智能体与 RPA 的协同，关键不在于让两者相互替代，而在于把“动态判断”和“确定性执行”放在最适合的位置。规则明确、输入结构化、路径稳定的任务，仍应优先交给 RPA 或固定工作流；需要理解自然语言、识别意图、处理非结构化资料并动态选择步骤的环节，则更适合由智能体负责。
分工比叠加更重要
在协同架构中，智能体适合承担任务理解、信息检索、步骤规划和异常判断。例如，它可以先识别用户请求，检索制度或业务资料，判断需要调用哪些系统，再生成一份结构化执行计划。RPA 或工作流引擎则负责按照受控步骤登录系统、读取数据、录入字段、生成记录或触发既定流程。
这种分工能够避免一个常见误区：让模型直接拥有所有业务权限。模型可以提出计划，但关键动作应由具备参数校验、超时控制、重试、幂等和审计能力的执行层完成。涉及付款、合同变更、权限调整和客户权益的操作，还应设置人工确认、审批、回滚或补偿机制。
协同的核心不是“谁更智能”，而是任务边界是否清晰。企业需要明确哪些步骤由模型判断，哪些步骤由固定规则执行；工具调用失败后是重试、转人工还是终止；跨系统数据不一致时如何处理；任务状态如何保存，以避免重复执行。对于不可逆操作，宜先生成待确认指令，而不是直接执行。
用闭环指标验证协同价值
智能体与 RPA 上线后，不能只看最终答案是否通顺，还要观察完整执行链路。评估指标至少应覆盖任务成功率、工具调用成功率、人工接管率、任务中断率、回滚次数、端到端延迟、单任务成本和合规事件。若智能体频繁规划错误、RPA 反复重试，或人工审核成本抵消了自动化收益，协同方案就尚未形成规模化价值。
更稳妥的路径是从低风险、可复核的知识辅助或内容生产场景开始，再逐步扩展到跨系统执行。每次模型、知识库、业务规则或接口发生变化，都应将生产环境中的失败样本回流到评测集，形成持续改进机制。
真正成熟的架构，应能回答：智能体为何作出判断，RPA 执行了哪些动作，使用了哪些知识，谁批准了高风险操作，失败后能否恢复。只有当动态决策与确定性执行被权限、流程、监控和审计连接起来，智能体与 RPA 才能从功能叠加变成可控的业务闭环。