoạn huấn luyện. 4) Khi cả workflow và context đều không chắc chắn, đó là tình huống phức tạp nhất, vừa cần suy luận vừa cần khám phá, như thiết kế giải pháp đổi mới, thu thập thông tin giữa các phòng ban, loại này thiên về Agent đa năng, hiệu quả thực hiện của nó phụ thuộc vào độ phong phú của các công cụ được trang bị cho nó, đặc biệt là khả năng lập trình cần phải được mở rộng tối đa, chẳng hạn như để nó học cách tìm kiếm kho trên Github, sao chép và sửa đổi mã để giải quyết vấn đề, để nó làm việc như con người. Vì vậy, để làm tốt Agent, trước tiên cần phải xác định rõ bối cảnh. Về bản chất, tự động hóa giải quyết vấn đề "chắc chắn", trong khi trí tuệ nhân tạo giải quyết vấn đề "không chắc chắn".