在AI Agent快速发展的今天，如何准确理解和分类不同类型的智能体成为了业界关注的焦点。最近，一个基于工作流（workflow）和上下文（context）两个维度的分类框架引起了广泛讨论，为我们理解AI Agent的能力边界和应用场景提供了清晰的思路。
理解AI Agent的两个核心维度
AI Agent的智能程度可以通过两个关键变量来衡量：控制任务走向的workflow工作流，以及控制内容生成的context上下文。这两个维度的确定性高低，直接决定了Agent的复杂程度和智能化水平。
下面是@Barret李靖的原贴内容：
Agent 有两个变量，一个是控制任务走向的 workflow 工作流，一个是控制内容生成的 context 上下文。
1）如果 workflow 和 context 的确定性都很高，这类任务就容易被自动化，类似传统 RPA，比如在处理发票处理、表单填报任务时，AI 更多是粘合剂，发挥空间比较有限。
2）如果 workflow 确定但 context 不确定，也就是流程固定但输入多变，就需要 Agent 在语义和理解上补全，比如客服问答、合同解析，需要通过外部检索、知识图谱等工具来弥补信息的缺口，让推理结果更符合预期。
3）如果 workflow 不确定但 context 确定，也就是输入清晰但走法多样，Agent 就要去自主规划路径，例如市场分析报告生成、个性化推荐等，大多数 End-to-End RL Agent 都擅长做这类任务，因为它们在训练阶段就习得了大量的路径规划和解题思路。
4）而当 workflow 和 context 都不确定时，就是最复杂的场景了，既要推理也要探索，像创新方案设计、跨部门信息收集等，这类更偏向于通用型 Agent，它的执行效果，取决于给它配备的工具丰富度，尤其是编程能力要最大化开放，例如让它学会去 Github 找仓库克隆并修改代码来解决问题，让它像人一样干活儿。
所以，要把 Agent 做好，首先要明确场景。本质上，自动化解决的是"确定性"问题，而智能化解决的是"不确定性"问题。
感觉这个分类非常不错！下面我们具体展开讲一下四种场景
四种典型的Agent场景分析
高确定性场景：传统自动化的领域
当workflow和context的确定性都很高时，这类任务本质上更接近传统的RPA（机器人流程自动化）。在发票处理、表单填报等标准化任务中，AI更多扮演粘合剂的角色，发挥空间相对有限。这种场景下，完全可以将整个流程包装成一个完整的RPA，Agent只需要识别意图并调用相应的自动化流程即可。
虽然这种方式足够健壮，但在智能化方面显得相对初级，需要在前期就把技术工作人为完善，AI主要起到简单的工具调用功能。
流程固定，输入多变：语义理解的舞台
当workflow确定但context不确定时，也就是流程相对固定但输入内容多变的场景，Agent需要在语义理解和信息补全方面发挥更大作用。客服问答、合同解析等应用就属于这一类别。
在这种情况下，Agent需要通过外部检索、知识图谱等工具来弥补信息缺口，让推理结果更符合预期。但这里也存在挑战，精准引导Agent的语义理解和补全确实很难，大模型输出的不确定性仍然是需要解决的问题。
输入清晰，路径多样：自主规划的考验
当workflow不确定但context确定时，输入信息相对清晰，但解决路径却有多种可能性，这就需要Agent具备自主规划能力。市场分析报告生成、个性化推荐等应用场景都属于这一类别。
大多数端到端强化学习Agent都擅长处理这类任务，因为它们在训练阶段就习得了大量的路径规划和解题思路。这种场景考验的是Agent的规划能力和决策智能。
双重不确定：通用智能的真实挑战
最复杂的场景出现在workflow和context都不确定的情况下，这种场景既需要推理能力也需要探索精神。创新方案设计、跨部门信息收集等任务就属于这一类别，也是最接近通用人工智能真实挑战的场景。
这类Agent更偏向于通用型智能体，执行效果很大程度上取决于为其配备的工具丰富度。编程能力的最大化开放变得尤为重要，比如让Agent学会到GitHub找仓库、克隆并修改代码来解决问题，真正做到像人一样工作。
动态协同：两个维度的相互影响
值得注意的是，workflow和context在真实任务中并非完全独立，而是动态协同的关系。一个强大的Agent，其智能恰恰体现在能够根据context选择或调整workflow。
以客服场景为例，用户问题的细节直接决定了解决路径的分支选择。一个客服Agent在处理复杂问题时，workflow也会变得不确定，可能需要转人工、升级处理，或者创造全新的解决路径。同时，context的丰富度也会反过来影响workflow的复杂程度。
实践中的经验与思考
从实际运行经验来看，不同步骤之间通过文件来互通，步骤内反复确认，直到确认无误后再执行下一步，是一种很好的实践方式。这种方法能够有效控制Agent执行过程中的不确定性。
对于那些能够整理出标准作业程序（SOP）的领域，做好自动化Agent相对容易。但要实现AI自动规划、自动"解题"的期望，还需要在智能化方面继续突破。
从自动化到智能化的本质区别
这个分类框架最核心的洞察在于：自动化解决的是"确定性"问题，而智能化解决的是"不确定性"问题。这一认知为我们理解AI Agent的发展方向提供了重要指导。
要把Agent做好，首先要明确应用场景。不同确定性水平的任务需要不同类型的Agent解决方案，盲目追求通用性可能会导致在具体场景中效果不佳。
结语
随着AI技术的不断发展，我们正在见证从第一代Agent到第二代Agent的演进。基于workflow和context确定性的分类框架，不仅帮助我们更好地理解当前AI Agent的能力边界，也为未来通用人工智能的发展提供了清晰的路线图。
在这个充满不确定性的智能化时代，准确定位Agent的应用场景，合理配置工具能力，将是决定AI Agent成功与否的关键因素。