先问三件事再做 Agent：阿里云用分叉、读取和能否撤回定层级

该不该把一条已经能跑的流程改成 Agent，阿里云社区在 2026 年 10 月 7 日给出一套三问，而不是先选模型。作者 Johnny Mai 把 Agent 定义成由模型决定下一步：调哪个工具、读什么、何时结束。Workflow 是人预先定好步骤，模型只填其中几步，例如抽字段或起草回复。Script 则完全没有模型。Fork, Read, Undo test 就是用分叉、读取和可否撤销这三问，把流程分成脚本、带模型调用的工作流或 Agent。

1. 先写三条真实案例

文章引用 Gartner 2026 年 CIO 与技术高管调查（转引自 Hype Cycle for Agentic AI, 2026）：只有 17% 的组织已经部署 AI Agent，超过 60% 预计两年内部署。手里通常有两类需求：一类是把已经能跑的流程「Agent 化」，另一类是规则跟不上的例外。前者会按 Agent 的价格买脚本的活，后者放着不管，例外队列会继续涨。

判断从工作出发，不从 Agent 出发。先写完一条真实案例，再写第二条走得不一样的，再写第三条。三遍步骤相同，就不是 Agent 问题。每次分叉都不同，才继续往下看。

2. Fork、Read、Undo 各打 0 到 2 分

Fork 问下一步是否取决于上一步发现了什么。步骤从不变化是 0。只有几条能画成流程图的已知分支是 1。分支很多、不可预测，或必须读到一半才能决定，是 2。画得出来的流程图是工作流；一直在长的流程图才是 Agent 候选。

Read 问决定性输入是不是非结构化。决策全靠结构化字段是 0。有些输入是自由文本、但决定仍落在字段上是 1。决定取决于读文档、邮件、屏幕或对话是 2。用规则去解析散文，会又脆又贵。

Undo 问错一步能不能在造成损失前抓住并撤回。错一步不可逆或有害，例如钱已划走、数据已删、对客户说了具有约束力的话，是 0。错误可逆但要费力是 1。错误很便宜就能抓住，例如发送前有人审草稿，或只读不写，是 2。

Fork 加 Read 说明 Agent 有没有用；Undo 说明能不能让它自己决定。Fork 加 Read 达到 3 分及以上，并且 Undo 至少 1 分，才是 Agent 候选。Undo 为 0 是硬停止：先把高风险动作改成人工或固定规则，再重新打分。

3. 四层梯子，失败的案例才允许往上爬

测试给出的不是是否，而是停在哪一层：脚本；带 1 到 3 次模型调用的工作流；常常 5 次及以上调用的单 Agent；多 Agent。

两条习惯用来防止跳级。第一，每一层都要赚到：先做工作流版本，只有能指出它失败的案例，才升到 Agent。第二，工具描述清楚的单 Agent 往往够用。拆成多个 Agent，是因为一个提示装了太多不相关的工具或指令，不是因为多 Agent 听起来更先进。

文中给五类常见运营流程打了分，并注明各团队分数会不同，方法可以照用。配图把密码重置标成脚本，发票抽取标成工作流，邮件分拣和退款争议标成单 Agent，供应商付款标成不是 Agent。正文进一步说明：发票抽取要读非结构化文档，但步骤不变，一次模型调用的工作流就够。退款争议每次都分叉，还要读聊天记录和政策文本，这是 Agent 的范围；Undo 只有 1 分，所以 Agent 负责调查和建议，钱由人批。供应商付款直接过不了这道门。这五类都不需要多 Agent。只有当争议 Agent 还要同时做欺诈检查、物流查询和政策解释，工具集大到一个提示装不下，才考虑第三层以上。

不可逆动作留在人或规则上。

4. 用「每解决一件事的成本」算回本

Agent 更贵，是因为轮次更多，而且每一轮都要重读不断变长的上下文。值不值，看它拿掉了什么人工。退款争议的例子写明是示意假设。

每月 2 万件争议。价格用阿里云百炼（Model Studio）新加坡列表价，2026 年 10 月 5 日查阅，按每百万 token：qwen3.8-max 输入 2.00 美元、输出 6.00 美元；qwen3.8-flash 输入 0.15 美元、输出 0.47 美元。qwen3.8-max 和 qwen3.8-flash 是通义千问系列里一档偏强、一档偏便宜的模型。

固定工作流：每件争议一次 qwen3.8-flash，用来分类和路由，3000 输入 token、500 输出 token。3000 × 0.15 / 100 万 = 0.00045 美元，500 × 0.47 / 100 万 = 0.000235 美元，合计每任务 0.000685 美元。

