别再“拿着锤子找钉子”——作者用 SRPT 四步把 AI Agent 从玄学拉回人间：先锁定最小可落地场景，再代入角色深挖真问题，最后把任务拆成可执行、可回滚、可 AI 接棒的流程。文章用“估咕”股票估值 Agent 做案例，把“场景-角色-问题-任务”拆给你看，顺带给出任务复杂度×容错度、需求强度×发生频率两张图，一句话：会拆任务的大模型，才是真生产力。
坦白说，文章标题多少想蹭蹭 AI Agent 的热度。不过，在我看来，SRPT 方法的价值其实更深远 —— 它可不只用于智能体打造，小到一款产品、一个团队，大到一个组织的构建，这套方法都能发挥作用。
这套方法是我在多年工作实践里慢慢摸索、总结出来的。近期决定把它写下来，有这么几个缘由：一是今年开年，借着 DeepSeek 的东风，我带着团队小伙伴开发股票估值智能体 “估咕狮”，过程中产生了很多和以往做产品截然不同的感悟；二是为响应学校开设人工智能课程的号召，我这个 AI “门外汉”，也斗胆在秋季学期开了一门 “如何打造 Agent” 的课。把脑袋里看似清晰的想法转化成文字，既能自我审视、查漏补缺，也方便朋友们批评指正，这对把课上好肯定大有助益。
闲话少叙，咱们进入正题！
先解释下 SRPT：S 对应 Scene，也就是 “场景”；R 是 Role，即 “角色”；P 代表 Problem，意为 “问题” ；最后一个 T，是 Task，指 “任务” 。
一、定义场景（Scene）
“场景（Scene）” 这个词虽日常可见，但真要深究它的定义，多数人却未必能说清。在我看来，场景的核心是角色互动所依托的时空环境。
从词源来看，Scene 源自拉丁语 “Scena”，最初的含义就是舞台上的表演场景；它的衍生词 “Scenario” 则由晚期拉丁语 “Scenarius”（意为 “舞台场景的”）经意大利语演变而来，于1868 年进入英语词汇体系。
人们常说 “人生如戏”，这话颇有道理。只不过，这场 “人生大戏” 并非在固定舞台上演，而是由你与他人在不同的时间与空间里，通过一次次互动共同演绎、串联而成。生活中的场景丰富多样：往大了分，有生活、工作这两大范畴；往小了说，消费购物、投资理财、外出旅游、上课学习、客户拜访等具体情境，更是不胜枚举。
这里有个关键特性值得关注：场景的尺度具有可变性，既存在宏大的框架，也包含细微的片段。若以 “上帝视角” 俯瞰，整个地球便是一个宏大的场景；而此刻，你在地铁里刷着这篇文章的当下，就正处于一个具体的小场景中。
对于产品创造者（当然包括AI Agent创造者）而言，需要通过细致的观察与深度体验，去挖掘甚至主动创造场景 —— 在这些场景里，有哪些角色参与其中？哪些角色可能成为产品的使用者？产品能为他们解决什么核心问题？又能创造怎样的独特价值？这些都是需要深入思考的问题。
对于初创公司而言，打造新产品时，千万别把场景想得太宏大。场景一旦过大，涉及的角色会变得多元，问题也会随之复杂起来，资源本就匮乏的小公司，很难驾驭得住。正确的做法应该是，缩小场景范围，聚焦某一类角色的需求，把产品做深、做专、做透。当然，要是未来能以这个小场景为根基，不断拓展，推出更多产品、服务更多角色，那这样的生意，就极具关注价值了。这正是“Think big and long，Do Small”（胸怀长远宏大愿景，聚焦微小具体起步 ）的实践逻辑。
二、理解角色（Role）
说到这里，你会发现：角色与场景实则是一体两面的存在（我场景的定义中就包含了角色），不存在没有角色的空泛场景。而真正需要产品的，正是这些场景中的角色 —— 好的产品，本质上就是角色在特定场景中不可或缺的 “道具”。
