最常被问到的问题："我这个场景能用 Agent 吗？"
我的回答从来不是"能"或"不能"——而是"先跑一遍场景识别框架，你自己就有答案了"。
我见过太多项目这样开始：老板参加了一个 AI 大会，回来说"我们也要搞 Agent"。于是团队花了三个月搭了一个 Agent 系统，然后发现——没有人用，或者用了但没有产生价值。
问题不是 Agent 技术不行，是选错了场景。
不是所有场景都适合 Agent 化。有些场景适合 RPA（固定流程自动化），有些适合传统软件（CRUD+业务规则），有些根本上就是管理问题而不是技术问题。你花三个月搭一个 Agent，不如花三天确认"这个场景到底适不适合"。场景识别就是帮你省那三个月的框架。
| 步骤 | 问题 | 判断标准 |
|---|---|---|
| 第一步：任务特征 | 这个任务需要推理和判断吗？ | 需要→继续；不需要→RPA 或传统软件更合适 |
| 第二步：输入输出 | 输入和输出是否结构化？ | 结构清晰→得分高；完全非结构化→需要额外处理 |
| 第三步：频率和规模 | 这个任务每天发生多少次？ | 高频（100+次/天）→ ROI 高；低频（<10次/天）→ ROI 低 |
| 第四步：风险等级 | 出错会有什么后果？ | 低风险→可以自动；高风险→需要 HITL |
这是最重要的筛选条件。 Agent 的核心能力是"推理+行动"。如果你的任务是固定的、每个步骤都确定的、不需要判断的——用 RPA 或传统软件更合适。Agent 为你带来的额外价值（灵活性、适应性）你用不上，却要承受它的成本（Token 消耗、不可预测性）。
适合 Agent 的任务特征：
不适合 Agent 的任务特征：
我的亲身经验： 星辉广告系统的同步引擎。一开始想用 Agent 来做——让模型判断每个上游的数据格式、自动适配。后来发现上游 API 的变化频率很低（几个月一次），而且变化模式固定。用配置化的方式（参数表 + 规则引擎）比 Agent 便宜 10 倍，还更可靠。不是 Agent 不好，是场景不适合。
Agent 擅长处理非结构化输入（自然语言），产出结构化输出（JSON、表格）。如果两端都是完全结构化的（比如 A 系统的 JSON → B 系统的 JSON），中间不需要推理，那不需要 Agent。
| 输入 → 输出 | 适合度 | 示例 |
|---|---|---|
| 非结构化 → 结构化 | ⭐️⭐️⭐️⭐️⭐️ | 客服对话 → 工单 |
| 结构化 → 非结构化 | ⭐️⭐️⭐️⭐️ | 数据 → 报告 |
| 非结构化 → 非结构化 | ⭐️⭐️⭐️ | 翻译、摘要 |
| 结构化 → 结构化 | ⭐️ | 数据 ETL |
Agent 有固定成本（搭建、调试、维护）。你得算这笔账：
单次 Agent 成本 ≈ LLM 调用成本 + 工具调用成本 + 人工审核成本
一个典型的数据分析 Agent，单次执行约消耗 5K-15K Token。按 GPT-4o 的价格，单次成本约 0.05-0.15 美元。如果每天执行 100 次，月成本约 150-450 美元。
对照人工成本：同样的数据分析任务，人工做一次如果耗时 10 分钟、月薪 1 万人民币（时薪约 60 元），单次成本约 10 元人民币。月成本是 100 次 × 10 元 = 1000 元。
ROI 预判：
| 日频次 | Agent 月成本 | 人工月成本 | 结论 |
|---|---|---|---|
| 1000+ 次 | $1500+ | $1400+ | Agent 不省钱但快 |
| 100 次 | $150-450 | $140 | 接近，看质量 |
| 10 次 | $15-45 | $14 | 几乎一样 |
| 1 次 | $1.5-4.5 | $1.4 | 不值得用 Agent |
关键判断： 高频场景（100+次/天）Agent 的价值在于"快"和"24小时在线"，不在于"便宜"。低频场景如果一次执行质量要求高，Agent 仍然值得——但不是因为成本。
Agent 出错会有什么后果？这个决定了你让它"全自动"还是"建议+人工确认"。
| 等级 | 出错后果 | 建议模式 | 示例 |
|---|---|---|---|
| 低 | 无实质影响 | 全自动 | 内容摘要、邮件分类 |
| 中 | 有影响但可挽回 | 自动 + 事后审计 | 数据分析、报告生成 |
| 高 | 有实质性损失 | 建议 + 人工确认 | 退款处理、合同审核 |
| 极高 | 法律/安全后果 | 仅辅助建议 | 医疗诊断、投资建议 |
把上面四步的结果填到一张表里，一目了然：
| 维度 | 评分 | 权重 |
|---|---|---|
| 任务需要推理 | 1-5 | ×3 |
| 输入非结构化 | 1-5 | ×2 |
| 日频次 > 100 | 1-5 | ×2 |
| 风险等级低 | 1-5 | ×1 |
| 总分 | 满分 40 分 | |
判断标准：
场景： 电商平台的客户售后工单处理
| 维度 | 评估 | 分 |
|---|---|---|
| 推理需求 | 需要判断退换货原因、责任方、适用政策 | 5 |
| 输入结构 | 客户用自然语言描述问题 | 5 |
| 频率 | 每天 200-500 单 | 5 |
| 风险 | 退错款有损失，但可追回 | 3（中风险） |
| 总分 | 5×3 + 5×2 + 5×2 + 3×1 = 38 | |
结论： 非常适合 Agent 化。建议处理模式：Agent 生成处理建议 + 人工确认退款。预计可处理 70% 的常规工单，复杂工单仍由人工处理。
不需要每次跑完整评分卡时，用这四句快速判断：
四个条件满足三个以上，放心做。
一句话： 场景识别不是"判断这个场景能不能用 Agent"——而是"判断这个场景值不值得用 Agent"。能，和值得，是两回事。
💬 评论