大家好，我是肆〇柒。在企業落地 AI 的進程中，自主智能體憑借其強大的自主決策與任務執行能力，可以成為企業提升效率、優化流程的關鍵力量。然而，當我們將視角聚焦于企業級應用場景時，不難發現，部署智能體系統并非易事。在企業級 LLM 智能體（Agent）系統的落地過程中，開發者往往被兩個問題反復折磨：

1. 工具調用鏈路的正確率不可控；

2. 一旦工具規模超過 20 個，準確率便雪崩式下滑。

比如，以企業財務報表智能分析為例，智能體需精準調度數據采集、預處理、指標計算等工具。然而，實際運行中，規劃模型常因缺乏對財務系統深度耦合的認知，生成的執行方案漏洞百出：關鍵的財務指標計算工具未被調用，數據預處理步驟順序顛倒，最終導致整個分析流程陷入混亂。這樣的案例揭示出企業在利用智能體解決復雜任務時遭遇的瓶頸——智能體系統難以在企業特定場景中保持執行的穩定性和準確性。

這引發了一個需要解答的關鍵問題：如何為智能體系統注入強大的“導航儀”，使其在企業復雜的數字化場景中穩定、精準地執行任務？

本文聚焦的 Routine 框架（Digital China AI Research）正是為了解決上述痛點而生。它用“結構化規劃”取代“自由生成”，用“可驗證步驟”取代“模糊指令”，從而在真實企業場景中把 GPT-4o 的端到端正確率從 41% 提升到 96%，讓 14B 參數的本地模型逼近 GPT-4o 水平。下面將圍繞 Routine 的機制設計、系統架構、數據工程與訓練策略展開，所有結論均基于企業級實驗驗證。

Routine 機制設計：從痛點到解決方案

為了更好地理解Routine框架如何解決痛點，下圖展示了其引導LLM智能體完成多步驟工具調用的機制。通過這種結構化的方式，Routine為智能體的執行過程提供了清晰的指導。

Routine框架引導LLM智能體完成多步驟工具調用的機制示意圖

顯式工具字段

早期痛點：工具選擇錯誤率高，模型在無明確指引時難以從海量工具中精準挑選適配工具。當工具池規模達到 25 個及以上時，GPT-4o 的工具選擇錯誤率高達 58.9%（Table 2）。在企業級場景中，智能體需要從海量工具中精準挑選適配工具，但現有模型在無明確指引時難以勝任這一任務。

Routine 約束：在每一步驟中顯式標注工具名稱（Step Tool）。

實現方式：定義了 “Step Tool” 字段，確保智能體在執行時直接讀取指定工具，無需推理工具選擇。這為執行模塊提供了精準的工具調用藍圖，減少了因規劃模糊導致的工具誤調用等問題。

輸入輸出參數描述

早期痛點：參數幻覺問題頻發，模型常因缺乏參數上下文而生成錯誤調用指令。

Routine 約束：為每一步驟提供詳細的輸入描述（Input Description）和輸出描述（Output Description）。

實現方式：通過自然語言明確參數來源和目標，幫助智能體準確填充工具參數。這為模型提供了豐富的上下文信息，尤其對中小規模模型助力顯著，使其參數準確率大幅提升。

變量內存優化

早期痛點：企業任務流程復雜且環環相扣，對準確性和穩定性要求極高。以金融領域的風險評估為例，智能體需從多個異構數據庫中提取數據，運用復雜模型運算，最終生成評估報告。任何一個微小偏差都可能引發巨大風險?，F有智能體架構在處理此類任務時，常因上下文管理效率低下而陷入混亂。所以，上下文爆炸問題導致模型執行效率低下，尤其在多步驟工具調用中表現明顯。

Routine 約束：引入 Variable Memory 機制，采用 key-value 映射優化參數傳遞。

實現方式：智能體只需傳遞變量鍵而非完整值，顯著降低上下文壓力。當工具返回 10KB 的 JSON 時，執行模塊僅存儲鍵 memory_xxx，后續步驟通過鍵引用實際值，使上下文長度降低 90%。

AI 驅動的 Routine 優化

AI驅動的Routine優化是提升智能體執行效率的關鍵環節。下圖詳細展示了AI如何優化和管理Routine的流程，通過這種方式， Routine能夠更好地適應企業不斷變化的需求。

