别急着做 Agent
这句话听起来像给 Agent 泼冷水，其实更像给项目踩刹车。很多团队做 AI 应用失败，常常因为一开始就把一个没梳理清楚的业务流程交给模型自由发挥。
我见过最典型的场景，是老板说想要一个销售 Agent，能自动找客户、写邮件、跟进、记录 CRM、提醒成交。听起来很完整，拆开就会发现问题一堆：客户从哪里来，什么算有效线索，邮件口径谁审批，CRM 字段怎么填，销售什么时候接管，出错后谁负责。人都没讲清楚的流程，模型很难替你讲清楚。
这张图把一个热闹的全自动 Agent 拆回可落地的工作流，先看数据、规则、人工确认和异常处理。
高赞回答里说 AI 先做智能补丁，这个说法很接地气。一个稳定工作流里，很多步骤应该固定：抓取文件、清洗字段、写入表格、触发通知、生成记录。AI 最适合放在那些规则写不完、输入格式乱、需要语义判断的位置。
比如发票识别、客服工单分类、简历初筛、会议纪要提取、运营素材归类。流程本身不用很聪明，只要每一步可追踪。AI 只负责把非结构化信息变成下一步能接住的数据。
真正要判断用工作流还是 Agent，可以看输入的稳定程度。
输入稳定，路径固定，结果容易验收，工作流更合适。日报生成、合同要素提取、订单异常提醒、内容分发排期，都属于这一类。它们要的是准时、稳定、可查。
输入变化大，路径需要现场决定，工具调用顺序不能提前写死，Agent 才更有价值。代码修复、复杂调研、多网页操作、跨系统排错，就更接近这种场景。模型需要读环境、试错、回头改计划。
这张图用一个分岔表判断：输入稳定走工作流，输入飘忽且需要探索时再启用 Agent。
很多产品翻车，是把 Agent 当成品牌词。明明只是提示词串联，包装成智能体；明明只能处理三种标准输入，宣传成全场景自动执行。用户试一次就知道它靠不靠谱。只要网页改版、接口超时、模型多想了一步，整条链就断。
企业真正需要一套能说明自己处理到哪一步、为什么停下、下一步需要谁确认的系统。只会说我会处理的 Agent，进到真实业务里很快露馅。
这里有个小经验：先把人工流程画出来，标出三个点。
哪个步骤最耗时间。
哪个步骤最依赖经验判断。
哪个步骤出错代价最大。
前两个点可以尝试上 AI，风险最高的点要留人工确认或强校验。这样做出来的系统不性感，但更可能活下来。
这张图给团队一张上线前检查表：可回放、可接管、可重跑、可计费，缺一项都别急着叫 Agent。
我更倾向的落地顺序是：手工流程跑通，脚本化固定步骤，把 AI 放进模糊环节，再逐步增加自动决策。等这些智能补丁连起来，并且每一段都有日志、权限和回滚，那时它看起来就像一个 Agent。
所以这句话可以理解成一种工程提醒：别把还没验证的自主性放在最脆弱的业务链路上。先让 AI 稳稳解决一个小问题，比造一个什么都承诺的智能体更有价值。
