AI 问答库
一句话回答
核心区别是：RPA 执行你写死的流程，AI Agent 自己决定下一步做什么。流程固定、界面稳定、要求每次结果完全可复现的任务（对账、批量填表、定时导数据）用 RPA 更稳也更便宜；输入是非结构化的自然语言、每次处理路径都不一样的任务（工单分诊、合同抽取、跨系统排障）才需要 Agent。多数企业最终是混用：Agent 负责判断，RPA 或 API 负责执行。
RPA 本质是「界面层的脚本」：它按坐标、控件、字段位置操作已有软件，不理解自己在做什么。所以它在稳定环境里近乎百分百可复现，在环境变化时会直接断掉。AI Agent 本质是「会调用工具的推理循环」：它读懂目标，自己规划步骤、选工具、看结果、决定要不要重试。所以它能处理没见过的输入，代价是同一个输入两次运行结果可能不完全一致，必须靠评测和约束来管理。
| 对比维度 | RPA | AI Agent | 混合做法 |
|---|---|---|---|
| 输入形态 | 结构化字段、固定表格 | 自然语言、邮件、图片、混排文档 | Agent 先把非结构化输入转成字段再交给 RPA |
| 流程确定性 | 路径写死，每次一样 | 每次自行规划，路径可能不同 | 决策交 Agent，动作用确定性脚本执行 |
| 异常处理 | 遇到未预设情况直接失败 | 可尝试变通，但可能做错 | RPA 抛异常时转 Agent 或转人工 |
| 维护触发点 | 目标系统界面/字段一改就要重录 | 模型换代、prompt 与工具定义变更 | 接口层收敛到 API，减少界面依赖 |
| 结果可审计性 | 强，日志即完整步骤 | 需额外记录推理轨迹与工具调用 | 统一落一份执行日志，人工抽检 |
| 典型适用任务 | 对账、批量填单、定时导表 | 工单分诊、合同抽取、跨系统排障 | 「读懂 + 执行」两段式流程 |
一个常见的浪费是：把本来一段脚本就能搞定的定时导数据、字段搬运做成 Agent，结果既贵又不稳定。判断方法很直接 —— 如果你能把这个任务完整画成一张流程图，且每个分支的条件都能写成明确规则，那它就不需要模型参与决策。反过来，如果流程图里出现「视情况而定」「看内容判断」这类节点，那正是 Agent 的位置。也有中间态：流程主体确定，只有其中一两个判断点是模糊的，这时最省的做法是保留原有自动化，只在那一两个点上调一次模型。
一是权限边界：Agent 能调哪些工具、能不能写数据库、能不能发外部邮件，要在工具定义层就限制死，不要靠 prompt 里写「请不要」。二是失败兜底：判断不了的时候要有明确的降级路径 —— 转人工、转原有流程、还是直接报错，必须是设计好的，不能让它自己硬猜。三是评测集：准备一批带标准答案的真实历史任务，每次改 prompt 或换模型都跑一遍，否则你无法判断改动是变好还是变坏。工业场景里代码生成类智能体（如把工艺逻辑转成 PLC 代码）尤其要注意第三条，输出必须经工程师复核后才允许下装。
适用边界
同义问法