“角色” 一词同样源自戏剧，最初指舞台上由演员塑造的特定人物，后来逐渐延伸到社会、心理、文学等多个领域，成为一个兼具多重含义的概念。但无论在哪个领域，“角色” 的核心都离不开 “身份定位” 与 “行为逻辑”—— 它清晰回答了 “谁在行动”“为何行动”“如何行动” 的问题，是连接个体（或虚构形象）与所处场景的关键纽带。正如场景是 “时空环境”，角色便是 “环境中的行动主体”，二者相互依存，共同构成完整的互动系统。
简言之，角色就是特定时空环境下的行动主体。同一个人完全可能在不同场景中切换多重角色：比如我在家中是父亲、丈夫，到了学校与同事讨论课题时是科研工作者，走进课堂面对学生时又成了老师。在不同场景中，角色的转换会催生不同的产品需求；即便在同一场景里，不同角色因面临的问题各异，对产品的需求也会大相径庭。
因此，唯有深入场景、代入并理解各种角色，精准捕捉其真实需求，才能创造出真正的好产品。我们常说 “消费者是上帝”，要以消费者为导向。但事实上，很多时候，消费者自己也说不清究竟需要什么。正如福特汽车创始人亨利・福特曾说：“如果你问消费者需要什么，他们只会告诉你‘想要一辆跑得更快的马车’。”
我个人的体会是，真正的好产品，往往诞生于创造者自身的生活体验与痛点之中。
就像“饿了么”，最初只是一群沉迷游戏、懒得出门吃饭的大学生，为解决自己“吃饭难”的问题而琢磨出的点子；滴滴的诞生，源于程维出差时屡屡遭遇“打不到车”的窘迫，那份焦急成了推动他改变出行方式的最初动力；而Facebook的起点，更带着年轻人的真实底色——源于男生们点评女生时的那份荷尔蒙冲动，却意外生长为连接世界的社交平台。这些产品的起点，都不是宏大的商业规划，而是创造者在自己的生活场景里，对“不方便”、“买不起”的本能回应。
三、深挖问题（Problem）
理解角色，核心是洞察角色在特定场景中行动时遇到的困难与阻碍——这便是需要破解的“问题（Problem）”。
以“估咕”为例，我在股票投资的实践中发现：对一只股票的价值做出理性判断，其实是件极具挑战的事。难点不仅在于资料数据的搜集、整理、研读与分析，更在于后续复杂的计算过程。对于普通投资者而言，即便暂且不论专业能力的短板，单是“抽出足够时间完成上述流程”就已难以实现。再叠加个人账户资金量有限的现实，短期来看，坚持理性投资反而可能成为“非理性的选择”。
因此在我看来，股票投资场景中，普通投资者行动的核心困境可归结为两点：专业性不足、时间成本过高。而“估咕”的使命，正是尝试为大家提供一款能辅助估值、弱化冲动投资、降低理性投资门槛的工具。
当然，面对相同的场景与角色，不同人对问题的理解可能大相径庭。结合自身能力与资源条件，最终催生的产品形态也会截然不同。仍以股票投资场景为例，不少朋友认为“估咕”的专业门槛依然偏高，对普通投资者而言，提供基金定投方案或许是更优解——于是，一款专注基金定投的小程序应运而生。
这也提醒我们：角色从不是抽象的概念，而是由一个个鲜活的个体构成。他们面临的问题既有共性，也有个性。作为产品创造者，应优先挖掘共性问题：问题的共性越强，覆盖的潜在用户就越广，市场空间也就越大。反之，若只聚焦于小众化的独特问题，产品的投入与产出很可能难以平衡。
四、编排任务（Task）
当我们清晰定义了场景、理解了角色、深挖了问题之后，接下来的核心便是“编排任务（Task）”——将解决问题的路径拆解为一系列有逻辑、可执行的具体步骤，这既是产品落地的“施工图”，也是实现产品功能的“行动指南”。