 AI優化和管理Routine的流程圖

早期痛點：現有智能體系統對領域專家的依賴程度較高。當前系統對專家草稿的耦合度≈100%。當企業引入新型工具（如區塊鏈溯源工具）時，規劃模型無法自主識別其在流程中的精準定位，需依賴專家重新起草規劃草稿。領域專家稀缺，智能體系統難以快速復用專家知識。

Routine 約束：通過 AI 優化專家草稿，生成結構化 Routine。

實現方式：AI 將專家草稿轉化為包含工具映射的完整 Routine，減少專家重復勞動。例如，專家提供 “查詢庫存 → 比對訂單 → 生成補貨單” 的草稿，AI 通過附錄 A.1 的 Prompt 模板將其轉化為包含工具名的 5 步 Routine，其中 “比對訂單” 被拆分為兩個子步驟以適配工具接口限制。

分支邏輯處理

早期痛點：復雜流程中的分支邏輯導致執行穩定性下降，模型在面對條件判斷時容易出錯。

Routine 約束：支持分支結構（Branch），通過條件判斷引導不同執行路徑。

實現方式：定義了分支步驟格式（Branch X-n Step i），為智能體提供清晰的條件判斷邏輯。若 Routine 第 3 步為分支判斷（如 “庫存 < 閾值？”），執行模塊需調用庫存查詢工具，解析返回結果中的數值，根據條件跳轉到 “生成補貨單” 或 “通知采購” 分支。

Routine 框架與系統架構：從規劃到執行的閉環設計

下圖呈現了Routine框架在智能體系統中的整體架構，展示了從規劃到執行的各個模塊如何協同工作。這一架構設計確保了智能體能夠在企業復雜場景中高效、穩定地執行任務。

 Routine框架與系統架構圖

一條 Routine 的生命周期：從文本到 JSON

組成要素

Routine 的組成部分。注：標有 * 的組件為可選元素

Routine 的設計比較嚴謹，其組成部分環環相扣，共同構建起智能體執行的堅實基礎。步驟編號為智能體指明執行順序；步驟名稱以簡潔語言概括步驟核心功能；步驟描述則詳細闡述執行條件、目標及操作細節，為智能體提供詳盡的操作指南。

輸入描述清晰界定步驟所需參數，確保智能體在執行前就備齊“彈藥”。輸出描述提前規劃步驟完成后產生的結果，為后續步驟銜接提供保障。步驟工具精準錨定每一步驟對應的工具，實現智能體能力與任務需求的完美匹配。

以企業財務報表智能分析場景為例，一個典型的 Routine 可能包含以下步驟：

• 步驟 1 為“數據采集”，利用“數據庫查詢工具”從財務系統中提取特定時間段的收入、支出等數據；
• 步驟 2 為“數據預處理”，調用“數據清洗工具”對采集到的數據進行缺失值填充、異常值處理等操作；
• 步驟 3 為“財務指標計算”，運用“財務分析模型工具”計算毛利率、凈利率等關鍵指標。

對于包含分支結構的 Routine，其格式如下：

Step X. <Step Name>: This step performs a branch condition check:
? Branch X-1 Step 1. <Step Name>: If <Condition>, perform <Step Description>, using the <Tool Name> tool;
? Branch X-1 Step 2. <Step Name>: <Step Description>, using the <Tool Name> tool;
? Branch X-2 Step 1. <Step Name>: If <Condition>, perform <Step Description>, using the <Tool Name> tool; Step Y. <Step Name>: <Step Description>, using the <Tool Name> tool; Step Z. <Step Name>: <Step Description>, using the <Tool Name> tool, and terminate the workflow;

雙格式表示

Routine 支持自然語言格式與結構化 JSON 格式并存，二者相得益彰，滿足不同場景需求。自然語言 Routine 以流暢語言描述步驟流程，便于人類專家快速理解與審核，相當于為智能體執行流程撰寫了一份通俗易懂的“說明書”。

結構化 JSON 格式則以嚴謹的數據結構呈現 Routine，為智能體系統解析與執行提供便利。它將每一步驟的編號、名稱、描述、工具等信息封裝為標準字段，確保智能體能夠精準無誤地讀取與解析。

