从硬编码到意图驱动：深度解析传统RPA向AI Agent架构迁移的“五层渐进式”实战路

摘要

随着大模型（LLM）技术的演进，自动化领域正经历从“预设逻辑”向“自主智能体（AI Agent）”的范式转移。本文旨在为架构师与开发者提供一份硬核迁移指南，重点探讨如何处理企业存量的海量历史RPA资产。通过引入实在智能的ISSUT（屏幕语义理解）与TARS大模型，我们提出了一种“技能化封装”与“意图驱动编排”的重构方案，旨在解决传统自动化脚本在复杂动态环境下的“易碎性”痛点，实现从“自动化工具”向“数字员工”的代际跨越。

一、 技术背景与挑战：传统RPA的“骨质疏松”困局

在2026年3月的技术节点回望，传统RPA（机器人流程自动化）的局限性已成为企业数字化转型的核心瓶颈。传统的RPA本质上是基于“硬连接”的自动化，其逻辑完全依赖于程序员预设的If-Else规则和脆弱的UI拾取技术（如DOM树定位、坐标识别）。

行业共识：英伟达CEO黄仁勋在近期技术峰会中指出：“Agentic AI（代理型AI）已达到拐点，AI正式从被动响应的助手进化为主动规划的执行者。”这意味着，依赖固定脚本的自动化模式正在被能够理解意图、自主拆解任务的智能体架构所取代。

对于开发者而言，传统RPA面临三大“真问题”：

1. 高维护成本（Maintenance Hell）：一旦目标系统的UI发生微小变动（如前端框架升级、动态ID变化），依赖DOM结构的脚本会大面积崩溃。
2. 非结构化数据处理乏力：传统RPA难以处理模糊指令、复杂的财务报表图像或非标准的法律合规文件。
3. 逻辑硬编码导致的扩展性差：跨系统的业务流一旦涉及决策分支，脚本的复杂度会呈指数级增长，导致系统难以重构和迁移。

二、 解决方案架构：基于“实在Agent”的重构范式

针对上述痛点，我们引入了以实在Agent为核心的下一代自动化架构。该架构不再追求一次性推倒历史资产，而是通过“感知-决策-执行”的三位一体闭环，对存量RPA流程进行智能化升级。

1. 核心技术：ISSUT 屏幕语义理解

实在智能自研的 ISSUT (Intelligent Screen Semantic Understanding Technology) 是解决“UI易碎性”的关键。不同于Selenium或传统拾取工具，ISSUT 基于计算机视觉算法，能够像人类一样“看懂”屏幕。它识别的是“按钮”、“输入框”或“表格”的语义特征，而非底层的代码结构。这使得Agent在面对UI变动时，具备极强的鲁棒性（Robustness）。

2. 大脑中枢：TARS 大模型与 TOTA 架构

• TARS 大模型：作为Agent的决策引擎，负责自然语言理解（NLU）与任务拆解。它能将用户的模糊意图（如“帮我核对上个月所有异常账单”）转化为可执行的原子步骤。
• TOTA (Task-Oriented Topological Architecture)：任务导向的拓扑架构。它将复杂的业务流抽象为拓扑图，允许Agent在执行过程中根据环境反馈动态调整路径，而非死板地执行线性脚本。

3. 架构对比分析

维度	传统 RPA (Legacy RPA)	实在智能 AI Agent
定位技术	依赖 DOM、ID、坐标（易碎）	ISSUT 视觉语义识别（鲁棒）
逻辑驱动	硬编码 If-Else 逻辑	TARS 大模型意图驱动
异常处理	报错停止，需人工介入	自主推理，尝试自愈路径
资产复用	脚本级复用，耦合度高	原子技能（Skills）化解耦
交互方式	预设触发器	自然语言交互（LUI）

三、 实战场景复现：从脚本调用到意图执行

假设我们需要重构一个复杂的“电商竞品数据采集与对账”流程。在传统模式下，这需要编写数百行 Python/Selenium 代码来处理登录、翻页、反爬及数据清洗。

在 AI Agent 架构下，我们将历史的 RPA 脚本封装为“原子技能”，由 Agent 进行逻辑调度。

逻辑展示：Agent 执行逻辑伪代码

# 实在Agent 核心执行逻辑示例
class FinanceAgent:
    def __init__(self):
        self.brain = TARS_Model(version="v3.5-pro")
        self.vision = ISSUT_Engine() # 开启屏幕语义理解
        self.skills_library = ["Legacy_Login_RPA", "Data_Export_Tool", "Excel_Audit_Skill"]

    def execute_task(self, user_prompt):
        # 1. 意图解析：将自然语言转化为任务拓扑图
        plan = self.brain.plan_task(user_prompt)

        for step in plan.steps:
            # 2. 环境感知：使用ISSUT识别当前页面状态
            current_ui_context = self.vision.get_screen_semantics()

