影刀RPA店群自动化Agentic RPA进化之路：当大模型成为调度系统的数字大脑

这个系列写了十二篇文章。

从架构设计写到稳定性工程，从运维排障写到分布式集群，从数据一致性写到编排引擎，从策略中台写到安全体系，从成本优化写到趋势洞察。

几乎把店群自动化系统涉及的每一个技术维度都覆盖了。

但有一个话题，我一直想写，又一直没写。

因为它太新了。

新到很多概念还在快速演化，新到很多方案还没有形成行业共识。

这个话题就是——AI大模型正在如何重构RPA的底层逻辑。

2025年到2026年，RPA行业经历了一次剧烈的范式转移。

从“规则驱动的自动化”走向了“智能体驱动的自动化”。

影刀把AI能力内置到了流程编辑器里。实在智能推出了“实在Agent”。行业里开始讨论APA（智能体流程自动化）。

这些变化的本质是什么？

对我们这些做店群自动化系统的人意味着什么？

今天这篇文章，我就试着把这个问题展开聊一聊。

---

一、先说说“传统RPA”的边界在哪里

在聊AI之前，先要搞清楚：传统RPA能做什么、不能做什么。

传统RPA的能力边界其实很清晰——它能执行，但不能理解。

它能按照你写好的指令，精准地点击按钮、填写表单、抓取数据。

但它不知道“为什么要点击这个按钮”，也不知道“如果页面变了该怎么办”。

影刀官方有一个很形象的比喻：RPA是“手脚”，负责执行；AI是“大脑”，负责思考与决策。

这个比喻精准地概括了两者的关系。

在我们的店群自动化系统里，传统RPA能解决的是“怎么做”的问题。

但“什么时候做”、“做什么策略”、“怎么做更好”——这些问题，传统RPA解决不了。

过去我们的解决方案是：把决策逻辑写在代码里。

用if-else写规则，用策略中台配参数，用编排引擎定流程。

但无论怎么抽象，决策逻辑本质上还是“人写的”。

人写的规则，就一定有局限——只能覆盖已知场景，无法应对未知变化。

这就是传统RPA的天花板。

---

二、再说说“AI+RPA”到底改变了什么

2025年到2026年，这个领域发生了一个关键变化：大模型开始真正进入RPA的生产环境。

不是停留在Demo阶段，而是进入了真实的业务流程。

这个变化的核心，不是“RPA多了个AI插件”。

而是RPA的决策层被彻底替换了。

传统RPA的决策层是“规则引擎”——人写规则，机器执行规则。

AI+RPA的决策层是“大模型”——人描述目标，模型理解目标并生成执行方案。

用影刀官方的说法：AI辅助人工进行流程搭建和优化，如AI元素智能定位、自动化指令生成、流程自动修复等。

这不是“增强”，这是“重构”。

具体到店群自动化场景，AI带来的改变主要体现在三个层面：

第一层：流程构建方式变了。

以前搭一个RPA流程，需要人工拖拽指令、配置参数、调试选择器。

现在，你可以在影刀的流程编辑器里拖入一条「自定义AI工作流」指令，使用大语言模型、多模态模型等AI能力来编排一个AI工作流。

甚至，聊天就能生成RPA自动化流程。

这不是“低代码”，这是“无代码”的雏形。

第二层：异常处理方式变了。

以前RPA流程遇到异常，只能报错、重试、告警。

现在，AI可以“理解”异常——页面变了、元素找不到了、弹窗出现了——AI可以自主判断应该怎么处理。

实在Agent的ISSUT智能屏幕语义理解技术，能够像人一样“看懂”并操作任何软件界面。

RPA不再需要精确的XPath，只需要“描述”要找什么，AI自己去找。

第三层：决策方式变了。

以前策略调整靠人——运营发现机会，提需求，开发改代码，测试，发布。

现在，大模型可以直接分析数据、生成策略建议、甚至自动执行策略调整。

RPA自动登录电商平台后台，大模型分析竞品价格、评价关键词、生成调价建议，RPA自动修改商品标题、价格。

这个闭环一旦跑通，自动化的“自动化”就真正实现了。

---

三、从“RPA”到“Agentic RPA”：概念背后的工程现实

行业里现在流行一个词叫“Agentic RPA”——智能体RPA。

听起来很炫酷，但作为一线工程师，我更关心的是：这个概念落实到工程层面，到底长什么样？

我们的理解是：Agentic RPA不是“RPA + 大模型API”的简单拼接。

它是一个新的架构范式。

传统RPA的架构是：流程编辑器 → 执行引擎 → 目标系统。

Agentic RPA的架构是：目标描述 → 大模型（理解+规划） → 执行引擎（RPA） → 目标系统 → 结果反馈 → 大模型（评估+优化） 。

多了两个关键环节：规划和评估。

规划层负责把“目标”翻译成“执行计划”。

比如运营说“帮我优化一下这个商品的价格”，规划层要做的是：分析竞品价格、分析历史销量、分析库存情况、生成调价方案、确定执行步骤。

评估层负责验证执行结果、判断是否需要调整策略。

这两个环节，传统RPA完全没有。

只有大模型能胜任。

这就是为什么说“大模型重构了RPA的决策层”——它填补了RPA从“执行”到“决策”之间的空白。

---

四、店群自动化场景下的AI落地：三个真实案例

说了这么多概念，说点实际的。

我们在店群自动化系统里尝试了几个AI落地的场景，有的已经跑通了，有的还在探索。

案例一：AI辅助定价策略生成。

这是最早尝试的场景。

逻辑不复杂：RPA抓取竞品价格、历史销量、库存数据 → 大模型分析并生成调价建议 → 人工确认后RPA执行调价。

