---
title: "什么时候不该用 AI Agent"
wiki: agent
category: "新手入门"
slug: when-not-to-use-agent
url: https://learnagent.wiki/agent/cards/when-not-to-use-agent
tags: ["入门", "零基础", "边界", "理性", "反向"]
last_updated: 2026-04-27
reading_time: 5
---

> 市面上的教程几乎都在告诉你 Agent 多能干、能省多少事，但真正用得顺手的人，往往是先搞清楚它**不能干什么**的那批人。知道边界，比知道能力更重要。

# 什么时候不该用 AI Agent

## 为什么要谈"不该用"

市面上的教程几乎都在告诉你 Agent 多能干、能省多少事，但真正用得顺手的人，往往是先搞清楚它**不能干什么**的那批人。知道边界，比知道能力更重要。

打个比方：不是所有出行都该开车。5 公里以内骑车更快，过马路买瓶水你还要倒车出库，反而是在浪费时间。Agent 也一样，硬塞给它不合适的活，结果就是你等得更久、还可能被它一本正经地带沟里去。

## 6 个不该用的场景

### 场景 1：必须 100% 准确的事实

**典型情况**：写财务报告里的数字、引用法律条文、做医疗诊断、给客户报合同里的关键条款。

**为什么不适合**：Agent 答错的时候不会皱眉，它会用一模一样的自信语气把错的也给你说出来。这种"看起来很对"的错最危险。一个数字错了，财报要重做；一条法条引错了，合同可能直接作废。它没办法替你承担这种代价。

**更合适的方案**：去权威源头查——官方公告、政府文件、行业数据库、专业人士。Agent 顶多帮你做"找方向"和"先列一版草稿"的活，最后那一步必须是人去对、人去签字。

### 场景 2：一行命令就能搞定的事

**典型情况**：在文件夹里数一下有多少个文件、把一份名单按字母排序、找出某个关键词出现在哪几行。

**为什么不适合**：这种事你自己敲一行 `ls`、`sort`、`grep` 就完事了，0.5 秒出结果。让 Agent 跑一遍，它要先"想"该用哪个工具、再"做"、再"把结果讲给你听"，绕一大圈最后还是那个数。中间任何一步卡顿，你都比直接干慢。

**更合适的方案**：直接用现成命令、用 Excel 的筛选、用编辑器的查找替换。把 Agent 留给那些"我自己干要切五个软件"的活。

### 场景 3：依赖实时数据的事

**典型情况**：现在的股价、刚刚那场比赛的比分、今晚的天气、某只航班现在到哪儿了、某个币种的实时汇率。

**为什么不适合**：Agent 的知识是有截止日期的，对"刚刚发生"的事它要么完全不知道，要么会按过往的印象编一个像那么回事的答案给你。实时类信息差几分钟意义就差远了，编造出来的"实时数据"比没有还糟。

**更合适的方案**：去对应的专门入口——股票 App、官方比分页、天气网站、航旅纵横。这些数据有专门的接口在维护，你打开就是最新的，不用绕到 Agent 那里去。

### 场景 4：极简任务

**典型情况**：把 `hello.txt` 改成 `hi.txt`、新建一个空文件夹、把桌面上某张图拖进微信发出去。

**为什么不适合**：这种事一个动作就完了。让 Agent 上场，它要先理解你说的是哪个文件、再确认权限、再执行、再回报，整个流程比你动手慢十倍。这就是杀鸡用牛刀，刀还没磨完鸡都跑了。

**更合适的方案**：直接动手。鼠标点一下、键盘敲一下，比解释一句话还快。判断标准很简单——如果你打字描述这件事的时间，比你直接做完它还长，就别用 Agent。

### 场景 5：需要长期记忆 + 强一致性的事

**典型情况**：记账本、跟进客户信息、维护一份项目进度表、管理库存数量、记录每个员工的请假天数。

**为什么不适合**：Agent 的"记忆"是不可靠的。今天它记得你上周三花了 230 块，明天可能就记成 320 了。这类数据的核心是**任何时候去查都是同一个答案**，差一块都不行。Agent 适合做事，但不适合当账本。

**更合适的方案**：用真正能存数据的东西——数据库、Excel、Notion、飞书多维表格、专业的记账软件。Agent 可以帮你**操作**这些工具（比如帮你往表里填一行），但数据本身要存在那些工具里，不是存在它脑子里。

### 场景 6：涉及隐私的高敏感数据

**典型情况**：你的银行密码、身份证照片、公司还没公开的合同、客户的手机号清单、内部财务明细、未发布的代码核心逻辑。

**为什么不适合**：你用的大多数 Agent 是云端服务，你输入的内容会被传到对方的服务器。哪怕厂商承诺不训练、不留存，你也很难百分百验证。一旦泄漏，损失不是你能承担的——尤其是公司机密，可能直接违反保密协议。

**更合适的方案**：高敏感数据要么自己手动处理，要么等你部署了本地模型 / 私有化的可信沙箱再喂进去。在那之前，宁可慢一点，也别图省事。可以给 Agent 看的是"脱敏过的样本"，不是真东西。

## 怎么判断这次该不该用

不用记上面六条，记下面三个问题，每次开口前自己问一遍就够：

1. **这件事如果出错，代价大不大？** 大 → 慎用，至少要人工 review。代价小、错了重来一遍也无所谓 → 放心交给它。
2. **我自己做要 5 分钟还是 30 分钟？** 5 分钟以内 → 自己做更快。30 分钟起步、还要切多个工具 → 让 Agent 上。
3. **这件事的核心瓶颈是"想"还是"做"？** 是"想"——比如要做判断、要拍板、要对人负责 → 你来。是"做"——重复操作、跨工具搬运、按规则执行 → 给 Agent。

三个问题里只要有一个明显指向"不该用"，那这次就别硬上。

## 接下来

- 看完知道了边界，可以放心去挑场景 → [12 个 AI Agent 真实场景](/agent/cards/agent-use-cases-12)
- 想提前避开新手最容易栽跟头的地方 → [新手最容易踩的 5 个坑](/agent/cards/common-newbie-mistakes)

---
*Source: https://learnagent.wiki/agent/cards/when-not-to-use-agent*
*Markdown mirror of https://learnagent.wiki, served as text/markdown for LLM ingestion.*