一、这套想法从哪来
两拨人的实践，最后指向同一个结论。
一拨是达摩院李瑞博，他提出用 workflow 和 context 两个变量来分 Agent 场景，搭出了理论框架。另一拨是开发社区，踩了一堆坑后总结出落地原则——脚本干脚本的事，模型干模型的事。
两拨人说的其实是一回事：Workflow = 确定性逻辑 → 交给工程/脚本，Context = 推理判断 → 交给大模型。
二、职责边界怎么划
Workflow 管什么
顺序执行、条件分支、数据拼接、接口调用、数据清洗、特征计算——这些逻辑能写死的就写死。脚本的优势在于：没有幻觉、执行速度快、Token 消耗低。
开发社区的实践者总结过：大模型只做脚本和编程做不到的事，剩下程序本来就能做的，用程序做更精确可控、速度更快、成本更低。
Context 管什么
意图理解、多因素推理、模糊场景决策、风险定性——这些是代码无法完成的活儿，只能交给模型。
三、四种情况怎么优化
当 Workflow 和 Context 的确定程度不同时，优化的策略也不同。Workflow 和 Context 都确定时，适合纯脚本或 RPA，AI 打个辅助就行。Workflow 确定但 Context 不确定时，需要先把数据封装好，让模型只做最后判断。Workflow 不确定但 Context 确定时，用沙箱把工具集限制住。两者都不确定时，通用 Agent 配合强监控和止损线。
四、Sub Agent 的坑与解
让模型自己调 5~6 个工具、走 9~10 个步骤，结果就是不受控，输出千奇百怪。
改法很简单：用户信息预先打成宽表，工程侧把数据拼好；模型只干一件事——读表，做判断；数据处理归工程，逻辑推理归模型。
核心发现是，降步骤数比优化 prompt 更管用。让短跑选手专注跑步，别让他一边跑一边跨栏递水。
五、权限给的越大，翻车越惨
有人把系统权限完全交给 AI，结果 AI 一个失误，整个系统崩了。教训很直白：权限越小越稳，脚本能干的绝不交给 Agent，别指望让模型包办一切。
六、一句话
先工程化，再智能化。确定性流程交给脚本，模型只做最终判断。步骤越少、权限越小，系统越稳。