JSON 格式示例如下：

[
  {
    "step":"1",
    "name":"Get announcements",
    "description":"Download the latest employee handbook file from the company’s internal system",
    "tool":"fetch_latest_announcements",
    "type":"node"
},
{
    "step":"2",
    "name":"Download handbook",
    "description":"Obtain the company’s most recent official announcement for consistency check with the employee handbook",
    "tool":"download_file",
    "type":"node"
},
{
    "step":"3",
    "name":"Read PDF content",
    "description":"Use text parsing tools to extract all text content from the employee handbook PDF file",
    "tool":"read_pdf",
    "type":"node"
},
{
    "step":"4",
    "name":"Compare text differences",
    "description":"Compare the relevant content in the employee handbook with the company’s latest announcement word by word",
    "tool":"compare_texts",
    "type":"finish"
}
]

特別地，type: finish 字段用于標記流程終止步驟，確保智能體在執行到該步驟時能夠正確結束工作流程。

AI 優化生成

Routine 的生成從專家編寫的規劃提示開始。專家根據對企業任務流程的深刻理解，以自然語言草稿形式勾勒出任務執行的大致輪廓，包括關鍵步驟、目標等核心要素。

AI 驅動的優化過程首先把規劃拆解為更小的可操作任務。首先對規劃進行深度分解，將模糊的步驟細化為具體可操作的子步驟。以“處理客戶投訴”任務為例，專家草稿僅提及“分析投訴原因”，AI 則將其細化為“提取投訴關鍵詞”“識別投訴類別”“定位問題根源”等子步驟。

接下來，模型將這些子步驟精準映射到可用工具上。在映射過程中，模型充分考量工具的功能說明、參數要求等細節，確保工具選用契合度。最終，AI 輸出結構化的 Routine，其語言流暢、邏輯嚴謹，為執行模塊提供清晰指引。

為助力 Routine 生成，研究者設計了如下 Prompt 模板：

prompt = f"""You are a Routine workflow writer for a company. You can write the operation step flow based on the process information provided by the user and the available tools.
The steps are written in structured json and lists. Write the flow in the following way:
[{{"step": "1", "name": "xxxxx", "description": "xxxxxxxxxxxx", "tool": "tool_X", "type": "node"}},
{{"step": "2", "name": "xxxxx", "description": "xxxxxxxxxxxx", "tool": "tool_Y", "type": "node"}}]

The format is a json list. Each step contains the step number, step name, step action description, step input, step output, step tool, and node type.
The input and output of the step do not have to be very specific. Use natural language to write the possible input and output according to the tool. Only one tool is used for each step.
When you may encounter branch condition judgment in a certain step, express it in the following way and indicate under what conditions to enter a branch, what tool to use;

{{"step": "x", "name": "xxxxx", "type": "branch"}},
{{"step": "x-1_1", "name": "xx", "description": "xxxx", "tool": "tool_X1", "type": "branchnode"}},
{{"step": "x-2_1", "name": "xx", "description": "xxxx", "tool": "tool_X2", "type": "branchnode"}},
{{"step": "y", "name": "xxxxx", "description": "xxxxxx", "tool": "tool_Y", "type": "node"}}
If the next branch step involves multiple steps, you can open a new branch workflow, for example:
{{"step": "x-n_1", "name": "xx", "description": "xxxx", "tool": "tool_X", "type": "branchnode"}},
{{"step": "x-n_2", "name": "xx", "description": "xxxx", "tool": "tool_Y", "type": "branchnode"}}

Regarding the writing of step numbers, x-n_i represents the i-th step in the n-th branch of the main line step x;
Please pay attention to the description in the tool and the parameters that need to be filled in, which need to be fed back in the input of each step;
Pay attention to the branch judgment in the process information, and do not write multiple possibilities of branch conditions in the steps of the same line;
When a step is completed and the workflow needs to be ended, please change the node type of the step to "finish", set "type": "finish"; For example:
{{"step": "x", "name": "xxxxx", "description": "xxx", "tool": "tool_X", "type": "finish"}}
Note: Each workflow step must use a tool provided in the tool list, or perform branch condition judgment. There will be no "no tool needed", "no tool used ", or use of non-existent tools. Each step only uses one tool.
The following is the process information provided by this user: {routine_draft};
In the tool list, these tools are available: {tool_list}; Now please convert it into a structured Routine workflow. Do not output other prefixes, suffixes, or meaningless information, and please output in Chinese."""

