智能体与RPA如何协同:场景选型与落地要点
作者:demo2026.11.16 10:23浏览量:0简介:本文围绕企业业务流程自动化场景,说明智能体、RPA与大模型各自承担的角色,拆解“理解决策、任务编排、具体执行”的分层协同方式,并给出选型判断依据、典型实施流程与落地注意事项,帮助技术团队判断何时需要智能体,何时仅用RPA即可满足需求。
一、场景概述
本文讨论的场景是企业内部的业务流程自动化。很多团队在推进自动化时,会同时听到“智能体”和“RPA”两个概念。二者都能让系统替代部分人工操作,但解决的问题不同。智能体侧重于根据目标自行理解、规划和执行,RPA侧重于按既定规则稳定地完成重复性操作。明确两者的边界,是判断项目采用何种技术的前提。
与传统AI相比,智能体的变化在于工作模式。传统AI的模式是人提问、AI回答,输出停留在建议层面,真正的操作仍由人完成。智能体的模式是人给出目标,系统拆解任务、调用工具并输出结果,从辅助工具转向执行主体。
二、场景痛点
在业务流程中,常见问题大致可以归为以下几类。
- 重复操作占用人力。例如每天从多个系统导出数据,手工整理成报表,再发送给相关人员。这类工作规则清晰,但耗时较长,且容易因疲劳出现错误。
- 流程依赖跨系统协作。一个业务动作往往涉及多个系统,数据在系统之间靠人工搬运,容易造成信息不同步和处理延迟。
- 非结构化信息难以处理。合同、工单、邮件、图片等内容格式不统一,仅依靠固定规则难以覆盖所有情况。
- 决策缺少一致性。同一类请求由不同人员处理时,判断标准可能不统一,事后审计也难以追溯判断依据。
- 系统改造成本高。部分历史系统没有开放接口,直接对接需要较长周期。
这些问题的性质不同。前两类主要与执行效率相关,后两类与理解和决策能力相关。区分痛点的性质,有助于选择合适的技术组合。
三、能力需求
从技术角度拆解,这类场景通常需要以下几项能力。
感知与理解:识别用户意图,处理文本、表格、图像等多种输入,把非结构化内容转换为可判断的信息。
规划与决策:将复杂目标拆分为有先后关系的步骤,判断每一步的执行条件。信息不足时,决定是追问、等待还是转交人工。
执行能力:调用接口、操作界面、读写文件、发送消息,把决策落实到具体动作上。
记忆与上下文:保存任务状态、历史结果和业务规则,使多步骤任务在中断后可以继续执行。
可观测与可控:记录每一步的输入、输出和耗时,并设置异常处理规则与人工审批节点。
这些能力不必全部由单一技术提供。评估时,应逐项检查现有系统已具备哪些能力,又缺少哪些能力。
四、方案思路:三层分工
较为稳妥的做法是把整体自动化拆分为三层。
第一层是大模型,负责理解与判断。它处理自然语言和非结构化内容,完成意图识别、信息抽取、分类,并给出建议结论。
第二层是智能体,负责任务编排。它接收业务目标,决定调用哪些工具、按什么顺序执行、何时检查结果,以及何时转交人工。
第三层是RPA,负责具体执行。它按照预先定义的流程完成界面操作、数据录入、表格处理、文件归档和消息通知等动作。这类动作可重复,结果可预期。
三层的分工可以概括为:大模型解决“如何理解”,智能体解决“先做什么、后做什么”,RPA解决“动作如何稳定完成”。三者结合,才能构成较完整的企业级自动化能力。只使用其中一层时,通常会在其他方面留下缺口。例如只有RPA时,遇到流程之外的例外情况,系统只能报错或停止。
这种分层是设计原则,可以根据实际情况调整。简单流程可以只用RPA,纯知识问答可以只用大模型。只有在目标复杂、步骤多变、输入不规则时,智能体的编排价值才会明显体现。
