在人工智能技术从“对话式 AI”向“行动式 AI（LAA, Large Action Model）”跨越的关键周期中，AI Agent（智能体）已成为企业数字化转型的核心焦点。2025 年 3 月 26 日，实在智能正式发布了全新的企业级通用智能体——实在Agent。这不仅是一次产品迭代，更是自动化技术从“脚本驱动”向“意图驱动”的范式转移。作为架构师，我们需要穿透营销术语，从底层技术逻辑审视：实在Agent 究竟如何通过 TARS 大模型与 ISSUT 屏幕语义理解技术，解决传统 RPA 无法处理的复杂长链条任务？

一、 传统自动化的“深水区”挑战：为何脚本式 RPA 难以为继？

在过去十年的超自动化（Hyperautomation）进程中，以 RPA 为代表的工具极大地提升了重复性劳动的效率。然而，随着企业遗留系统（Legacy Systems）的堆叠和业务复杂度的提升，开发者面临着三个难以逾越的工程挑战：

1. UI 元素的脆弱性（Brittle Selectors）：传统的 RPA 严重依赖 HTML 的 DOM 树结构或 Windows 的控件树。一旦系统升级、前端框架变更（如从 Vue 2 迁移到 Vue 3），预设的选择器（Selector）就会失效，导致维护成本呈指数级增长。
2. API 孤岛与烟囱式架构：大量政企软件（如财务软件、内网 ERP、老旧 OA）缺乏标准 API。在跨平台数据交互时，开发者不得不编写大量的胶水代码，且无法应对非结构化数据（如扫描件、图片）的解析。
3. 缺乏逻辑推理能力：传统脚本只能执行“If-Then-Else”的硬编码逻辑。当面对“根据本月销售额异常波动自动生成分析报告并预警”这类模糊意图时，传统工具无法完成从“意图理解”到“任务拆解”的闭环。

根据 Gartner 的调研数据，超过 60% 的 RPA 项目因维护成本过高而未能达到预期的 ROI。业界急需一种具备“大脑”推理能力与“手脚”执行能力的通用智能体。

二、 实在Agent 的核心架构：TARS 大模型 + ISSUT 视觉算法

实在Agent 的本质是**“大模型驱动的视觉增强型自动执行系统”**。它在架构上实现了“大脑”与“手脚”的深度协同。

1. 大脑：自研 TARS 塔斯大模型

实在智能自研的 TARS 大模型是针对垂直办公领域优化的多模态大模型。与通用 LLM（如 GPT-4）不同，TARS 在训练阶段引入了海量的 Tokens 级别的办公场景数据，专门强化了以下能力：

• CoT（思维链）任务拆解：将用户的自然语言指令（如“帮我核对上周的报销单并录入系统”）拆解为逻辑连贯的原子化步骤。
• 组件生成与映射：将逻辑步骤自动转化为可执行的自动化组件指令。

2. 眼睛与手脚：ISSUT 屏幕语义理解技术

这是实在Agent 区别于其他 Agent 产品的核心专利技术。ISSUT (Intelligent Screen Semantic Understanding Technology) 赋予了智能体类人化的视觉感知能力。

• 非侵入式交互：它不依赖底层 DOM 或 API，而是直接通过计算机视觉（CV）算法解析屏幕像素。
• 语义化识别：ISSUT 能够识别屏幕上的“确定”按钮、“输入框”、“表格数据”等视觉元素，即使界面发生偏移或样式微调，只要视觉语义不变，Agent 就能精准定位。

3. 架构对比分析

维度	传统 RPA	实在智能 AI Agent
驱动方式	规则驱动 (Rule-based)	意图驱动 (Intent-based)
定位逻辑	DOM / 控件树 (易碎)	ISSUT 视觉语义 (鲁棒性强)
开发门槛	需掌握低代码工具/Python	自然语言交互 + 少量引导
适应性	只能处理结构化、固定流程	可处理非结构化、动态环境
系统兼容性	依赖接口或特定驱动	兼容 PC、手机、车机等一切屏幕

三、 实战场景复现：基于自然语言的跨平台自动化对账

为了更直观地理解实在Agent 的技术优势，我们以一个典型的“跨平台自动化对账”场景为例。该流程需要跨越 Web 端的电商后台、桌面端的 Excel 报表以及内网的财务 ERP 系统。

