浏览 Agent Use Cases，会反复遇到一些很具体的事情：整理账单、寻找发票、申请退款、联系经销商、处理客服邮件、监测竞品、修改代码，以及制作只服务于自己需求的小工具。

这些案例呈现出一种正在扩展的使用方式：人们把一段有明确目标、需要多个步骤、有时还要持续跟进的工作交给 AI。它需要读取资料、操作软件、保存进度，并在遇到问题时把任务交回给人。

截至网站标注的 2026 年 10 月 12 日，目录共收录 1,219 条案例，分布如下。这里统计的是网站的收录数量，不能直接代表实际用户的使用比例。

网站分类	案例数
工作与运营	205
软件开发与运维	175
生活事务与家庭	153
销售、营销与客服	150
财务、账单与权益	98
旅行与预订	92
内容与创作	90
购物与跑腿	89
研究与知识	87
游戏与模拟	48
安全、科学与硬件	32

工作运营、生活、销售、财务、购物和旅行六类合计 787 条，约占 64.6%。这些分类内部差异很大，但其中反复出现的任务，揭示了一种共同需求：人们希望 AI 承担日常事务中的衔接、协调和跟进。

大量需求存在于软件之间，需要有人把分散的信息接起来。

一个宠物保险理赔项目展示了这种用法。主人上传银行流水后，系统识别宠物医疗支出，去邮箱寻找对应发票，读取文件，填写保险公司的 PDF 表格，准备邮件草稿，随后追踪回复。无法确定的信息会被提出，主人负责补充、审核和发送。

银行流水、邮件、发票和保险表格分别记录着一部分事实。整件事能否完成，取决于能否把这些事实对应起来。

过去，这种对应关系往往保存在人的脑子里。人要记住哪笔钱已经支付、哪张发票还没收到、哪些资料已经提交、对方上次要求补充什么。每个软件都完成了自己的功能，人仍然要承担它们之间的连接工作。

这说明，AI 的一个重要应用空间，是处理跨系统的完整任务。用户说“帮我准备这次理赔”，实际包含了查找、匹配、提取、填写和跟踪。代理的价值来自把这些步骤组织起来，让工作能够连续推进。

持续跟进和减少拖延，是这些用法的重要动机。

在买车案例中，车主先确定车型和要求，再让代理搜索库存、联系经销商、收集报价，并定期检查邮件，用较低报价继续议价。车主自述获得了 4,200 美元的经销商折扣，同时说明自己保留了对重要沟通的控制，到了贷款申请阶段便接手处理。

这类任务的困难往往在于重复和等待。要联系多家公司，反复解释需求，比较不同口径的报价，几天之后还要记得追问。

取消订阅、追讨退款、补交材料和整理报销也有相似特点。人通常知道下一步该做什么，但这些事情很容易被更紧急的工作挤开。

因此，AI 的收益可以分成两种：一种是缩短原来就会投入的时间，另一种是让原本拖延、遗漏或放弃的事情终于得到处理。

后一种收益很难用“节省了多少分钟”完整表达。它扩大了一个人能够实际处理的事务范围，也减少了那些需要长期惦记、却迟迟没有完成的任务。

一些用户开始建立持续工作的系统，反复使用同一套背景资料和执行方法。

网站收录了一则竞品监测案例。作者连续六周使用同一提示，让代理生成简报，并称系统在使用过程中多次修改了执行流程文件，逐渐减少重复摸索。完整配置位于付费内容之后，因此其全部实现和效果无法独立核实。

这个案例值得关注的地方，是每次任务之间开始有了联系。

一次研究结束后，关注对象、信息来源、筛选标准和历史发现被保留下来。下一次运行可以继续检查变化，也可以比较多个周期里的发展。执行中的纠正如果被记录，后续便有机会减少同样的错误。

由此形成的资产，包括资料、流程、规则和历史状态。它们使 AI 的输出逐渐贴近具体工作，也减少用户每次重新解释背景的负担。

不过，保存信息只是基础。系统还需要区分哪些内容仍然有效、哪些已经过时，哪些是事实、哪些只是暂时判断。否则，长期运行也可能让错误不断累积。

个人定制软件开始变得可行，用户也随之承担更多需求定义和验收工作。

一位不会编程的用户，用 Codex 制作了一个家庭晚餐应用。它综合食品库存、菜园产出、饮食限制、厨具、天气和当天精力，帮助决定吃什么。原文同时记录了约二十小时的投入、两次重做，以及不断添加需求带来的问题。

这样的需求非常具体，通用产品未必愿意为它单独开发功能，但使用者可能每天都会遇到。

当开发成本下降，只服务一个家庭、一个小团队或一个特殊流程的软件，也开始有了制作价值。需求的规模可以很小，使用价值却可能持续存在。

与此同时，案例中的重做过程说明，软件开发仍然需要取舍。哪些功能必须先完成，哪些应该暂缓；真实数据会带来什么例外；新增需求是否破坏已有结构，都需要被判断。

AI 可以承担大量实现工作，但用户仍然需要描述目标、测试结果，并决定什么时候停止增加功能。一个应用能运行之后，是否继续使用、如何修改、出现问题如何恢复，也会成为新的工作。