數據工程：讓 Routine 可訓練、可蒸餾

通用 Routine 數據合成

研究團隊利用 BUTTON 開源數據集合成通用 Routine 數據，以增強模型在不同場景下的魯棒性。BUTTON 數據集包含 8,000 個單輪多步工具調用實例，涵蓋多種常見任務類型。每個實例交替包含 tool_call 和 observation，形成清晰的執行軌跡。

通過 GPT-4o 和專用 Prompt 模板，研究團隊生成精準結構化的 Routine，每個 Routine 包括步驟索引、名稱、功能目標和對應工具名稱?；跇藴驶瘓绦?Prompt 模板構建新系統 Prompt，提升模型對多種工作流機制的適應性。

數據過濾規則：

1. Routine 文本驗證：過濾掉空響應或異常輸出；

2. 移除自然語言摘要：保留用戶查詢、工具調用和對應觀察；

3. 長度和結構過濾：剔除超過 8 個工具調用步驟的實例，移除含復雜數據結構的實例。

最終保留 4,209 條高質量輕量級訓練數據。

以下是通用 Routine 跟隨數據集過濾流程圖，展示了如何通過一系列步驟篩選出高質量的訓練數據：

常規 Routine-following 數據集過濾流程

場景特定數據的 GPT-4o 蒸餾

在特定場景中，Routine 還可用于知識蒸餾。以 HR 智能體場景為例，研究團隊設計 50-60 個用戶查詢模板，基于 10 個非分支子場景生成約 50-60 個用戶查詢。通過數據清洗和 LLM 同義改寫，增強數據多樣性。

使用 GPT-4o 和 Routine 蒸餾生成 537 條單輪多步用戶查詢，包含 3,108 個標注工具調用指令。這些數據用于訓練場景特定的執行模型，顯著提升模型在特定場景下的準確率。

系統模塊：執行、工具與記憶

執行模塊與小型 LLM 設計

執行模塊負責接收規劃模塊生成的 Routine，并按其路徑輸出工具調用指令?？紤]到執行過程中的大量上下文，執行模塊通常由小型專用指令跟隨模型驅動。

選擇小型模型的優勢：

1. 節省資源：小型模型在執行每一步驟時消耗較少算力和時間，易于在企業環境中部署；

2. 高效指令跟隨：只需關注指令跟隨和多步工具調用，無需復雜邏輯推理。

Qwen3 系列小型 Instruct 模型在指令跟隨和中文理解方面表現出色，且參數量小，是執行模塊的理想選擇。

工具模塊與 MCP 協議

工具模塊負責接收工具調用指令并返回執行結果。MCP 服務器作為工具模塊的核心，定義和管理智能體可用的工具集合。

MCP 協議的優勢：

1. 工具標準化：統一描述工具名稱、參數類型和調用約束，使執行模塊無需管理工具實現細節；

2. 高可擴展性：便于開發者添加新功能或連接新系統，構建多樣化工具生態。

記憶模塊

記憶模塊負責存儲和檢索任務執行過程中的關鍵信息。它包含兩種內存形式：長期 Procedure Memory 和短期 Variable Memory。

Procedure Memory 存儲專家與規劃模塊協作生成的 Routine 集合。在部署前，專家將必要的 Routine 集合存入內存基座。系統接收查詢時，基于 Routine 描述與用戶任務的相似性計算，檢索對應 Routine，協助執行模塊。

Variable Memory 優化多步工具調用間的參數傳遞。當工具調用返回過長參數時，系統自動存儲至變量內存基座。模型只需提供對應鍵，而非完整值。接收工具調用請求時，記憶模塊將鍵回溯為實際參數值。Variable Memory 通過鍵值映射減少 90% 上下文長度，顯著降低上下文壓力，減少 token 消耗和語法錯誤，提升執行模塊性能。

以下是智能體變量內存機制示意圖，展示了 Variable Memory 如何優化多步工具調用中的參數傳遞：

 智能體可變記憶機制示意圖

訓練策略：場景化 LoRA 微調

基模選擇與訓練目標

在 HR 智能體場景中，執行模型需要具備指令跟隨、初步工具調用能力和較強中文理解能力。選擇 Qwen3 系列小型 Instruct 模型作為基模。訓練目標是提升模型對 Routine 的遵循能力，而非利用推理生成工具調用指令。