全部用 qwen3.8-max 的 Agent：6 轮，平均每轮 12000 输入 token（要读订单、聊天和政策，上下文会涨）和 800 输出 token。输入 6 × 12000 = 72000，× 2.00 / 100 万 = 0.144 美元；输出 6 × 800 = 4800，× 6.00 / 100 万 = 0.0288 美元。每任务 0.1728 美元，大约是工作流的 252 倍。

路由后的 Agent：5 轮 flash、1 轮判断用 max。flash 为 60000 × 0.15 / 100 万 = 0.009 美元，加上 4000 × 0.47 / 100 万 = 0.00188 美元；max 为 12000 × 2.00 / 100 万 = 0.024 美元，加上 800 × 6.00 / 100 万 = 0.0048 美元。每任务 0.03968 美元。

只看模型费用，Agent 显得离谱。再把它要拿掉的人工算进去。假设人调查一件争议的全成本是 4 美元（文中要求换成自己的数）。工作流把 30% 升级给人，Agent 因为真的读了案子，升级率降到 12%。在这些假设下，路由 Agent 每月 10393.60 美元，固定工作流每月 24013.70 美元。

全 max 的 Agent 比工作流每月多花 3456.00 − 13.70 = 3442.30 美元。每拿掉 1 个百分点的升级，节省 20000 × 1% × 4 = 800 美元。所以全 max 至少要拿掉 4.3 个百分点（3442.30 / 800）才回本。路由 Agent 大约只要 1 个百分点：（793.60 − 13.70）/ 800 = 0.97。试点如果不能在一份有评分的真实争议集上展示这个降幅，工作流胜出。

作者把这个口径叫 cost per resolved task：模型成本，加上系统没解决、仍要人处理的成本，再除以任务数。按 token 的价格只说明一次调用多少钱；每解决一件事的成本才决定建不建。

5. 第一次上线前的六道最低护栏

Agent 会行动，护栏要先于上线。文中引用 Deloitte《State of AI in the Enterprise》（2026 年 4 月）：只有 21% 的组织报告自己对 AI Agent 有成熟治理。BCG Applied AI Index 2026（2026 年 9 月）：只有 5% 的公司具备 Agentic AI 的全套控制。作者认为下面六条缺一就不该发：

1. 输入和输出检查。提示和回复都要筛不安全或违反策略的内容。百炼的 Guardrails 按 token 计费。
2. 按风险分工具权限。读工具放开；写工具收范围；不可逆工具（付款、删除、具有约束力的承诺）要人批。这就是写进代码的 Undo。
3. 轮次和花费上限。每个任务硬性限制轮次和 token，循环时停下来并升级，而不是把账单跑上去。
4. 全量追踪。每次模型调用、工具调用和决定都按任务记下，复查的人能回放。
5. 有评分的评测集。至少 50 条真实案例，带可接受结果，每次改提示或换模型都重跑。百炼 Model Evaluation 支持裁判模型、规则和人工打分。
6. 人工交接。低置信，以及客户要求升级的案子，要有带着上下文的固定路径。

护栏不是额外税。它提高 Undo 分数，从而决定你允许多少自主决定。

6. 什么时候明确不建

测试最有用的输出经常是「不」。步骤从不变化，Fork 为 0，就做工作流或脚本，更便宜、更快、更好审计。决定性输入已经结构化，Read 为 0 或 1 且规则稳定，规则引擎不时髦，但是确定的。错误无法撤销、又加不进人，Undo 为 0 且没有改造方案，就停。量不到解决率，没有评测集和升级基线，就算不出每解决一件事的成本，预算会上也说不清。公司内部没有人能维护，也不该建。Gartner 在 2026 年 9 月 29 日的新闻稿里预测，到 2028 年，70% 的企业会放弃由厂商前线工程团队搭建的 Agentic AI，原因是成本上升，以及组织自己改不了这些系统。团队如果不能在没有厂商的情况下修改提示、工具和评测集，就还不拥有这个 Agent。

一周内可以做完的步骤是：挑三条候选流程，其中一条是团队兴奋的，一条是被例外淹没的；每条写三个真实案例，和流程负责人一起打 Fork、Read、Undo；定层级；用自己的量、升级率和人工成本算回本；在建 Agent 之前先做评测集，50 条真实案例加可接受结果。顺序是先打分，再定价，最后才建。

阿里云，Johnny Mai，Should This Workflow Be an Agent? A Three-Question Test Before You Build，2026-10-07，https://www.alibabacloud.com/blog/should-this-workflow-be-an-agent-a-three-question-test-before-you-build_603614