Agen memiliki dua variabel, satu adalah alur kerja yang mengontrol arah tugas, dan yang lainnya adalah konteks yang mengontrol konteks pembuatan konten. 1) Jika kepastian alur kerja dan konteks tinggi, tugas-tugas tersebut mudah diotomatisasi, mirip dengan RPA tradisional, seperti saat memproses pemrosesan faktur dan tugas pengisian formulir, AI lebih merupakan perekat dan memiliki ruang terbatas untuk bermain. 2) Jika alur kerja ditentukan tetapi konteksnya tidak pasti, yaitu, prosesnya tetap tetapi inputnya dapat diubah, agen perlu menyelesaikan semantik dan pemahaman, seperti Tanya Jawab layanan pelanggan, analisis kontrak, dan pengambilan eksternal, grafik pengetahuan, dan alat lain untuk menutupi kesenjangan informasi agar hasil penalaran lebih sesuai dengan harapan. 3) Jika alur kerja tidak pasti tetapi konteksnya ditentukan, yaitu inputnya jelas tetapi metodenya beragam, agen harus merencanakan jalur secara mandiri, seperti menghasilkan laporan analisis pasar, rekomendasi yang dipersonalisasi, dll., sebagian besar Agen RL End-to-End pandai melakukan tugas semacam ini, karena mereka telah mempelajari banyak perencanaan jalur dan ide pemecahan masalah selama tahap pelatihan. 4) Ketika alur kerja dan konteks tidak pasti, itu adalah skenario yang paling kompleks, baik penalaran maupun eksplorasi, seperti desain solusi inovatif, pengumpulan informasi lintas departemen, dll., yang lebih cenderung ke agen tujuan umum, dan efek eksekusinya tergantung pada kekayaan alat yang dilengkapinya, terutama kemampuan pemrograman harus dimaksimalkan dan terbuka, seperti membiarkannya belajar pergi ke Github untuk menemukan repositori untuk mengkloning dan memodifikasi kode untuk memecahkan masalah, sehingga dapat bekerja seperti manusia. Oleh karena itu, untuk melakukan pekerjaan dengan baik sebagai agen, Anda harus terlebih dahulu mengklarifikasi skenarionya. Intinya, otomatisasi memecahkan masalah "kepastian", sedangkan kecerdasan memecahkan masalah "ketidakpastian".