这个方案我们跑了两个月，最大的收获不是“AI定价更准”——说实话，目前还比不过资深运营的经验判断。

最大的收获是效率：以前运营做一次定价分析需要2-3小时，现在AI生成建议只需要2-3分钟。

运营从“做分析”变成了“审核建议”。

效率提升了40倍以上。

案例二：AI辅助流程自修复。

这是针对“平台改版导致流程失效”这个老问题的尝试。

逻辑是：RPA流程执行失败 → 捕获异常信息（页面截图+DOM结构） → 大模型分析失败原因 → 生成修复方案（新的选择器或操作路径） → 自动更新流程。

这个方案目前还在实验阶段，成功率大约60%。

但方向是对的——让系统自己修复自己，而不是等人来修。

案例三：AI辅助运营决策。

这是最远期的尝试。

目标是：运营用自然语言描述目标——“我想提高店铺A的转化率” → 系统自动分析数据、生成优化方案、执行优化操作、评估效果。

一个统一的大脑，理解运营目标，自主调用各种工具（API/RPA/知识库），串联起采购、上架、客服、物流的全链路。

这个场景目前还在概念验证阶段，距离生产环境还有距离。

但方向已经明确了。

---

五、工程化落地的三个现实挑战

说了这么多美好的愿景，也该说说现实了。

AI在店群自动化领域的落地，远没有想象中那么顺利。

我们踩过的坑，大概可以总结为三个：

挑战一：大模型的“幻觉”问题。

大模型会编造不存在的XPath、会生成看起来合理但实际不可行的操作步骤、会 confidently 给出错误的建议。

在“生成调价建议”这个场景里，幻觉的代价还可以接受——人工审核能过滤掉错误建议。

但在“流程自修复”这个场景里，幻觉的代价就很大了——一个错误的修复方案可能导致更严重的故障。

我们的对策是：所有AI生成的方案，必须经过规则层的二次校验。

AI负责“生成”，规则层负责“验证”。

两者互补，而不是AI替代一切。

挑战二：上下文窗口的限制。

大模型的上下文窗口有限。

但要分析一个完整的店群运营情况，可能需要处理几十页的销售数据、竞品数据、库存数据。

超出上下文窗口，模型就“记不住”了。

我们的对策是：分片处理 + 摘要聚合。

把大数据拆成小块喂给模型，每块生成摘要，再把摘要聚合起来做最终决策。

这个方案增加了系统的复杂度，但解决了上下文窗口的限制。

挑战三：成本问题。

大模型API调用不便宜。

如果每个任务都调用一次大模型，成本会迅速攀升。

我们在定价场景里算过一笔账：如果用GPT-4级别的模型做一次完整的定价分析，API费用大约是2-3元。

每天几百个商品需要定价分析，一个月下来就是几万块的额外支出。

我们的对策是：只在关键决策点调用大模型，常规操作走规则引擎。

AI负责“异常情况”和“复杂决策”，规则引擎负责“常规操作”。

两者结合，把AI的调用频率降到最低。

---

六、架构演进：当大模型成为调度系统的一等公民

上面说的这些挑战，本质上指向同一个结论：

AI不是“插件”，不能简单地挂在现有系统上。

它需要成为系统架构的一等公民。

我们的架构正在向这个方向演进：

用户意图（自然语言）
     ↓
【意图理解层】——大模型：理解用户想做什么
     ↓
【任务规划层】——大模型：拆解为可执行的子任务
     ↓
【执行调度层】——传统调度引擎：分配任务、管理资源
     ↓
【RPA执行层】——影刀RPA：执行具体操作
     ↓
【结果反馈层】——大模型：评估效果、生成优化建议
     ↓
返回用户

这个架构的核心变化是：大模型不再是一个“工具”，而是系统的“大脑”。

调度引擎、RPA执行层、数据层——这些都是“手脚”。

“大脑”负责理解、规划、评估。

“手脚”负责执行。

两者通过标准化的接口通信。

这个架构的好处是：大脑可以升级，手脚不需要跟着变。

今天用GPT-4，明天换成更新的模型——只需要替换“大脑”模块，整个系统的其他部分不受影响。

---

七、关于“人机协同”的一点思考

最后说一个不那么技术、但可能更重要的话题。

AI来了之后，人的角色会发生什么变化？

我的观察是：人不会消失，但人的工作内容会彻底改变。

以前运营的工作是“操作”——登录后台、填写表单、点击按钮。

以后运营的工作是“决策”——设定目标、审核建议、评估效果。

操作交给RPA，分析交给AI，决策留给人。

这才是真正的“人机协同”。

影刀RPA的愿景是“让⼈不必像机器一样工作”。

这个愿景正在变成现实。

当RPA承担了机械操作、AI承担了数据分析，人终于可以去做人最擅长的事情——判断、创造、决策。

当然，这个转变不会一蹴而就。

它需要技术成熟、需要流程重构、需要组织调整、需要认知升级。

但方向已经很明确了。

---

八、写在最后

这篇文章写得有点不一样。

没有大段的代码，没有详细的架构图。

更多的是思考、是观察、是预判。

因为AI+RPA这个领域变化太快了——今天写下的代码，三个月后可能就已经过时了。

但有些东西是不会变的：

自动化的本质，从来不是“替代人”。

而是“把人从低价值的工作中解放出来，去做高价值的事情”。

传统RPA做到了第一步——替代机械操作。

AI+RPA正在做第二步——替代数据分析。

下一步是什么？

可能是替代部分决策。

再下一步呢？

我不知道。

但我知道方向：自动化会越来越“聪明”，人会越来越“自由”。

这条路还很长，但值得走下去。

---

作者：林焱