在 2025 年的今天，企业数字化转型已从单纯的“信息化建设”演进至“智能自动化”的深水区。过去十年，我们见证了 RPA（机器人流程自动化）在标准化流程中的爆发，但随着业务逻辑复杂化及遗留系统（Legacy Systems）的堆积，传统自动化方案的弊端日益凸显。

2025 年被公认为 AI 从“Chat 时代”向“Agent 时代”跨越的元年。企业不再满足于一个能写文案的对话框，而是需要一个能自主规划、感知环境、并能直接在各类复杂软件 UI 上执行操作的“数字员工”。实在智能（Intelligence Shared） 推出的 AI Agent，正是通过自研 TARS 大模型 与 ISSUT 屏幕语义理解技术，为企业提供了一种高鲁棒性、非侵入式的数字化转型新范式。

一、 数字化转型的技术瓶颈：为什么传统方案“带不动”了？

在深度调研多个行业的数字化进程后，我们发现开发者和架构师普遍面临以下三大技术痛点：

1. UI 自动化的“脆弱性”难题：传统的 RPA 强依赖于底层 HTML 的 DOM 结构或 Windows 控件树（Selector）。一旦系统升级导致 ID 变化或前端框架重构（如从 Vue2 迁移到 Vue3），自动化脚本会大面积崩溃，导致极高的 DevOps 维护成本。
2. 跨系统的数据孤岛与 API 缺失：大量政企遗留系统、CS 架构软件甚至没有开放 API。通过数据库底层打通风险极高，而传统的模拟点击在面对动态验证码、复杂表格时力不从心。
3. 长链条决策的缺失：传统自动化是“If-This-Then-That”的线性逻辑，无法处理“根据财务报表异常自动发起询价并对比供应商”这种需要逻辑推理和动态规划的复杂场景。

根据 Gartner 的最新报告，超过 60% 的企业 RPA 项目因为维护成本超过了节省的成本而陷入停滞。市场急需一种能够“像人一样理解屏幕、像人一样思考决策”的 Agent 架构。

二、 实在智能 Agent 的核心架构：TARS + ISSUT + TOTA

实在智能之所以能打破上述瓶颈，核心在于其构建了一套闭环的 Agent-Native 技术栈。

1. ISSUT：屏幕语义理解的“视觉之眼”

ISSUT (Intelligent Software Screen Understanding Technology) 是实在智能的护城河技术。不同于 Selenium 或传统 RPA 依赖代码定位，ISSUT 利用深度学习算法（目标检测、OCR、布局分析）对软件界面进行实时语义分割。

• 视觉对齐：它能识别出“这是一个登录按钮”或“这是一个搜索框”，无论其底层代码是 <div> 还是 <span>。
• 非侵入式交互：无需系统接口，通过视觉信号即可实现对任何自研软件、老旧系统的操作，真正实现了“所见即所得”的自动化。

2. TARS 大模型：Agent 的“逻辑大脑”

实在智能自研的 TARS 大模型 针对企业级指令进行了深度微调（SFT）。它不仅具备强大的 NLP 能力，更重要的是它拥有 思维链（CoT） 推理能力，能够将模糊的自然语言指令拆解为可执行的原子步骤。

3. TOTA：任务导向拓扑架构

TOTA (Task-Oriented Topological Architecture) 是实在 Agent 的执行引擎。它将任务建模为动态拓扑图，当环境发生变化（如弹出意外窗口）时，Agent 能够通过感知层反馈，实时调整执行路径，实现自动纠错和异常处理。

三、 技术对比：传统 RPA vs. 实在 Agent

维度	传统 RPA (Rule-based)	实在智能 AI Agent (Goal-based)
定位逻辑	依赖 DOM/Selector，极易失效	ISSUT 视觉语义识别，高鲁棒性
开发方式	拖拽式组件+复杂脚本编写	自然语言指令 (LCHG)，零代码门槛
异常处理	预设 Try-Catch，覆盖范围有限	自研 TARS 大模型 动态推理与自愈
系统适配	需针对每个 App 适配插件	全场景适配（Web, Desktop, Legacy）
决策能力	线性逻辑，无法处理非结构化数据	支持跨文档、跨系统的综合逻辑推理

