去年8月，我们团队3人每天花在数据搬运上的时间超过6小时。最崩溃的一次，同事连续3天做同一个汇总，第三天发现数据错位，整个表全废。

试了一圈方案，最后落地了4个RPA+AI Agent场景。这篇不是教程，是踩坑记录——哪些能跑通、哪些翻了车、真实的技术选型逻辑是什么。

---

一、电商多店铺数据自动汇总

1.1 业务痛点

5个平台（淘宝、京东、拼多多、抖音、小红书），每天运营要分别登录后台下载订单、推广、库存数据，再贴到汇总表。

一个平台3分钟，5个平台理论15分钟，实际40分钟以上。字段名不统一、日期格式各异，人工对齐极易出错。

1.2 技术方案

第一层：RPA自动抓取

• 指纹浏览器隔离环境（紫鸟、比特、HubStudio），每个店铺独立Cookie和指纹

• RPA按日期筛选、下载报表、保存到本地指定文件夹

• 通过模拟鼠标键盘操作实现，降低平台风控概率

第二层：AI Agent数据清洗

不同平台字段映射关系：

平台	金额字段名	日期格式
淘宝	实付金额	2025/6/8
京东	订单金额	2025-06-08
拼多多	支付金额	2025.06.08

接入DeepSeek大模型，提示词核心逻辑：

prompt = """
你是一个数据清洗助手。请将以下各平台原始数据按统一格式处理：
1. 金额字段统一映射为"实付金额"
2. 日期统一转为YYYY-MM-DD格式
3. 缺失值标红，异常值（如金额为负）单独列出

原始数据：
{raw_data}
"""

第三层：自动生成报表

清洗后的数据写入Excel，调用openpyxl生成趋势图。定时任务每天早上9点触发，完成后邮件推送。

from openpyxl import Workbook
from openpyxl.chart import LineChart, Reference

def generate_report(cleaned_data, output_path):
    wb = Workbook()
    ws = wb.active
    ws.title = "汇总报表"
    
    # 写入数据
    for row in cleaned_data:
        ws.append(row)
    
    # 生成趋势图
    chart = LineChart()
    chart.title = "近7日销售趋势"
    data = Reference(ws, min_col=2, min_row=1, max_row=len(cleaned_data))
    chart.add_data(data, titles_from_data=True)
    ws.add_chart(chart, "E2")
    
    wb.save(output_path)

1.3 踩坑记录

• 坑1：云端RPA IP漂移触发风控
  某云RPA的IP池不固定，平台后台触发异地登录验证，流程中断。换成纯本地运行的RPA方案后解决——流程在本地执行，IP固定，数据不上传任何第三方服务器。

• 坑2：大模型幻觉导致金额错误
  早期直接用LLM做计算，偶尔出现199.9+200=399.80000000000007这类浮点问题。后来改为LLM只做字段映射和格式标准化，数值计算用Python处理。

• 坑3：指纹浏览器兼容性问题
  HubStudio 3.2.1版本更新后RPA定位不到元素，回退到3.1.8解决。解决方式是锁定浏览器版本，关闭自动更新。

1.4 效果与部署

指标	优化前	优化后
耗时	40分钟/天	全自动
错误率	每月3-4次	0次
部署方式	本机脚本	打包EXE分发，同事双击运行

部署方式上，最终选择了支持EXE打包的本地RPA方案。同事不需要安装任何环境，接收文件后双击即可执行，这对非技术同事推广使用很关键。

---

二、智能客服自动回复（知识库驱动）

2.1 业务痛点

工业配件咨询，问题高度重复（库存、价格、发货时效），分散在网页客服、钉钉、企业微信三个渠道。人工客服月薪5000，大部分时间复制粘贴。

2.2 技术方案

知识库构建

用Markdown格式整理产品信息：

AI Agent回复流程

from sentence_transformers import SentenceTransformer
import numpy as np

# 加载向量模型（本地运行，无需联网）
model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')

def retrieve_knowledge(query, knowledge_base, top_k=3):
    # 将知识库分段编码
    passages = [k['content'] for k in knowledge_base]
    passage_embeddings = model.encode(passages)
    
    # 查询编码
    query_embedding = model.encode([query])
    
    # 计算相似度
    similarities = np.dot(query_embedding, passage_embeddings.T)[0]
    top_indices = np.argsort(similarities)[-top_k:][::-1]
    
    return [knowledge_base[i] for i in top_indices]

def generate_reply(query, knowledge_base):
    relevant_docs = retrieve_knowledge(query, knowledge_base)
    context = "\n".join([doc['content'] for doc in relevant_docs])
    
    prompt = f"""
基于以下产品信息，回答客户问题。要求：自然语言，非固定模板。
产品信息：
{context}

客户问题：{query}
"""
    # 调用本地或自申请API
    return call_llm(prompt)

