Skoro już wiesz, co będzie robił Twój agent i gdzie będzie działał, czas zadać sobie ważne pytanie.
Czy ten problem rzeczywiście wymaga agenta?
Nie każdy projekt potrzebuje agenta; nawet nie każda automatyzacja go wymaga. Czasem prosty workflow, skrypt lub proces oparty na regułach sprawdzi się lepiej. Zrozumienie tej różnicy pozwala zaoszczędzić czas, pieniądze i uniknąć nieporozumień w przyszłości.
Agent AI potrafi więcej niż tylko wykonywać polecenia. Czyta, pisze i mówi w języku naturalnym. Rozpoznaje intencje, wykorzystuje wiedzę i podejmuje decyzje w niepewnych sytuacjach. Ta elastyczność daje mu siłę, ale też wprowadza złożoność. Każde wywołanie LLM to koszt tokenów, czasu i ryzyka. Dlatego warto korzystać z agenta tylko wtedy, gdy zadanie naprawdę wymaga rozumowania lub zrozumienia języka.
Jeśli zadanie jest deterministyczne (czyli ma jeden przewidywalny input i jeden przewidywalny output), workflow lub narzędzie do automatyzacji zwykle sprawdzi się lepiej. (mała podpowiedź: Botpress obsługuje oba te przypadki!)
Jeśli zadanie wymaga kontekstu, interpretacji lub rozmowy, agent AI będzie właściwym wyborem.
Zobaczmy, jak podchodzi do tego Terminal Roast.
Zespół Taryn określił swoje pierwsze zadanie: zbieranie opinii klientów na temat nowych smaków i przepisów kawy. Adrian, główny barista, proponuje dwa sposoby, w jakie agent mógłby to obsłużyć.
Pierwszy sposób to rozmowa. Agent pyta, dlaczego klient polubił lub nie polubił napoju i stara się zrozumieć jego motywację. To wymaga wyczucia, interpretacji i pamięci. To dobre zadanie dla agenta.
Drugi sposób to podejście programistyczne. Agent przedstawia prostą listę nowych przepisów i prosi klientów o odpowiedź „tak” lub „nie”. Taka interakcja nie wymaga rozumowania. To idealny przypadek do automatyzacji.
Oddzielając te dwa przepływy, zespół usprawnia system. Używają agenta tam, gdzie liczy się zrozumienie języka, a workflow tam, gdzie wystarczy logika.
Wiele zespołów zaciera tę granicę. Próbują zbudować agenta, który robi wszystko: odpowiada na pytania, pobiera dane, aktualizuje rekordy i obsługuje transakcje. Ale każda dodatkowa funkcja zwiększa koszty, opóźnienia i nakład pracy na utrzymanie. Lepszym podejściem jest połączenie agentów i workflow.
Używaj workflow do zapewnienia struktury i niezawodności. Używaj agentów do inteligencji i elastyczności.
Traktuj agenta jako „pierwszą linię” kontaktu, która rozumie użytkowników, a następnie przekazuje uporządkowane działania do systemów automatyzacji, które wykonują je precyzyjnie. Gdy oba te systemy są jasno zdefiniowane, całość jest bardziej stabilna, skalowalna i przejrzysta.
Oto szybki test.
Zadaj sobie pytanie: czy to zadanie wymaga zrozumienia języka naturalnego, czy wystarczy prosty zestaw reguł? Jeśli wymaga zrozumienia — na przykład rozpoznania intencji, radzenia sobie z niejasnościami lub odwołania do wiedzy — potrzebny jest agent. Jeśli nie, zbuduj to jako workflow.
Zawsze możesz później dodać agenta, gdy będziesz mieć już jasną logikę i dane. Znacznie łatwiej rozbudować działający workflow o inteligencję niż debugować zbyt skomplikowanego agenta.
Podejście Terminal Roast (oddzielenie zadań konwersacyjnych od programistycznych) to dobry wzór. Dzięki temu powstaje prostszy system, w którym każda część robi dokładnie to, do czego jest najlepiej przystosowana.
Jasność na tym etapie procentuje później łatwiejszym utrzymaniem, niższymi kosztami i lepszą wydajnością.
Działanie: Przejrzyj zadania planowanego agenta i określ, które z nich wymagają prawdziwego zrozumienia języka.
Pozostaw pod kontrolą agenta tylko te zadania, a resztę zaplanuj do automatyzacji przez standardowe workflow.
