企业自动化里有一对长期并存的能力：规则引擎处理"确定的、可枚举的"业务逻辑，大模型处理"模糊的、需要理解的"任务。不少团队一度陷入两个极端——要么全用规则写死，维护成本随场景膨胀；要么全交给大模型，结果不可控。成熟的做法是让两者协同：规则做确定性兜底，智能体做弹性增强。这正是 RPA+AI 在企业级智能体自动化平台里务实的落地方式。

一、哪些事必须交给规则

金额计算、税率适用、对账阈值，错一笔就是资金风险；
合规校验，如敏感字段必须脱敏、关键动作必须双人复核；
强约束流程，步骤顺序和分支条件明确。
某大型产业集团把纳税申报从 30 分钟压缩到 3 分钟，覆盖 500 多家单位、每月节省约 225 小时，靠的正是规则外置、参数可调的确定性引擎，而不是让模型去"猜"税率。

二、哪些事适合交给智能体

非结构化单据的字段抽取与理解；
长文本摘要、条款比对、意图识别；
多步骤任务的自主规划与编排。
某能源化工集团的报销场景，在规则引擎之外引入大模型做票据理解与摘要，整体效率提升约 50%、每年节省约 1500 小时，同时凭证文本审查每天约 1 万条、准确率保持 100%——规则管住"对不对"，模型管住"快不快"。

三、协同的边界怎么划
关键原则是"模型建议、规则裁决"：智能体给出候选动作或填充值，规则引擎做末道校验，不通过则退回人工。某化工企业的三单匹配从 10 分钟降到 2 分钟，正是规则做匹配裁决、机器人做跨系统穿透的组合。这里规则不是束缚智能体，而是给它兜底：模型负责"快"，规则负责"准"。

四、工程上的落地形态

规则以配置化方式外置，业务人员可调参数，不必改代码；
模型输出先入"建议区"，经规则校验后才进"执行区"；
两者都版本化，一次变更可整体回滚。
某能源化工集团的报销场景，在规则引擎之外引入大模型做票据理解与摘要，整体效率提升约 50%、每年节省约 1500 小时，同时凭证文本审查每天约 1 万条、准确率保持 100%——规则管住"对不对"，模型管住"快不快"。

五、避坑

避免"模型全权"：涉及资金、合规的动作必须规则兜底；
避免"规则僵化"：长尾语义任务硬写规则会爆炸，应交由理解层；
规则与模型都要版本化，便于回滚与审计；
避免"静默通过"：规则校验不通过的，必须明确退回人工而非默认放行。

六、典型场景里的协同形态

落到具体场景，协同形态各有不同：

纳税申报：模型抽取票据要素，规则引擎按税率表计算并校验，结果才提交；
报销审核：模型读懂发票与行程，规则核对预算与标准，超标即拦截；
三单匹配：模型识别单据对应关系，规则做末道匹配裁决与差异告警。
某大型产业集团把纳税申报从 30 分钟压缩到 3 分钟，覆盖 500 多家单位、每月节省约 225 小时；某能源化工集团报销场景整体效率提升约 50%、每年节省约 1500 小时。两类场景的共同点是：模型让"快"成为可能，规则让"准"成为底线。没有规则的快是冒险，没有模型的快是低效。

落地检查清单

资金、合规类动作是否由规则引擎兜底裁决
非结构化理解是否交给智能体处理
是否做到"模型建议、规则裁决"
规则与模型是否都版本化可追溯
异常是否明确退回人工而非静默通过