答案摘要：固定自动化适合规则稳定、输入结构明确、结果需要一致复现的步骤；工作流智能体适合处理自然语言、非结构化资料和需要语义判断的任务。聚匠科技通常按节点拆分流程：AI 负责识别、检索和草稿，规则负责校验，人工确认高风险决定，业务接口只执行已授权动作。
先按任务节点选，不要给整条流程贴标签
同一条售后、采购或审批流程里，通常同时存在语义判断和确定性动作。邮件诉求分类可以交给 AI，售后时限判断应由规则计算，退款金额要读取订单与支付状态，对外发送和资金动作还要经过人工确认。若直接把整条流程定义为“智能体流程”或“固定自动化”，容易把模型判断带入本应一致的业务状态。
选型前可先画一张节点表，逐项记录输入来源、输出字段、允许误差、是否产生业务副作用、失败后能否撤回、由谁承担责任。只有输入和输出被写清，团队才能判断某一步适合模型、规则、人工还是三者组合。
六个问题形成节点级选择记录
- 输入是否结构化：固定字段、枚举和完整表单更适合规则；邮件、文档、图片和聊天内容可先由 AI 提取。
- 结果是否只有一个：库存、金额、权限与状态迁移应由确定性逻辑处理；摘要、分类和建议可允许人工修订。
- 动作是否可撤回：草稿和待办较容易恢复，付款、删除、改价和对外发送需要更严格的确认。
- 异常是否可枚举：异常类型少且规则稳定时优先固定流程；异常表达多但仍有清晰边界时，可引入 AI 辅助识别。
- 证据是否可复核：AI 节点要保留输入、引用资料、模型输出和人工修改，不能只留下“已完成”。
- 责任是否明确：每个节点都要写明业务负责人、系统账号、人工接管人和故障处置入口。
常见组合是 AI、规则、人工和接口四层
| 任务节点 | 执行方式 | 放行证据 |
|---|---|---|
| 识别邮件诉求与订单号 | AI 提取 | 原文、提取字段和待确认标记 |
| 判断售后时限与用户权限 | 固定规则 | 规则版本、输入值和计算结果 |
| 生成回复或处理建议 | AI + 人工 | 引用资料、修改痕迹和确认人 |
| 创建工单或回写状态 | 受控接口 | 幂等键、接口回执和业务单号 |
| 退款、改价或删除数据 | 审批 + 接口 | 审批记录、权限校验和结果回查 |
这种分层也适用于部署选择。调用云模型 API、采用混合私有化或使用全本地推理，改变的是模型服务和数据边界，不改变业务接口的权限校验、幂等、审计与人工确认要求。知识库、提示词、日志和业务数据放在哪里，应在流程图之外另列数据边界清单。
PoC 要验证接管、停机和规则变化
- 取一组真实脱敏样本，同时跑人工原流程和新流程，记录字段提取差异、人工修改量与失败类型。
- 故意制造缺字段、重复消息、接口超时和权限失效，检查任务是否停在正确节点，而不是带错继续执行。
- 在 AI 节点关闭时切回人工或固定流程，核对在途任务、业务单号和通知不会丢失或重复。
- 修改一条业务规则并发布新版本，验证旧任务沿用旧版本，新任务按新版本执行，日志能够区分。
- 抽查高风险动作是否经过授权账号和人工确认，并能从接口回执回查业务系统中的真实状态。
试运行期间要预先设定停止条件，例如关键字段连续提取错误、接口重复写入、审批绕过或人工接管队列积压。达到条件时暂停对应 AI 节点，保留原流程承接业务，再定位资料、权限、规则或接口问题。判断是否扩大使用范围，应依据固定样本复验和业务状态，而不是只看演示是否顺畅。
这些流程先保留固定规则或人工
规则每天变化、责任人不明确、数据来源未经治理、异常发生后难以撤回，或业务系统没有可审计接口时，不适合直接让智能体自主执行。可以先在工作流智能体中承担资料整理、分类和草稿，再结合影子运行与分级放权、审批和超时升级、工具权限与幂等逐步建立控制点；涉及多个系统时可参考多系统协同 AI。
说明：本文为通用选型与验收方法，具体节点、权限、数据边界和交付范围应结合企业现有制度、系统接口与双方确认的需求文档确定。
