“机器人流程自动化”这顶帽子，让不少人把企业Agent当成RPA的下一代。这可能是企业AI落地里最贵的误解：RPA按写死的剧本重复执行，Agent拿着目标临场决策，两者是两种物种。
01 先定义：一个照本宣科，一个临场发挥
RPA做的事很朴素：把一套提前写死的步骤反复跑——搬数据、核对字段、生成报表、往系统填数。每一步都由人提前定好：读哪个字段、点哪个按钮、调哪个接口，遇到没覆盖的情况就停下等人。
Agent工作流只拿一个目标和边界：用AI推理解读当前情况，决定下一步做什么；做完评估结果，再决定继续、重试、停下还是升级给人。
五个维度摆一起，差异很清楚：
- 执行逻辑上，一个按步骤执行、一个围绕目标推理；
- 数据上，一个只认结构化输入、一个能解释非结构化信息；
- 适应性上，一个遇异常就停、一个会另找路径；
- 集成上，一个用写死的接口、一个运行时挑工具；
- 失败了，一个响亮报错、一个可能带着貌似合理的错误继续跑。
结论：差别不在“笨与聪明”，而在歧义由谁、何时解决——RPA交给设计者提前解决，Agent在运行时解决，超权就升级给人。
五个维度的差异、决策循环和迁移六步，一张图看全：
02 RPA的短板：不是不够聪明，是扛不住变化
RPA认东西靠选择器——字段ID、名字、坐标、界面截图。它不理解“发票总额”在业务里意味着什么，只认指令指向的标签。字段一改名、界面一改版、输入一意外，机器人就趴窝，等人改逻辑、测一遍、重新上线。
这种脆性变成持续维护税：每花1美元在RPA软件上，企业还要额外付约3美元的服务费。机器人铺得越多，维护、升级、治理的活儿堆得越高。
结论：RPA适合稳定高量的重复任务，扛不住规则之外的变化。
03 Agent真正改的：决策从设计时挪到运行时
Agent的核心是五步决策循环：解释目标，把“处理这笔账单纠纷”翻译成产出、约束和成功标准；收集上下文，调出案例、记录、政策、权限；规划下一步，新信息出现就修订；选择并使用工具，在受批的API和应用里行动；评估结果，决定继续、重试、停止还是升级。
这五步把决策从设计时搬到了运行时：RPA的路线开发时就画死，Agent每次运行都能按上下文在受批动作里选。灵活性不只来自模型，还需要提示词、状态、受批工具、权限、重试规则、评估规则和升级控制，合起来构成管住Agent的“运行框架”。
结论：Agent把判断权下放到运行时，前提是有一整套框架管住它。
04 风险变了：坏消息是安静的
RPA失败是有告警的：选择器失效、规则不匹配，它停下，抛出看得见的错误，等人处理。Agent失败是“安静”的：模型拿到不完整的证据，照样能挑出一个看似合理的动作；控制层没发现前提或结果有问题，流程就带着貌似正确的错误继续跑。
这正是风险的分水岭。Agent的可靠性不来自模型本身，而来自可信上下文、清晰权限边界、可追溯的决策记录，加上人在环监督——高影响动作和异常必须有人过目。
结论：Agent的失败不是更少，而是更难发现，治理必须前置。
05 可靠的前提：四层上下文
RPA不需要理解业务背景，因为人已经把它翻译进了规则。Agent在运行时做决策，得知道数据是什么意思、是否新鲜可信、适用哪些政策、有没有权限动手。
这需要四层上下文：
- 语义上下文：业务术语、指标、实体、关系的一致定义；
- 运营上下文：数据新鲜度、质量、血缘、系统当前状态；
- 政策上下文：访问规则、审批要求、用途限制、升级条件；
- 历史与溯源上下文：过往决策、更正、源记录、版本，以及当时能看到什么。
MCP只解决“连得上”，解决不了“哪个是权威来源、数据可不可信、Agent被允许做什么”。这些要把上下文当企业基础设施来建：共享定义、统一治理、按需取用，而不是每个场景重搭一套。
结论：没有可信上下文，Agent的适应性就会变成新的风险源。
06 怎么迁移：不是拆了重装，是一步步交权
别拿Agent一个坑一个萝卜地替换RPA。先把“需要判断”和“已经跑得稳”的分开。
受控迁移：
- 梳理现有流程：记录触发、输入、规则、系统、负责人、异常、输出和审计证据。
- 区分重复与判断：规则明确的步骤留在RPA、API或普通代码，只挑真正需要运行时解读的决策。
- 定义上下文契约：明确每个决策需要的权威来源、业务定义、新鲜度、政策、权限和溯源。
- 设定委托与行动边界：哪些归Agent、哪些留给RPA或人，哪些动作可执行、哪些必须人在环审批。
- 并排测试：Agent先以只读或建议模式跑，跟现有结果对比，专测脏数据、冲突记录、工具故障和意外输入。
选择性扩权：只在测试证明有价值处授予窄权限，保留人在环与回滚路径。
结论：迁移不是技术替换，是权力移交，节奏由测试结果说了算。
07 什么场景还该用RPA：共存，不是淘汰
RPA占优的场景特征明确：系统稳定、规则清晰、交易量高、异常可预测、审计要求严格、几乎不需要判断。典型例子：跨系统数据同步、按固定规则对账、生成固定格式报表、在决策都做完后处理交易。
更好的做法是混合：Agent解读非结构化请求、消解歧义、选定受批流程，再把有界交易交给RPA执行，跑完返回结构化结果。稳定步骤保持确定，推理只花在判断有价值的环节。
结论：RPA和Agent不是对手，是搭档——一个管确定性，一个管判断。
写在最后
现在太多人把“上Agent”当成进步仪式：成熟的RPA明明跑得好好的，偏要拆下来，换上一个还在试错期的Agent，理由是“AI原生”。能不能扛住同样的量、同样的审计，先不验证，先把“已经智能化”的标签贴上。
演示时Agent是明星，出问题时悄悄换回RPA，汇报里绝口不提。模型不行就换模型，提示词不行就改提示词，折腾一轮又一轮，流程本身却没人动过。被嫌弃“不够新”的RPA，恰恰是最后兜底的那个。
硬用不成熟Agent替代成熟RPA，换来的不是智能化，而是更贵、更不可控的仪式感——这叫自欺，不叫AI原生。
