假設一家做 CNC 精密加工的公司，業務助理每天早上的工作是這樣：打開詢價信箱，下載客戶附的圖面，在 Excel 登記一筆，進舊的 ERP 畫面查材料庫存，再看圖面資訊齊不齊，缺公差就寫信追問，齊了就轉給對應的工程師估價。
老闆聽說 AI agent 很紅，想「上一個 agent」把這件事全包。把流程拆開來看，情況其實不一樣：登記 Excel 的規則是固定的，一般的自動化流程就能做；ERP 沒有 API，只能點畫面，這是 RPA 的老本行；客戶打電話來問「你們接不接鋁件」，一個接上常見問答的聊天機器人就答得了。真正需要判斷的只有一段：讀圖面、看缺什麼、決定要追問什麼、該轉給誰。
先找出任務裡哪一段需要判斷，再決定用哪一種工具。把整條流程都做成 agent，通常只是把原本穩定的步驟變得比較貴、比較難預測。
你可以用餐廳來想。點餐平板回答「今天有什麼」；廚房照食譜一步一步出菜；新來的工讀生照著操作手冊按收銀機；外場經理則看現場狀況決定先帶哪桌、哪道菜要催。四個角色都有用，只有經理需要臨場判斷。
四種工具各自在做什麼
先把名詞對齊，因為廠商常把這幾個詞混著用。
聊天機器人負責對話。Google Cloud 把 bot 描述為依預先定義的規則運作、被觸發才回應；AI 助理（assistant）能理解自然語言並建議動作，但決定由使用者做。OpenAI 在建置 agent 的指南裡也寫明，只是整合了大型語言模型、卻不由模型控制流程執行的應用，例如單純的聊天機器人，不算 agent。
自動化流程是事先畫好的路徑：某個事件觸發，接著照順序執行步驟。n8n、Zapier 都屬於這類。Anthropic 對 workflow 的定義是「模型和工具透過預先定義的程式路徑串起來」，所以流程裡某一步呼叫 AI 摘要信件，它仍然是流程，路徑沒有改變。
RPA（機器人流程自動化）模擬人在電腦上的操作。Microsoft 說明 Power Automate 的桌面流程是為規則式任務設計的，可以透過畫面元素、影像或座標操作舊系統、網頁、Excel 和資料夾。它的價值在於那些沒有 API、只能用畫面操作的系統。
AI agent 則由模型主導過程。Anthropic 的定義是模型動態決定自己的步驟和工具使用；OpenAI 說 agent 能判斷工作何時完成、必要時修正自己的動作，失敗時停下來把控制權交回使用者；Google Cloud 則強調它為了達成目標會推理、規劃，並有一定程度的自主性。
| 類型 | 誰決定下一步 | 擅長 | 常見限制 | 詢價流程裡的位置 |
|---|---|---|---|---|
| 聊天機器人 | 使用者提問，系統回應 | 回答常見問題、查資料 | 只回答，不辦事 | 回覆「接不接鋁件」 |
| 自動化流程（n8n、Zapier） | 事先寫好的路徑 | 規則清楚、量大的串接 | 例外一多，規則越寫越長 | 收信後登記 Excel |
| RPA | 事先錄好的操作步驟 | 沒有 API 的舊系統 | 畫面改版就可能失效 | 進舊 ERP 查庫存 |
| AI agent | 模型依每一步的結果決定 | 讀非結構化文件、處理例外 | 成本與時間較高，需要驗收與權限設計 | 判斷圖面缺什麼、起草追問 |
差別在「誰決定下一步」
四種工具的分水嶺很單純：下一步是寫死的，還是執行時才決定的。
回到詢價信。假設一封信的圖面沒標公差，材質寫的是一個少見的牌號。自動化流程能做的是照規則走：「缺欄位就寄固定範本」。它不知道這張圖其實是治具，公差可以用一般等級，也不知道那個牌號該轉給哪位熟悉的工程師。agent 可以讀圖面、比對過去的案件、判斷缺的是哪一項，寫一封針對這張圖的追問，並建議轉給誰。