可靠的使用方式，会把 AI、固定程序和人的职责分清楚。

一个自动补货项目最初让模型在网页里寻找商品并加入购物车，经常选错。后来，作者改用购买记录中的商品 ID 精确定位商品，根据购买间隔判断补货时机，再由脚本完成加购和通知，最后由人下单。其项目文档明确说明，多个重复执行环节已经不再调用大模型。

这个变化很有代表性：在需求不明确、材料不标准时，AI 可以帮助理解和判断；当步骤已经能够表达为明确规则，就可以用程序稳定执行。

企业实践中也能看到类似分工。Brex 的技术文章介绍了代理迁移微服务的流程：按错误类型建立小型技能，安排生成和验证阶段，限定自我修复次数，失败后交回人，合并代码仍然需要审核。

因此，一个实用系统可以同时包含三种能力：AI 处理上下文和非标准信息，程序负责明确的计算与执行，人负责关键取舍和异常。

是否值得使用，需要看这种分工能否持续产生可靠结果。代理数量、运行时间和工具数量，都无法单独说明系统的成熟程度。

任务完成量与实际收益之间，仍然存在明显距离。

有位作者让代理自主经营业务，系统生成了 394 个 SEO 页面，还制作了一批工具。作者公布的收入只有 3 美元，而且来自有人对这段实验故事感兴趣，并非那些页面带来了业务。

网站还收录了一则二手转述：代理在四十分钟内投递了约一百份简历，没有带来面试，并且夸大了用户的法语水平。这不足以说明自动求职整体无效，但清楚展示了动作完成与目标达成之间的差别。

类似区别存在于很多领域：

AI 用法	容易展示的成绩	更应该检查的结果
自动求职	投递数量	合适岗位的面试机会
自动营销	内容和消息数量	有效询盘、成交与客户质量
自动研究	整理的资料数量	判断质量和证据可追溯性
自动开发	代码和功能数量	实际可用性及维护负担
自动助理	执行动作数量	遗漏是否减少、用户是否省心

自动化能够扩大产出，但不会自动解决需求匹配、质量、渠道和信任的问题。如果方向不合适，执行得越快，产生的无效工作也可能越多。

收益核算还应包含复核、返工和维护。网站记录了一位用户搭建助理后，主要工作变成排查系统错误，感觉自己成了一个不理解的 AI 技术栈的管理员。

这种经历提醒人们，评估 AI 用法时，需要观察完整的工作成本。一段操作被自动完成，并不意味着人的总投入已经下降。

验证结果，正在成为使用 AI 的核心工作。

Brex 的迁移案例还承认，一些修改通过了既有测试，进入生产环境后仍然引发了细微问题。系统遵循了提供给它的检查规则，但那些规则没有覆盖所有真实情况。

内容生产也有类似现象。一个把通讯文章转换成社交内容的代理，曾经编造统计数字、混合不同主题。作者后来把任务拆成较固定的步骤，分别控制信息提取、研究、写作与审核。

随着 AI 承担更多执行，人需要更清楚地定义完成标准。发送了一封邮件，和正确解决了一次沟通；生成了一份报告，和报告足以支撑决策；通过了测试，和真实环境中稳定可用，分别需要不同证据。

这也改变了人与系统的交互要求。用户需要知道系统处理了什么、依据是什么、哪些部分仍不确定，以及自己需要在哪些节点作出决定。

如果结果无法检查，用户就需要重新做一遍工作才能放心。如果每一步都要求确认，用户又会被持续打断。好的系统应让常规步骤顺利推进，并在真正需要判断的地方，把问题和相关证据一起交给人。

当双方都开始自动化，局部效率提升可能改变整个系统的运行方式。

网站同时收录了求职者批量申请、企业自动筛选简历，销售自动寻找客户、接收方自动处理邮件，以及内容自动生成、信息自动筛选等用法。

据此可以提出一个进一步的推断：部分效率收益，可能被双方增加的处理量消耗。

当投递和外联成本下降，接收方可能面对更多消息，于是加强筛选；发送方为了获得回应，又继续扩大数量。每个人都减少了一些手工操作，整个系统却未必减少无效劳动。

这意味着，内容质量、需求匹配、可信身份和已有关系仍然重要。自动化可以帮助触达，但回应与合作仍然依赖实际价值。

同样的问题也会发生在个人的信息处理中。研究报告和每日简报更容易生成之后，阅读与判断可能成为新的负担。一个持续工作的助理，需要学会筛选真正影响决策的变化。

Agent Use Cases 很适合用来发现需求和工作方式，但它提供的证据有明显边界。

首先，它聚焦能执行动作的 Agent，无法代表所有 AI 使用。其次，目录包含用户经历、厂商演示、教程、原型和失败尝试，不同条目的验证程度差异很大。还存在重复收录：同一宗买车议价经历，就被放进两个不同条目，因此案例总数不能当作独立成功次数。

网站经营者同时经营相关课程，并在案例页导流。这是理解其选题环境时需要考虑的因素，也不能据此直接判定案例不真实。

这些案例目前能够支持的判断是：人们正在尝试把更完整、更持续的任务交给 AI，并在实践中重新分配理解、执行、验证和决策的职责。

评价这些尝试，需要继续追踪它们能否重复运行，是否减少了人的总投入，以及是否真正改善了结果。一次漂亮的演示之后，能否形成稳定、可检查、可纠正的工作方式，才决定了这项用法会不会被长期保留下来。