回调通知

Agent回复后，自动推送对话摘要到钉钉群：

def send_notification(dingtalk_webhook, summary):
    import requests
    payload = {
        "msgtype": "text",
        "text": {"content": f"[客服Agent] {summary}"}
    }
    requests.post(dingtalk_webhook, json=payload)

2.3 踩坑记录

• 坑1：知识库更新滞后
  价格变动后Agent仍报旧价。解决：知识库文件设为每日自动同步，Agent每次回复前强制重新加载。

• 坑2：多轮对话上下文丢失
  客户问"多少钱"，再问"那B型号呢"，AI把B型号当成A型号报价。解决：引入对话记忆（最近3轮），用Redis缓存。

• 坑3：渠道适配成本高
  三个渠道的消息格式和发送方式不同。解决：抽象统一的消息接口层，各渠道单独实现适配器。

2.4 效果

• 80%常见问题自动回复

• 复杂问题自动标记"需人工"，转接对应同事

• 回复速度从平均5分钟→秒级

---

三、合同发票自动归档（OCR+AI校验）

3.1 业务痛点

月底财务处理几十张发票、合同：

• 邮箱下载PDF→打开→提取金额、税号、日期→重命名→分类存储→录入财务系统

• 单张5-8分钟，月底加班常态

• 人工重命名易出错（如把5000写成50000）

3.2 技术方案

[邮箱] → [RPA定时扫描] → [下载PDF] → [OCR识别] → [AI校验] → [自动归档] → [录入财务系统]

OCR识别

用pdfplumber+Tesseract提取PDF文字，关键字段正则匹配：

import re
import pdfplumber

def extract_invoice_info(pdf_path):
    with pdfplumber.open(pdf_path) as pdf:
        text = "\n".join([page.extract_text() or "" for page in pdf.pages])
    
    # 金额匹配（支持"金额：5000"、"合计5000"等格式）
    amount = re.search(r'(?:金额|合计|小写)[^\d]*(\d{1,3}(?:,\d{3})*\.\d{2})', text)
    # 税号匹配
    tax_id = re.search(r'[A-Z0-9]{15,20}', text)
    # 日期匹配
    date = re.search(r'\d{4}[年/-]\d{1,2}[月/-]\d{1,2}[日]?', text)
    
    return {
        'amount': amount.group(1).replace(',', '') if amount else None,
        'tax_id': tax_id.group(0) if tax_id else None,
        'date': date.group(0) if date else None,
        'raw_text': text[:500]  # 保留原始文本用于校验
    }

AI校验层

接入大模型做合理性检查：

def validate_with_llm(extracted_info):
    prompt = f"""
请校验以下发票信息是否合理：
- 金额是否为数字且大于0
- 日期格式是否正确
- 税号长度是否为15-20位

如有异常，标注具体问题。

提取信息：
{json.dumps(extracted_info, ensure_ascii=False)}
"""
    result = call_llm(prompt)
    if "异常" in result:
        return False, result
    return True, "校验通过"

自动归档

按规则重命名：{日期}-{供应商}-{金额}.pdf
分类存储：/发票/2025/06/

import os
from datetime import datetime

def archive_invoice(pdf_path, info, base_dir="/发票"):
    # 解析日期
    date_str = info['date'] or datetime.now().strftime("%Y%m%d")
    year, month = date_str[:4], date_str[4:6] if len(date_str) == 8 else date_str[5:7]
    
    # 构建路径
    target_dir = os.path.join(base_dir, year, month)
    os.makedirs(target_dir, exist_ok=True)
    
    # 重命名
    new_name = f"{date_str}-{info.get('supplier', '未知')}-{info['amount']}.pdf"
    target_path = os.path.join(target_dir, new_name)
    
    os.rename(pdf_path, target_path)
    return target_path

3.3 踩坑记录

• 坑1：扫描件PDF无法提取文字
  pdfplumber 0.11.0版本在Windows下提取扫描件会报PDFObjRef错误。解决：先用Tesseract OCR，再用LLM做二次校正。