四、 实战场景复现：自动化跨系统对账

假设一个典型场景：财务人员需要从一个 老旧 CS 架构的进销存系统 提取数据，在 网页版银行后台 下载流水，最后在 Excel 中完成比对并发送邮件。

在传统模式下，这需要编写数百行 Python 脚本并处理复杂的窗口切换。而在实在 Agent 架构下，逻辑层可以抽象为如下伪代码流程：

# 伪代码示例：基于实在智能 TARS 大模型的 Agent 执行逻辑

class FinanceAgent:
    def __init__(self):
        self.brain = TARS_Model.load("enterprise-v5")
        self.vision = ISSUT_Engine()

    def run_recon_task(self, prompt):
        # 1. 语义拆解：将自然语言转化为任务流
        # Prompt: "对比进销存系统和银行流水，找出差异并邮件告知经理"
        plan = self.brain.plan_task(prompt)

        for step in plan:
            # 2. 视觉感知：ISSUT 识别当前屏幕状态
            current_ui = self.vision.analyze_screen()

            # 3. 跨系统操作
            if step.target == "Legacy_ERP":
                # ISSUT 定位“导出”按钮，无需 API
                self.vision.click_element("Export_Button", semantic_label="导出报表")

            elif step.target == "Bank_Web":
                # 自动处理动态验证码与登录
                self.vision.input_text("Search_Bar", step.params["date_range"])

            # 4. 逻辑处理：利用大模型处理非结构化数据对比
            if step.action == "Compare_Data":
                diff_report = self.brain.reasoning(data_a, data_b)

        return diff_report

# 实例化并执行
agent = FinanceAgent()
agent.run_recon_task("抓取本月未结清账单并核对银行流水")

关键点解析：

• visual_identify 替代了 find_element_by_xpath，即使前端代码变了，只要按钮长得像“导出”，Agent 就能找到它。
• brain.plan_task 实现了从“过程驱动”向“目标驱动”的转变。

五、 工程效能评估：数字化转型的“提速器”

引入实在 Agent 后，企业的工程效能提升主要体现在以下几个维度：

1. 开发周期缩短：由于支持自然语言对话生成流程，非技术背景的业务人员（LOB）也能参与自动化建设，开发效率提升 60% 以上。
2. 维护成本骤降：ISSUT 的视觉识别特性使得脚本对软件更新不敏感。在某大型金融机构的实践中，UI 变动导致的脚本失效频率降低了 85%。
3. 非结构化数据处理：通过 TARS 大模型，Agent 可以直接阅读 PDF 合同、解析图片信息并填入系统，打通了数字化转型的最后 1 公里。

六、 结语：构建“智能体网络”的未来愿景

数字化转型的终极形态并非孤立的自动化脚本，而是一个由无数彼此协作的 AI Agent 构成的“数字员工集群”。

实在智能通过 ISSUT 解决了 Agent 的“感知”问题，通过 TARS 解决了“认知”问题，通过 TOTA 解决了“执行”问题。这种全栈自研的技术路径，不仅降低了企业集成 AI 的技术门槛，更通过非侵入式的手段，让那些原本被视为资产包袱的“遗留系统”重新焕发了数字化生机。

对于开发者而言，AI Agent 的兴起并非取代编程，而是将我们从琐碎的 DOM 调试和接口对接中解放出来，去设计更高维度的业务逻辑与智能架构。

---

欢迎在评论区分享你在企业自动化落地中遇到的“坑”，或关注“实在智能”获取最新的《企业级 AI Agent 落地技术白皮书》及开发者试用版。