Agent 的核心由两个变量决定：控制任务走向的workflow（工作流）、控制内容生成的context（上下文），据此可分为 4 类典型场景（达摩院李瑞博，25.09.23）：
workflow 与 context 均确定：该场景易实现自动化，类似于传统 RPA（机器人流程自动化），常见应用如发票处理、表单填报等。在此类场景中，AI 主要起 “粘合剂” 作用，发挥空间相对有限。
workflow 确定但 context 不确定：此类场景需要借助语义理解进行信息补全，例如客服问答、合同解析等任务。完成这些任务依赖外部检索、知识图谱等方式来填补信息缺口。
workflow 不确定但 context 确定：在这种情况下，Agent 需要自主规划任务执行路径，典型应用包括市场分析报告生成、个性化推荐等。End-to-End RL Agent（强化学习 Agent）在此类任务中表现出色。
workflow 与 context 均不确定：这是最复杂的场景，Agent 需要具备推理和探索能力，适用于创新方案设计、跨部门信息收集等任务。此类场景依赖通用型 Agent，关键在于配备丰富工具，特别是开放编程能力，如克隆修改 Github 代码等操作。
高不确定性环境的应对方案
当 Agent 处于高不确定性环境时，容易出现 “幻觉（hallucination）” 或陷入无限循环，需要借助以下工具和方法应对（达摩院李瑞博，25.09.23）：
- 动态规划与探索：允许 Agent 自主分解任务、迭代执行路径。
- 上下文补全：通过检索、搜索、知识整合等方式填充未知信息。
- 执行力提升：重点利用编程工具，支持代码的生成、修改和运行。
- 多代理协作：模拟 “团队分工” 模式，提高任务执行的鲁棒性。