LoRA 超參數與硬件配置

采用 LoRA 輕量級微調策略，避免過擬合，提升計算性價比。實驗使用 LLaMA-Factory 框架，結合 DeepSpeed ZeRO-3 和 Flash Attention-2，最大化計算效率，顯著降低多 GPU 訓練時的 GPU 內存使用。

訓練參數：

• LoRA 秩：8
• 批大?。?×4 GPU
• 有效批大?。?6
• 學習率：1e-4
• 訓練周期：3 epoch

以下是智能體執行模型訓練過程圖，展示了整個訓練流程，包括通用 Routine 跟隨能力訓練和場景特定工具調用能力訓練：

智能體執行 routine（模型訓練流程）

實驗驗證與結果分析

工具調用準確率提升

在未引入 Routine 時，模型表現不佳。實驗數據顯示，工具選擇錯誤占比高達 85%。在企業智能法務審核場景中，模型需從 30 余種工具中精準挑選，無 Routine 指導時，工具選擇錯誤率高達 78%。

引入 Routine 后，模型執行流程變得有序。在 HR 智能體測試集（1,148 個樣本）中，GPT-4o 的端到端準確率從 41.1% 提升至 96.3%。Qwen3-14B 在有分支 Routine 下的準確率為 81.3%，無分支 Routine 下的準確率為 83.6%。GPT-4o 基于 Routine 蒸餾生成的 537 條場景特定數據，使 Qwen3-14B 的準確率達到 95.5%。

具體到各項指標：

• 結構正確率從 68% 提升至 97%；
• 工具選擇準確率從 35% 提升至 88%；
• 參數準確率從 52% 提升至 81%。

以下是企業場景中 AST 評估工作流程圖，展示了如何基于 BFCL 框架對模型的工具調用進行評估：

 企業場景下的 AST evaluation workflow（沿用 routine 框架）

以下是不同 Routine 配置下 HR 智能體系統場景中各模型的整體準確率表：

在 HR 智能體系統場景下，不同 Routine 配置下模型的整體準確率

訓練策略的影響

常規 Routine 跟隨微調

基于通用 Routine 跟隨數據集的微調可顯著提升模型在有 Routine 指導場景下的執行準確率。以 Qwen3-14B 為例，微調后整體準確率提升 14.6 個百分點。但此類模型在無 Routine 指導場景下的表現有所下降，表明其更擅長執行明確規劃的任務，而非自主規劃。

場景特定數據蒸餾微調

基于場景特定數據蒸餾的微調可顯著提升模型在無 Routine 指導場景下的表現。以 Qwen3-14B 為例，微調后整體準確率提升 22.9 個百分點，甚至超越原始模型在有 Routine 指導下的表現。這表明場景特定數據蒸餾可將 procedural knowledge 內化于模型權重中，減少模型對顯式規劃的依賴。

消融研究

Routine 組件的影響

以下是不同 Routine 組件對模型整體準確率的影響表：

整體模型精度在不同 routine 組件上的表現

實驗表明，工具規格說明是提升準確率的核心要素。當 Routine 中包含工具名稱時，模型準確率較不含工具名稱時平均提升 18.3 個百分點。輸入輸出參數描述為模型提供了豐富的上下文信息，尤其對中小規模模型助力顯著，使其參數準確率提升 12.7 個百分點。

AI 優化機制的價值

以下是不同 Routine 生成方法下模型整體準確率表：

Routine 在不同生成方法下的整體模型準確率

AI 優化可顯著提升 Routine 質量。以 Qwen3-14B 為例，AI 優化后的 Routine 使模型準確率達到 76.7%，接近手動標注 Routine 的效果（83.3%）。這表明 AI 優化是企業場景下高效生成高質量 Routine 的可行路徑。

Routine 數量的影響

以下是智能體規劃的不同方式圖，展示了從用戶草稿到 AI 優化再到手動標注的 Routine 生成過程：

智能體規劃的多種實現路徑

實驗顯示，提供單個正確 Routine 時模型表現最佳。當引入干擾 Routine 時，高性能模型的準確率顯著下降，但隨著 Routine 數量增加，準確率逐漸恢復。這表明模型可能從“組合步驟”轉向“選擇機制”，識別并執行最相關的 Routine。