在SRPT分析框架中，任务的本质是“为解决角色在场景中遇到的问题而设计的具体行动单元”。它不是孤立的动作，而是与场景的约束、角色的能力、问题的核心紧密绑定的“目标导向型步骤”。如果说“问题”是“要攻克的难关”，那么“任务”就是“攻克难关的战术分解”。
以“估咕”为例，针对普通投资者“不专业、没时间”的核心问题，其任务编排需要精准对应问题的每一层维度：
- 针对“资料数据搜集整理”的困难，对应的任务可能包括：“自动抓取上市公司公开财报、行业研报等数据”、“清洗并结构化非标准化文本信息”、“实时更新关键指标数据”和“按照分析框架整理现有资料“等；
- 针对“专业分析能力不足”的痛点，任务可拆解为：“提取财报中的核心财务指标（如公司年营收增长率、销售净利率和ROE等指标）”、“通过预设模型对比行业均值与历史数据”、“生成可视化分析图表与简化结论”等；
- 针对“估值计算复杂”的问题，任务可包含：“内置多种经典估值模型（如PE、PB或PS方法）”、“根据用户输入的参数自动运算估值区间”、“输出风险提示与估值逻辑说明”等。
上述这些任务并非随机组合，而是形成了一条“信息输入→处理分析→结果输出”的闭环任务流：前一项任务的输出是后一项任务的输入，环环相扣确保解决问题的连贯性。这种“流程化编排”的价值在于，即便面对复杂问题，也能通过拆解为可执行的子任务，降低解决门槛——就像组装家具时，一步步按说明书操作，远比直接面对一堆零件更容易。
聪明的你或许已经发现，到目前为止，我几乎没提及AI Agent。因为AI终究只是一种技术手段，真正的核心在于深入理解场景中各类角色面临的问题，并思考如何解决这些问题。很多时候，Agent既不是解决问题的唯一选项，甚至可能并非最优解。
于是有人会问，那什么样的问题，适合用AI Agent技术来解决呢？其实我觉得，这么提问不太恰当，很容易让人掉进“为了用技术而硬找问题”的思维陷阱里。换个更贴合本质的问法应该是：为解决这些实际问题，需要拆解出哪些具体任务？而在这些任务里，哪些交由AI Agent来做，会更高效、更合适呢？
对此，我尝试从供给侧（即产品创造者视角）与需求侧（即产品使用者视角）两个维度来回应。
先看供给侧的 AI Agent 任务适配边界 —— 我们可以通过 “任务复杂度 – 容错度” 这一二维框架对任务进行拆解分析，具体如下图表所示：
这四类任务适配Agent的关系如下：
- 简单且容错度高的任务（如会议记录、资料收集、公文写作等）：AIAgent可独立承担，凭借数据处理效率优势，替代重复性劳动，输出基础成果；
- 复杂但容错度高的任务（如文学创作、数据分析等）：需要“AIAgent+少人协作”，Agent完成素材整理、框架搭建等基础工作，人类补充创意、逻辑校验，实现效率与质量平衡；
- 简单但容错度低的任务（如会计记账、股票下单等）：更适合RPA（机器人流程自动化），依赖严格规则执行，避免Agent的“灵活判断”带来风险；
- 复杂且容错度低的任务（如创办企业、问诊治疗等）：需要“多AIAgent+RPA+多人协作”，通过系统协同，既发挥Agent的数据处理能力，又依托人类把控关键决策，保障结果可靠性。
例如，“估咕”不会直接替用户做投资决策（这超出了工具的合理边界，忽视了用户作为“投资者”的核心决策权，更重要的是一旦决策错误，我们无法承担这样的后果），而是通过任务输出“辅助决策的信息”（相比代人决策，辅助决策容错度高多了），最终由用户基于此完成“预测核心假设修正”、“下单交易”的动作——这正是“机器做机器擅长的事，人类做人类更优的判断”的任务分工逻辑。
