为小企业部署AI代理最难的部分不是代理本身，而是选择任务

我为小企业构建收件箱和线索自动化，反复遇到的一个模式是：杀死项目的几乎从来不是代理本身，而是任务选择。最常见的失败是：有人为一个每月只发生两次的任务构建了一个令人印象深刻的代理，而那个每周耗费六小时的任务却从未被触碰。演示很漂亮，但什么也没改变。现在我在编写第一个节点之前会先问四个问题：1) 任务量×分钟，而不是"它有多烦人。"按（每周次数）×（每次分钟数）对所有重复性任务进行排序。人们往往按烦人程度排序，而烦人程度与实际损失的时间相关性很差。列表顶部的任务很少是他们最初要求我构建的那个。2) 输入的结构是否足以可靠地分类？入站邮件之所以有效，是因为意图落入少数几个类别：价格询问、预订请求、投诉、垃圾邮件。而"处理我的 Slack"则不行，因为类别是无限的。如果我不能把类别写在纸上，模型就会在运行时自行发明。3) 一次错误实际上会造成什么成本？这个问题决定架构，而不是模型选择。如果糟糕的输出意味着一条有点尴尬的内部笔记，那么自动执行是可以的。如果意味着客户收到书面错误价格，那么代理应起草并由人工批准。对于任何面向客户的内容，我坚持只进行草稿，并且我构建工作流时根本不调用发送端点，而不是通过开关来控制，因为开关是一个你可以在晚上11点翻转然后后悔的东西。4) 手动版本是否已经存在？如果今天没有人手动执行该任务，那么自动化通常意味着自动化一个未经验证的流程。这些构建往往会在一个月后悄然被关闭。令人不安的是，问题1和3往往会排除那些令人兴奋的构建。最高ROI的东西通常是一个无聊的分类器加上一个草稿步骤，而不是一个自主代理。我好奇大家具体对第3点的看法。有没有人实现了面向客户回复的全自动发送，并且稳定运行了几个月？我一直坚持只做草稿，而且我真的无法判断这是合理的谨慎，还是仅仅因为我保守，因为一次糟糕的发送比一百次好的发送更令人难忘。