Agent 有兩個變量，一個是控制任務走向的 workflow 工作流，一個是控制內容生成的 context 上下文。 1）如果 workflow 和 context 的確定性都很高，這類任務就容易被自動化，類似傳統 RPA，比如在處理發票處理、表單填報任務時，AI 更多是粘合劑，發揮空間比較有限。 2）如果 workflow 確定但 context 不確定，也就是流程固定但輸入多變，就需要 Agent 在語義和理解上補全，比如客服問答、合同解析，需要通過外部檢索、知識圖譜等工具來彌補信息的缺口，讓推理結果更符合預期。 3）如果 workflow 不確定但 context 確定，也就是輸入清晰但走法多樣，Agent 就要去自主規劃路徑，例如市場分析報告生成、個性化推薦等，大多數 End-to-End RL Agent 都擅長做這類任務，因為它們在訓練階段就習得了大量的路徑規劃和解題思路。 4）而當 workflow 和 context 都不確定時，就是最複雜的場景了，既要推理也要探索，像創新方案設計、跨部門信息收集等，這類更偏向於通用型 Agent，它的執行效果，取決於給它配備的工具豐富度，尤其是編程能力要最大化開放，例如讓它學會去 Github 找倉庫克隆並修改代碼來解決問題，讓它像人一樣幹活兒。 所以，要把 Agent 做好，首先要明確場景。本質上，自動化解決的是“確定性”問題，而智能化解決的是“不確定性”問題。