Anthropic 描述 agent 的運作方式是：拿到任務後自己規劃、執行，每一步都要從環境取得實際結果（例如工具回傳的資料）來判斷進度，遇到卡關或到了檢查點時停下來等人回應。agent 的能力和風險都來自同一件事：下一步由它自己決定。這個「自己決定」的程度可以分級，常被稱為 Agentic AI。
規則越寫越長，是換工具的訊號
流程也能處理例外，只是每多一種例外就要多一條規則。假設客服信的分類規則從 10 條長到 60 條，每次新增一種客訴類型都要找工程師改，改完還常常誤判舊的類型。OpenAI 把這種「規則多到難以維護」的系統列為值得考慮 agent 的情況之一。反過來說，規則一直只有那幾條、很少變動，就沒有換的理由。
所以「流程裡加了 AI」和「agent」是兩回事。Microsoft 的 Copilot Studio 就把兩者放在同一個平台裡，讓固定流程在某一步呼叫 agent 處理需要判斷的部分。這種組合，往往比整條都交給 agent 更好管。
音樂盒被轉動才回應，打孔紙捲照事先打好的孔演奏，指南針配地圖則要自己決定路線，分別對應聊天機器人、腳本式自動化與 agent。
官方文件怎麼建議
三家寫 agent 的文件，第一個建議都很保守。
Anthropic 建議先找最簡單的解法，需要時才增加複雜度，「這可能代表根本不需要建 agent」。它的理由是 agent 通常用延遲和成本換取表現；規則清楚的任務，固定流程提供的可預測性和一致性比較好。
OpenAI 的指南列了三種值得考慮 agent 的情況：需要細緻判斷與例外處理的決策（例如客服的退款核准）、規則多到難以維護的系統（例如供應商資安審查）、大量依賴非結構化資料的工作（例如理解文件或和使用者對話）。它也說，如果用例不符合這些條件，確定性的做法可能就夠了。
套回詢價流程：讀圖面判斷缺什麼，同時符合「需要判斷」與「非結構化資料」兩項；登記 Excel、查庫存一項都不符合。這個對照本身就是一份很好的需求說明，拿去跟任何廠商談，都能讓對方直接看懂你要 agent 做的是哪一段、其他段落打算怎麼處理。
Google Cloud 則列出 agent 較難處理的情境：需要深度同理與複雜人際互動的工作、道德風險高的決定，以及開發和執行成本對小型專案來說偏高的狀況。
三家說法一致：規則寫得清楚的先用流程，需要判斷的那一段才用 agent。
用四個問題判斷該用哪一種
拿你手上的流程，一段一段問下面四個問題。
- 下一步能不能事先寫成規則？能的話，先用自動化流程。詢價信進來就登記 Excel、寄確認信，這種工作不需要判斷。
- 要操作的系統有沒有 API？沒有、只能點畫面，就是 RPA 的範圍。OpenAI 也提到，agent 碰到沒有 API 的舊系統時，可以用操作電腦畫面的模型，但那通常比 RPA 慢，也比較難預測。
- 使用者要的是答案，還是要事情被辦完？只要答案，聊天機器人或知識問答就夠；要替他完成一連串動作，才進到流程或 agent 的討論。
- 這一段例外多、規則難維護、資料是自由格式的文字嗎？三個都是，就是 agent 的候選。
以開頭的詢價流程來說，組合起來大概是這樣：
| 步驟 | 用哪一種 | 理由 | 出錯時怎麼發現 |
|---|---|---|---|
| 收信、存圖面、登記 Excel | 自動化流程 | 規則固定、每天量大 | 登記筆數和信件數對不上 |
| 進舊 ERP 查材料庫存 | RPA | ERP 沒有 API，只能點畫面 | 畫面改版時流程報錯 |
| 讀圖面、判斷缺什麼、起草追問 | AI agent | 圖面格式不一、例外多 | 業務助理審稿時退回的比例 |
| 確認追問內容並寄出 | 人 | 對外承諾交期與報價 | — |
每一種工具負責自己最擅長的那一段，出問題時也比較容易知道是哪裡壞了。