五、典型流程
一个完整的落地过程通常包括以下阶段。
- 需求评估:梳理业务目标、现有流程、涉及系统、数据类型和容错要求,确定自动化的范围。
- 流程分析:把流程拆分为步骤,标注每一步属于规则执行还是需要判断,并标出例外情况和人工介入点。
- 架构设计:确定大模型、智能体和RPA各自的职责,设计数据流向、权限边界和日志方案。
- 资源准备:申请运行环境、账号和接口权限,准备测试数据和隔离的验证环境。
- 配置接入:配置工具调用范围、RPA流程和规则库,并接入消息通知与审批通道。
- 联调验证:使用历史样本和边界样本进行测试,比对自动化结果与人工结果,记录偏差原因。
- 上线运行:先以灰度或影子模式运行,逐步扩大覆盖范围。
- 监控优化:持续跟踪成功率、异常类型、处理耗时和人工介入比例,定期更新规则与流程。
这个流程的重点在于验证与灰度。智能体的输出具有一定不确定性,上线前应明确可接受的错误率和兜底方案,不能假定结果总是正确。
下面是一段通用的任务编排伪代码,用于说明三层之间的调用关系。
接收业务目标并读取上下文
拆解为有序步骤列表
对每个步骤依次执行:
若需要理解或判断,调用大模型获取结构化结果
若需要操作界面或系统,调用对应的RPA流程
记录本步骤的输入、输出和耗时
校验结果,异常时按规则重试、转人工或终止
汇总结果并回写业务系统
六、关键模块
从通用架构看,主要涉及以下模块。
计算模块:承载大模型推理、智能体调度和RPA机器人运行。需要根据负载情况考虑弹性伸缩。
存储模块:保存原始文件、中间结果和生成的报表。可以使用对象存储或文件存储,并按数据类型设置保留周期。
数据库:记录任务状态、流程版本和执行历史,支持断点续跑和问题回溯。
消息队列:在触发与执行之间解耦,避免某个环节处理缓慢时阻塞整条流程。
身份认证与权限:为机器人和智能体分配独立账号,遵循最小权限原则。敏感操作需要额外授权。
日志与监控:记录每次工具调用、模型输入输出(需脱敏)和RPA步骤结果,并设置告警阈值。
网络与安全:限制出站访问范围,对敏感数据进行加密传输和加密存储。
模块之间的依赖关系决定了故障的影响范围。设计时应明确哪些模块失效会导致全流程中断,哪些模块失效只影响部分功能。
七、选型判断
不同业务适合的技术组合并不相同,可以从以下几个问题进行判断。
- 流程规则是否稳定。规则明确、变化较少的流程,优先考虑RPA,成本较低,结果可预期。
- 输入是否结构化。输入格式固定时,RPA或传统脚本即可满足需求。输入来自邮件、文档或对话等非结构化来源时,需要大模型参与理解。
- 是否需要动态规划。步骤随情况变化,需要根据中间结果调整执行路径时,智能体的编排能力更有价值。
- 容错要求有多高。涉及资金、合规或对外承诺的环节,应保留人工审核,并缩小自动化决策的自主范围。
- 维护团队的能力如何。智能体与大模型方案需要提示设计、效果评估和数据治理能力。团队若缺乏这些能力,应从小范围试点开始。
在访问量波动较大或业务量有明显季节性的场景下,弹性伸缩能力应作为选型的重要条件。在数据敏感性较高的场景下,权限控制与审计机制需要先于功能设计确定。
八、落地要点
- 权限控制:为每个机器人和智能体配置独立身份,限定可访问的系统和操作类型,并定期审查权限。
- 数据安全:传入大模型的数据需要脱敏处理。明确哪些字段不允许离开内网,审计日志也需要受到保护。
- 稳定性设计:为外部接口调用设置超时、重试和熔断

登录后可评论,请前往 登录 或 注册