Technical article

模式一：AI做数据理解，RPA做数据搬运。最常见的模式。RPA从各个系统抓取数据（邮件、PDF、网页），传给AI大模型做理解和提取（提取关键信息、分类、总结），RPA再把结构化结果录入目标系统。典型场景：发票识别、简历筛选、合同审核、邮件分类。

模式二：AI做决策判断，RPA做执行操作。RPA收集上下文信息，传给AI做判断（这个邮件要不要回复？这个订单要不要审批？这个异常怎么处理？），AI给出决策结果，RPA按决策执行操作。典型场景：智能客服、自动审批、异常处理、风险预警。

模式三：AI生成内容，RPA分发发布。AI生成文案、报告、代码、邮件，RPA负责把内容发布到各个平台（公众号、小红书、企业微信、邮件系统）。典型场景：内容营销自动化、自动写报告、自动发邮件、代码生成+部署。

模式四：AI做流程生成，RPA做流程执行。用自然语言描述需求，AI自动生成RPA流程（影刀的AI流程助手和魔法指令就是这个模式），生成的流程由RPA执行。这是最前沿的模式，未来可能实现"说一句话就生成一个自动化流程"。

模式五：AI做异常自愈，RPA做稳定运行。RPA运行中遇到异常（页面变了、元素找不到、数据格式不对），不直接报错停止，而是把异常信息传给AI，AI分析原因并给出修复方案（换个元素定位方式、调整数据处理逻辑），RPA按方案自动修复继续运行。这是高级模式，能大幅提升RPA的稳定性。

案例一：智能发票处理。传统方式：RPA下载发票PDF→用OCR识别→按固定位置提取字段→录入ERP。问题：不同供应商的发票格式不一样，固定位置提取经常错。RPA+AI方式：RPA下载发票→AI大模型理解发票内容（不管格式，直接理解语义）→提取发票号、金额、税额、供应商、日期→RPA录入ERP。效果：识别准确率从85%提升到99%，不需要为每种发票格式单独配置。

案例二：智能客服自动回复。传统方式：RPA监控客服消息→按关键词匹配回复模板→发送回复。问题：关键词匹配太死板，用户换个说法就匹配不上。RPA+AI方式：RPA监控消息→把用户问题和历史对话传给AI→AI理解用户意图，生成个性化回复→RPA发送回复，同时把对话记录存入知识库。效果：回复准确率从60%提升到90%，用户满意度大幅提升，人工客服只需要处理AI搞不定的复杂问题。

案例三：智能合同审核。传统方式：法务人工审核合同，一份合同看半小时，标注风险点，给出修改建议。RPA+AI方式：RPA从合同管理系统下载合同→AI大模型审核合同（检查条款风险、对比标准模板、标注异常条款、给出修改建议）→生成审核报告→RPA把报告上传回合同系统，通知法务复核。效果：一份合同审核从30分钟降到2分钟，法务只需要复核AI标注的风险点，效率提升15倍。

第一步：选场景。不要一上来就做全公司自动化，先选一个痛点最明显、规则相对清晰、数据量足够大的场景。好的场景特征：重复操作多、人工耗时多、出错率高、有明确的输入输出。发票处理、客服回复、合同审核都是好场景。

第二步：选模型。根据场景选择AI模型。通用场景用DeepSeek/通义千问（中文好、成本低）；代码场景用GPT-4/Claude；图片场景用GPT-4V/通义千问VL。考虑成本、延迟、数据安全要求，选择API调用或本地部署。

第三步：写提示词。提示词决定AI输出质量。好的提示词包含：角色设定（你是XX专家）、任务描述（做什么）、输出格式（JSON/表格/报告）、注意事项（不要编造、只输出结果）。用本文的模板改一改就能用。

第四步：搭流程。在影刀中搭建流程：RPA负责抓取数据→传给AI（HTTP请求调用API）→解析AI返回结果→RPA执行后续操作。关键是做好异常处理：AI调用失败重试3次，返回格式不对记录日志，低置信度结果转人工。

第五步：测试和优化。先用小批量数据测试（10-20份），检查AI输出准确率，调整提示词。准确率达到90%以上再扩大规模。上线后持续监控，定期回顾AI处理的异常案例，优化提示词和流程。