以下是不同數量 Routine 下模型整體準確率表：

整體模型在多個 Routine 上的綜合準確率

Routine 的局限性

當前規劃模型在生成 Routine 流程時，對企業領域專家草稿的依賴程度較高。這在一定程度上限制了智能體系統面對新工具引入或工作流變更時的泛化能力。當企業引入新型區塊鏈溯源工具，試圖將其融入現有供應鏈智能管理 Routine 時，規劃模型往往無法自主識別該工具在流程中的精準定位，需依賴專家重新起草規劃草稿。

執行模型主要通過指令微調和知識蒸餾進行適應，這種方式在面對企業流程的細微變更時，如訂單處理流程中新增的環保合規審查步驟，模型難以迅速調整自身以匹配新的 Routine 要求。這表明當前智能體系統在動態適應性方面仍有較大提升空間。

針對上述挑戰，研究者提出將基于強化學習（RL）的智能體框架引入工作流的改進方向。強化學習通過構建獎勵模型，讓智能體在與環境交互中自主學習優化 Routine 生成策略。例如，在智能體嘗試生成包含新引入區塊鏈工具的 Routine 時，獎勵模型可根據流程執行效率、結果準確性等指標給予即時反饋。若智能體嘗試將區塊鏈工具錯誤放置在“訂單創建”步驟，導致執行效率低下，獎勵模型會給予負向反饋，引導智能體調整工具位置至“產品發貨”步驟。

多智能體框架的探索同樣前景廣闊。在該框架下，高級智能體猶如調度員，依據結構化的 Routine 流和集中交互協議，協調多個專業智能體。在企業智能工廠場景中，高級智能體根據生產調度 Routine，指揮生產執行智能體、質量檢測智能體、物流配送智能體協同作業。這種層次化交互方案有效降低了單個智能體承擔的 Routine 計劃復雜度，讓每個智能體專注于自身擅長的領域任務，大幅提升企業工作流執行的穩定性與智能性。

總結：從規劃到落地的關鍵躍遷

Routine 作為一款結構精巧、內容全面的規劃框架，為企業智能體系統的多步驟工具執行提供了精準導航。

Routine 的四重價值主張

1. 結構化導航：它通過卓越的流程編排手段，將復雜的企業任務分解為清晰有序的步驟序列，確保智能體在執行過程中每一步都踩在關鍵節點上。

2. 數據蒸餾引擎：在訓練數據合成領域，Routine 展現出強大的蒸餾能力。通過將專家規劃草稿轉化為結構化的 Routine 數據集，為模型訓練提供了高質量的營養源泉。

3. 小模型杠桿：用 14B 參數逼近 GPT-4o 的 96% 準確率。在企業智能運維場景中，基于 Routine 合成的數據集讓模型精準學習到服務器巡檢、故障排查等復雜任務的執行邏輯。更值得一提的是，Routine 在特定領域多步驟工具調用數據集生成方面的作用無可替代。通過對企業業務流程的深度建模，Routine 生成的數據集完美契合企業實際需求。

4. 場景即插即用：在智能體系統開發中，開發者依據 Routine 數據集訓練出的模型，能夠深度適配企業的財務審計、客戶關系管理等核心業務流程。

實驗結果的總結

在 HR 智能體測試集（1,148 個樣本）中，GPT-4o 的端到端準確率從 41.1%（無 Routine）提升至 96.3%（Routine 指導）。

該測試包含 3 個含分支的 Routine，分支邏輯使 Qwen3-14B 準確率從 83.6%（無分支）降至 81.3%（有分支）。

GPT-4o 基于 Routine 蒸餾生成的 537 條場景特定數據，包含 3,108 個標注工具調用指令，用于訓練 Qwen3-14B，使其準確率達 95.5%。LoRA 微調參數為：秩 8，批大小 1×4 GPU，有效批大小 16，學習率 1e-4，訓練 3 epoch。

下一步：從 “流程執行” 到 “流程進化”

動態適應：RLHF 驅動的 Routine 自進化機制多智能體編排：用「主-?！辜軜嫿档蛦?Routine 復雜度零樣本遷移：新工具接入時的自主工作流重構能力

AI for Process

Routine 機制，讓智能體系統深度融入企業流程，成為企業智能自動化與決策支持的中流砥柱。在企業智能決策場景中，智能體依據 Routine 調用數據分析工具、構建預測模型，為企業管理層提供精準決策依據。從生產排程到市場營銷策略制定，Routine 驅動的智能體系統全方位提升企業運營效率與質量。