AI Agent / 系统课时

判断适合使用 Agent 的任务

判断适合使用 Agent 的任务

Agent 适合处理“目标明确但过程不能完全预先写死”的任务。判断时不要只看任务听起来是否复杂,而要看执行过程中是否存在不确定性、是否必须调用外部工具,以及是否需要根据中间结果动态决定下一步。

学习目标

  • 用不确定性、工具依赖和步骤数量判断任务是否需要 Agent
  • 区分 Agent、固定工作流和普通模型调用的适用边界
  • 避免把简单任务过度 Agent 化

先看任务的不确定性

如果输入到输出之间的步骤始终固定,例如“读取 CSV、按指定列排序、导出文件”,普通程序或工作流通常更合适。Agent 的价值出现在路径无法完全预先枚举时,例如先搜索资料,再根据结果决定是否继续查证、调用数据库或向用户追问。

区分路径不确定、目标不清楚和证据不足。路径难以提前枚举时,可以考虑让模型提出下一项检查。目标不清楚时先澄清任务。拿不到可验证的证据时,增加模型轮次也无法补足权限或信息缺口。

再看是否依赖工具

只生成文本、摘要或分类结果时,单次模型调用往往已经足够。需要访问搜索、数据库、文件、浏览器或业务 API,并且工具选择会随上下文变化时,Agent 才开始体现优势。

工具数量多并不自动意味着需要 Agent。如果调用顺序固定,例如“先查库存,再创建订单,再发通知”,普通工作流更可控,也更容易测试。

最后看步骤是否需要动态调整

可以用下面三个问题快速判断:

  1. 中间结果是否会改变下一步行动?
  2. 执行时是否可能需要在多个工具或路径之间选择?
  3. 是否存在重试、追问、回退或提前停止等分支?

这些问题用于梳理需求。重试、追问和回退都能写成固定规则。是否采用 Agent 取决于证据出现的组合是否难以提前枚举、模型选择能否被约束,以及收益是否值得增加运行成本和失败路径。

是否需要 Agent 的任务判断流程

三种实现方式怎么选

任务特征 更合适的方式
需要理解或生成文本,一次调用可得到可验收结果 单次模型调用
动作、分支和失败处理可以用规则描述 普通程序或固定工作流
下一项检查依赖难以枚举的证据组合,且行动可以被约束和验证 让 Agent 处理动态决策,再用固定流程验收

例如“把会议记录整理成三点摘要”通常不需要 Agent;“每天从固定接口取数并生成报表”更像工作流;“调查某次线上故障,先查日志,再根据异常选择指标、变更记录或知识库继续排查”则更适合 Agent,因为下一步依赖前一步的证据。

在同一组样本上比较方案

以线上故障排查为例,先实现固定方案:收集服务指标、近期部署和告警,再让模型摘要。若固定方案在“多个依赖同时异常”或“部署时间与错误时间错开”等样本中常遗漏关键证据,可以只将下一项查询交给 Agent,保留只读权限与固定验收。

比较时给两种方案使用同一组含已知原因、证据不足和权限受限的样本,记录以下结果。

  • 有可核对证据并判断正确的任务数,除以该组全部任务数。
  • 证据不足或权限不够时正确停止的任务数,除以预先标注为应停止的任务数。
  • 越权执行数、工具调用次数和运行耗时。越权尝试被拦截时也单独记录,便于定位模型的选择问题。

即使 Agent 多找到了线索,也要检查额外耗时和行为风险是否可以接受。

不该为了 Agent 而 Agent

Agent 会引入额外成本:更多模型调用、更长执行时间、更复杂的状态管理,以及更难预测的失败路径。只要固定规则已经能稳定解决问题,就优先选择简单方案。

判断任务是否适合 Agent,本质上是在问:这个任务需要一个会根据环境反馈不断决定下一步的执行者吗? 如果答案是否定的,选择更简单的程序、工作流或单次模型调用,通常更可靠。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

判断适合使用 Agent 的任务

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通