流程工具怎麼選，可以看 n8n vs. Zapier 怎麼選。如果你的需求只是讓 AI 每次都照同一套步驟處理不同資料，把說明固定成 Claude Skill 這類可重複使用的指令，可能比做一個 agent 更省事。
要挑第一個交給 agent 的流程，接著看哪些企業流程適合先交給 AI agent。
agent 不適合的情況
有幾種情況，我會建議先不要用 agent。
- 每次結果都必須一模一樣的工作：例如發票欄位對帳、固定格式的報表。流程比較便宜，也比較好稽核。
- 沒有人說得出「做對長什麼樣」的工作：驗收標準寫不出來，就沒辦法判斷 agent 做得好不好。驗收怎麼設計，可以看 AI agent 專案怎麼驗收。
- 一次出錯代價很高、又沒有人工確認點的動作：例如直接付款、取消訂單。Anthropic 提醒 agent 的錯誤可能累積，OpenAI 也建議高風險動作先交由人確認。權限怎麼分級，看 AI agent 的權限與人工確認怎麼設。
- 量很小、又沒有例外的工作：一週三筆、每筆五分鐘，做 agent 的時間可能比省下的還多。
這些判斷會隨時間改變。流程穩定下來、驗收標準寫得出來、權限也設計好之後，原本不適合的工作可能就適合了，到時候再回頭評估一次，順便檢查當初的規則是不是已經長到難以維護。
從哪裡開始
如果你已經確定某一段需要 agent，接下來有三件事要決定：先挑哪個流程、資料要準備到什麼程度，以及由誰來做。第一件看挑第一個流程的四個條件，第二件看知識庫要整理到什麼程度，第三件看自建、平台或委外怎麼選。
另外，如果你想知道的是反過來的問題：客戶的 agent 來你的網站詢價時會不會卡住，那是 AI agent 來網站辦事會卡在哪處理的範圍。
需要有人一起拆流程
拆流程這件事，最難的通常是把現場的實際做法講清楚，工具反而是後面的事。例如業務助理說「看圖面齊不齊」，實際上可能包含七八個連做的人都沒意識到的檢查點，要在旁邊看實際操作幾次才寫得出來。我們的企業 AI 營運方案從需求診斷開始，由前線工程團隊到現場梳理作業細節、定好交付與驗收標準，再做系統串接、在真實業務中驗證後上線，之後持續維護；需要判斷的步驟會設計人工審核的關卡。
常見問題
ChatGPT 算是 AI agent 嗎？
一般對話時，它比較接近 AI 助理：你問、它答，決定由你做。ChatGPT 的 agent 模式則會自己操作瀏覽器完成任務，遇到購買這類有後果的動作會先徵求同意。同一個產品裡可以同時有兩種用法，重點是當下由誰決定下一步。
公司已經有 RPA，要全部換成 agent 嗎？
不用。跑得穩定的規則式任務留給 RPA，成本低也好稽核。常因例外卡住、需要人工介入判斷的那一段，才考慮在前後加一個 agent 步驟。
n8n 裡的 AI Agent 節點算 agent 嗎？
那個節點本身是 agent：n8n 的文件說明它接上聊天模型和工具後，會自己決定呼叫哪些工具完成任務。外層的 n8n 流程仍是固定路徑，所以整體是「固定流程裡有一個 agent 步驟」，這也是很常見、好管理的組合。
聊天機器人接上公司知識庫，就變成 agent 了嗎？
如果它只負責回答問題、不替使用者執行一連串動作，依 OpenAI 的定義還不算 agent。知識庫讓回答更準確，至於要準備到什麼程度，可以看企業知識庫要整理到什麼程度。
agent 會比自動化流程貴嗎？
通常每次執行的成本和時間都比較高。Anthropic 直接寫 agent 是用延遲和成本換取表現，而且上線後還要有驗收與監控。所以先把規則清楚的部分交給流程，只把需要判斷的部分交給 agent，整體成本比較好控制。
參考來源
以下依官方文件整理，功能與方案以官方頁面當下為準。