其次，我们从需求侧看AI Agent的任务适配边界，也就是说什么样的任务，用户会更需要Agent来帮助完成。我们可以从“任务发生频率-需求程度” 二维度来对任务进行分析，如下图所示：
- 高频且刚性需求（如程序员编程、聊天陪伴、会议纪要）：发生频率高且需求刚性的任务，比如作家写作、程序员编程等都属于此类，AIAgent可深度嵌入，成为日常工具，通过持续交互优化体验；
- 低频但刚性需求（如看病问诊、理财报税、售后服务）：可以考虑用Agent，但不如上一类那么强烈，偶尔用一次，还是用人更靠谱；
- 高频但弱需求（如生活购物）：虽然发生频率高，但决策简单，需要咨询互动不多，对Agent需求相对更弱一些；
- 低频且弱需求（如阅读指导、健身顾问）：发生频率低，做不做也都可以，需求没那么刚性的任务，Agent需求最弱。
围绕角色需要解决的问题，我们可以对任务进行拆解与编排。任务的颗粒度可根据实际需求灵活调整：复杂任务可拆解为更精细的子任务（例如“数据抓取”可细化为“确定数据源”“调用爬虫接口”“校验数据完整性”等步骤）；简单任务则可适当合并以提升执行效率。但无论颗粒度粗细，每个任务都需满足“可定义、可衡量、可落地”的核心标准——即清晰回答“做什么”、“做到什么程度算完成”、“用什么方式实现”这三个关键问题。在此基础上，再结合前文提到的供需两侧任务适配原则，综合评估是否需要引入AI Agent来执行。
对于 AI Agent 而言，任务编排有着更强的特殊性：它并非简单的步骤罗列，而是需要融入 “条件判断” 与 “动态调整” 的逻辑。比如，当某一数据来源临时失效时，Agent 应能自动触发 “切换至备用数据源” 的备选任务；当用户对分析结果提出疑问时，Agent 需启动 “回溯计算过程并生成解释说明” 的补充任务。这种 “弹性任务流” 设计，能让智能体更从容地应对真实场景中的各种不确定性。
简言之，任务编排是SRPT方法论中“从分析到落地”的关键一跃。好的任务设计，既能让产品功能紧扣用户需求（避免“为了复杂而复杂”），又能让AI Agent的行动逻辑清晰可追溯（避免“黑箱式运行”）。正如一场戏剧需要通过分幕、分场的情节设计推动故事发展，一款产品或智能体的价值，也需通过精准、高效的任务编排，才能在场景中真正赋能角色，解决问题。
结语
Agent 技术和其他技术一样，其存在与发展的本质，终究是为了帮助我们更高效地解决问题。如今，AI 产业的竞争格局已悄然发生转变 —— 从早期聚焦上游基础设施的 “内卷”，全面转向对下游应用场景的深耕。正如行业共识所言：得应用者得天下。
作为 AI 领域最重要的应用形态之一，Agent 的创造本身并非难事，真正的挑战在于如何激发真实需求、实现可持续的收入闭环。而这一切的关键，绝不仅仅依赖于大模型技术的迭代，更在于对具体场景中各个角色需求的深度洞察，以及对满足这些需求所必需的领域知识的精准把握。
从定义场景、理解角色，到深挖问题、编排任务，SRPT 方法论所提供的，正是这样一套从抽象到具体、从需求到落地的分析框架。它或许不能直接给出所有答案，但能引导我们在复杂的现实中锚定核心 —— 毕竟，任何技术的价值绽放，都始于对 “人” 在场景中的真实困境的回应。无论是打造 AI Agent、一款产品，还是一个组织，抓住了场景里的角色与问题，便抓住了创造价值的源头。
本文由人人都是产品经理作者【seven777】，微信公众号：【商业知行侠】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
