《FDE案例100》方法论特辑 · No.08｜人机分工：大模型、专业工具、人 的三角

三角：理解、计算、担责#

我把 24 个案例横着看了一遍，发现那些靠谱的方案，几乎都会把工作分成三份。

大模型负责理解、调度和文本处理。 它擅长从非结构化材料里提取信息，理解人用自然语言表达的复杂需求，把模糊的任务翻译成结构化的动作。

专业工具和算法负责事实和精确计算。 城市规划那个案例说得很直白：“既然有专业 GIS 工具能精准计算，就没有必要让大模型自己算。” 规划计算有明确规则，交给专业工具，结果才准、才可追溯。

人负责最终决策和担责。 法律案件里，AI 做大量信息处理、分析整理和重复性工作，专业系统承载案件上下文和知识流程，但最终判断、策略选择和专业责任，始终在律师手里。

用一句话概括这个三角：需要理解和匹配的，交给大模型；需要精确计算的，交给专业工具；需要责任和判断的，留给人。

让 AI 去调度工具，而不是自己硬算#

央企财务那个案例，把“调度”这件事做到了极致。

他们的流程被拆成：业务信息获取 → AI 判断 → AI 监督 → 风险识别 → RPA 执行。

注意最后一步。AI 解决了“这笔费用该记到哪个科目”，但还有一个问题——谁去把这个动作真正做完？于是他们引入了 RPA。AI 判断完，RPA 机器人自动打开浏览器，进集团网站，创建单据，把信息填进去、提交。

AI 负责“应该怎么做”，RPA 负责“真正去做”。 判断和执行分开，各干各擅长的。

城市规划那个案例也一样：AI 更像一个调度者。规划师提出一个选址任务，AI 理解意图后，调用对应的数据和专业工具完成分析，再把计算结果返回出来，回显到地图上。

不是所有事都值得上 Agent#

这里我要泼一盆冷水：现在有一种风气，什么场景都想上 Agent，觉得不上就不够“AI 味”。

但案例里的判断恰恰相反。城市规划那个 FDE 说得很清楚：对于高频、规则明确的任务，更倾向于把它固化成工作流；只有城市研判、潜力用地分析这种长尾、开放性更强的问题，才交给 Agent 处理。

固定流程用 Workflow、脚本、定时任务就够了。你非要给一个规则明确的事情套个 Agent，只会让它更慢、更贵、更不稳定。

更要命的是“多智能体”。城里规划项目里，大家一度很期待“法律专家、经济专家、民生专家坐在一起讨论规划议题”这种画面，听起来特别先进。

但真分析业务后发现，有些选址问题最终还是依赖明确的规则和指标计算。强行做多智能体，不但架构更复杂，上下文在多个智能体之间传递还可能带来歧义、丢失和污染，结果反而不够收敛。

所以他们的思路变成了：表面上可以体现不同专业视角，但底层未必真的需要多个 Agent 互相聊天——可以把不同专业能力封装成工具，由一个核心 Agent 统一调度。

还有一句我很喜欢的话：某些寻找最优解的问题，本身就不一定应该用大模型，传统优化算法可能更加精准。

有些事，就是必须留给人#

最后说一个容易被忽视的边界：不是 AI 做得越好，就该把越多事情交给它。

海外达人建联那个案例里，团队反复讨论哪些能交、哪些不能交。达人匹配可以交给 AI，建联名单可以 AI 初筛，履约提醒可以自动化，但真正和重要达人沟通，仍然保留人工。

理由特别实在：AI 现在仍然可能犯一些很低级的错误。在普通工作里，一个小错误改一下就行；但在商务关系里，如果对象是一个有几百万粉丝的达人，你一句话说错，损失可能远远超过自动化节省的人力成本。

建筑消防设计那个案例也是。一开始用户期待“一键生成完整施工图”，但专业设计人员不同意——消防设计涉及责任问题，他们不能接受一个“大概对”或者“完全黑箱”的结果。最后方案做成分层设计：常规空间给默认参数、一键生成；专业空间开放危险等级、K 值、喷头间距等参数让人调整。

这背后其实是一条朴素的原则：涉及责任的环节，人必须留在环里。

一句话总结#

分工比模型重要——大模型懂人话、工具算得准、人担得住责任，把这三件事摆对位置，AI 才敢进生产环境。

这是《FDE案例100》方法论特辑的第 8 篇。下一篇是这个专辑的重点篇，也是我认为整个系列信息增量最大的一篇：数据优先——为什么说“先数据后 Agent”，为什么脏数据喂给模型只会让错误跑得更快，以及那句被反复验证的话：API“有”和“能用”，是两回事。