在传统开发模式下，我们需要编写 Selenium 脚本处理 Web、使用 OpenPyXL 处理 Excel，并可能需要图像识别（OCR）来应对没有接口的 ERP。

而在实在Agent 中，执行逻辑被抽象为以下流程（伪代码展示其内部逻辑）：

# 实在Agent 内部执行逻辑模拟 (基于 TARS + ISSUT)

class RealAgentExecutor:
    def __init__(self, user_intent):
        self.intent = user_intent
        self.context = {}

    def run(self):
        # 1. 意图解析 (TARS 大模型)
        steps = TARS.parse_to_steps(self.intent)
        # steps: ["Open Browser", "Login E-commerce", "Export Data", "Open ERP", "Match & Notify"]

        for step in steps:
            # 2. 视觉定位 (ISSUT 技术)
            # 无需指定 XPath，Agent 自动在屏幕寻找“登录”按钮或“导出”图标
            target_element = ISSUT.find_element(step.target_description)

            if target_element.is_visual_present():
                # 3. 动作执行 (RPA 组件)
                result = RPA_Engine.execute_action(target_element, step.action_type)

                # 4. 实时反思与反馈
                if not result.success:
                    self.self_heal(step) # 自动重试或调整路径
            else:
                raise Exception("环境感知异常，启动自适应策略")

# 用户只需输入一句话
agent = RealAgentExecutor("帮我把京东后台上周的对账单导出，并与本地 Excel 核对，不一致的录入 ERP 系统")
agent.run()

这种“所说即所得”的交互范式，极大地降低了 RPA 的维护成本。当 ERP 系统的登录框从左边移到了右边，ISSUT 依然能通过视觉特征识别出它是“登录框”，从而避免了脚本崩溃。

四、 2025 版实在Agent 的核心升级：从“能干活”到“干好活”

在近一周发布的 2025 版中，实在智能重点强化了“问、生、数、办”四大功能。对于技术从业者而言，最值得关注的是其在适应能力和链接能力上的突破：

1. 端到端闭环能力：通过打通 1000 多款常见办公软件及公共平台，实在Agent 实现了真正的跨系统操作。它不再局限于单一的 PC 端，而是扩展到了手机、平板乃至国产信创操作系统（如统信 UOS、麒麟软件）。
2. 强化学习自进化（AReaL v1.0）：引入强化学习机制，Agent 在执行任务的过程中会不断记录成功的路径。随着使用次数的增加，它对特定业务逻辑的理解会越来越深，实现从“通用”到“专家”的进化。
3. 信创生态的深度适配：在当前强调自主可控的背景下，实在Agent 全面支持国产 CPU 和操作系统。这对于金融、电力、政务等对安全性要求极高的行业来说，是不可替代的技术优势。

五、 效果评估与工程效能提升

从工程实践的角度来看，引入实在Agent 后，企业的数字化运营效率会产生质的变化：

• 开发周期缩短 70%：无需繁琐的 UI 拾取和逻辑编排，通过自然语言即可生成 80% 以上的自动化流程。
• 脚本维护率降低 85%：由于不再依赖易碎的 DOM 结构，界面微调导致的自动化失效问题基本得到解决。
• 人力成本释放：在华夏银行等金融机构的落地案例中，Agent 助理处理账户开立、资质审核等任务，降低了超过 60% 的人力投入。

六、 结语：迈向 AGI 的“数字员工”时代

实在Agent 的出现，标志着 AI 技术已从“实验室的 Demo”走向了“生产线的引擎”。它通过 TARS 大模型解决了“想”的问题，通过 ISSUT 与 RPA 解决了“做”的问题。

对于开发者而言，未来的工作重心将从“编写低级自动化脚本”转向“定义业务逻辑与 Agent 训练策略”。我们正在见证一种新型生产关系的诞生：人类负责定义目标与价值判断，而以实在Agent 为代表的智能体负责处理繁琐的执行细节。

如果你正在寻找一种能够打破系统烟囱、实现跨平台超自动化的解决方案，实在Agent 及其背后的 TARS + ISSUT 架构无疑是目前最值得关注的技术路径。

---

欢迎在评论区分享你对 AI Agent 落地场景的看法。如果你对实在智能的 TARS 大模型或 ISSUT 技术有更深入的探讨需求，欢迎关注并获取相关技术白皮书。