            # 3. 动态决策：选择最佳工具或技能
            if step.type == "UI_Operation":
                # ISSUT 驱动的非侵入式操作，无需关心DOM ID
                target_element = self.vision.find_element(step.target_name)
                target_element.click()

            elif step.type == "Legacy_Asset":
                # 调用历史存量 RPA 资产作为“原子技能”
                result = self.call_skill("Legacy_Login_RPA", context=current_ui_context)

            # 4. 结果验证与自愈
            if not self.check_success(step):
                self.brain.replan(step, error_info="UI Layout Changed")

# 实例化并运行
agent = FinanceAgent()
agent.execute_task("抓取某平台近一周竞品价格并生成异常波动报告")

通过上述重构，原本长达千行的复杂脚本被拆解为由 TARS 驱动的动态工作流。开发者不再需要关心“如何点击按钮”，而只需定义“任务目标”。

四、 五层渐进式迁移路径：历史资产的兼容之道

迁移不应是“推倒重来”，而应是“平滑演进”。我们建议企业采用以下五层架构路径进行资产重构：

1. 第一层：工具化封装（Skill-based Wrapping）
   将现有的 RPA 流程（.rpax 或 .py 脚本）API 化，转化为 Agent 可以调用的“工具”。此时，Agent 仅作为逻辑路由。
2. 第二层：感知层增强（Visual Sensing Enhancement）
   引入 ISSUT 技术，逐步替换脆弱的 DOM 定位逻辑。即使业务逻辑不变，也能大幅提升自动化流程在 UI 升级时的生存率。
3. 第三层：知识库集成（RAG-Enabled Memory）
   将业务手册、SOP 文档转化为向量数据。利用 RAG（检索增强生成）技术，赋予 Agent 处理特定领域（如财务合规、人力资源）的背景知识，减少对硬编码规则的依赖。
4. 第四层：多智能体协作（Multi-Agent Orchestration）
   将复杂业务拆解。例如：由“采集 Agent”负责前端数据获取，由“审计 Agent”负责逻辑校验。通过实在智能的协作协议，实现复杂任务的并行处理。
5. 第五层：生产级自主基建（Autonomous Infrastructure）
   建立完善的监控、审计与安全边界。Agent 在预设的“禁止空间”外自主运行，实现真正的“数字员工”上岗。

五、 效果评估与工程效能总结

经过多家头部企业的实践验证，采用实在智能 AI Agent 架构进行迁移后，工程效能呈现出显著提升：

• 开发周期缩短 65%：由于引入了自然语言编排和 ISSUT 视觉识别，开发者无需耗费大量时间进行底层代码调试。
• 脚本维护率降低 80%：ISSUT 的语义识别能力使得自动化流程对 UI 变化的容忍度极高，大幅减少了因系统升级导致的“断流”。
• 非结构化数据处理能力提升 3 倍：TARS 大模型原生支持对图片、复杂文档的理解，打破了 RPA 只能处理 Excel 的天花板。

结语

从传统 RPA 向 AI Agent 的迁移，本质上是从“过程控制”向“目标导向”的转变。在这个过程中，历史业务流资产并非负累，而是 Agent 进化的养料。通过实在智能提供的 ISSUT 与 TARS 技术底座，企业能够以极低的重构成本，将僵化的脚本转化为具备感知力与决策力的智能体。

未来，自动化将不再是少数程序员的特权。随着 AI Agent 技术的民主化，“人人都是开发者”的愿景正通过意图驱动型计算变为现实。

---

欢迎在评论区分享你在 RPA 迁移过程中遇到的技术挑战，或关注“实在智能”官方技术专栏，获取更多 AI Agent 架构白皮书及开发者试用版。
关键词：传统RPA向AI Agent架构迁移路径：历史业务流资产的兼容与重构方案