• 坑2：金额单位混淆
  有的发票金额单位是"元"，有的是"万元"。AI校验层加入单位推断逻辑。

• 坑3：财务系统字段变更
  ERP升级后字段名变了，RPA脚本报错。解决：字段映射单独抽成配置文件field_mapping.json，不硬编码。

3.4 效果

• 单张处理从5-8分钟→全自动

• 月底无需加班

• 数据全本地存储，财务合规通过审计

---

四、周报自动生成（多系统数据采集+LLM总结）

4.1 业务痛点

每周五花1-2小时写周报：各系统截图→复制数据→贴PPT→排版。领导格式要求常变，上周模板这周作废。

4.2 技术方案

RPA数据采集层

数据源	采集内容	方式
CRM	客户跟进记录	模拟登录→筛选本周→导出
电商平台	销售数据	同案例一
项目管理	任务完成情况	API调用
各系统	关键页面截图	模拟操作→截图保存

LLM总结层

提示词核心：

prompt = """
基于以下本周数据，生成周报：

数据：
{data}

要求：
1. 本周完成：列出3-5项核心成果，附具体数字
2. 下周计划：基于未完成任务推断
3. 遇到的问题：数据中的异常或延迟项
4. 需要支持：明确列出需要资源或决策的事项

格式：每段不超过3行，有逻辑、有重点，不要堆砌数据。
"""

自动排版层

用python-docx生成Word，按公司模板插入截图和表格：

from docx import Document
from docx.shared import Inches

def generate_weekly_report(data, screenshots, template_path, output_path):
    doc = Document(template_path)
    
    # 替换占位符
    for paragraph in doc.paragraphs:
        if "{本周完成}" in paragraph.text:
            paragraph.text = paragraph.text.replace("{本周完成}", data['completed'])
        if "{下周计划}" in paragraph.text:
            paragraph.text = paragraph.text.replace("{下周计划}", data['plans'])
    
    # 插入截图
    for screenshot in screenshots:
        doc.add_picture(screenshot, width=Inches(5.5))
    
    doc.save(output_path)

定时任务：每周五16:00自动运行，16:30邮件推送草稿。

4.3 踩坑记录

• 坑1：LLM总结过于笼统
  早期输出"本周工作进展顺利"，毫无信息量。解决：在提示词中强制要求"引用具体数字"。

• 坑2：截图分辨率问题
  不同电脑分辨率不同，截图位置偏移。解决：用窗口句柄定位，而非绝对坐标。

• 坑3：模板频繁变更
  领导每周换格式。解决：模板抽离为可配置Word文档，RPA动态读取。

4.4 效果

• 从2小时/周→10分钟/周（检查LLM生成内容）

• 报告质量稳定，不受周五疲劳影响

---

五、技术选型：本地RPA vs 云端RPA的实测对比

做这4个案例，我换过3款工具，最终选型逻辑：

需求	某云RPA	本地RPA方案
内网/离线环境	❌ 必须联网	✅ 纯本地运行，离线可执行
数据安全	⚠️ 数据上云	✅ 全本地存储，不上传第三方
打包分发	❌ 需安装环境	✅ 可打包EXE，双击运行
AI费用	按功能/机器人收费	自申请API，按token计费
指纹浏览器	部分支持	支持紫鸟、比特、HubStudio等

选型结论：对数据敏感、需内网离线部署、预算有限的团队，本地RPA方案更合适。

我当前在测试的本地RPA工具实测体验：

这个工具叫蓝印RPA，几个核心能力对应了我们团队的刚需：

• 离线运行：内网环境直接执行，无需联网，这是我们能过等保测评的前提

• EXE打包：写好的流程打包成可执行文件，同事双击就能跑，不用装环境

• 数据本地存储：所有流程、数据、日志全在本地，符合财务审计要求

• AI费用透明：接大模型用的是自己申请的API（文心一言、豆包、DeepSeek、Kimi都支持），用多少付多少，一个月AI调用费用几十块

但也存在局限：

• 社区生态不如大厂成熟，部分高级功能文档不够详细

• 遇到冷门问题需要自己去GitHub翻issue或社区提问

• 可视化流程编辑器的体验还有优化空间

对于小团队来说够用且省钱，但如果你需要企业级SLA保障或丰富的预置组件库，建议还是看大厂方案。

---

六、适合谁？不适合谁？

适合：

• 有重复数据搬运需求的个人开发者/小团队

• 业务系统老旧、不想改造系统的中小企业

• 数据不能上云的合规场景

不适合：

• 追求"零代码"完全不懂技术的用户（仍需基础逻辑配置）

• 流程极度复杂、每一步都需要人工判断的场景

• 期望100%无人值守、一次配置永久不管的心态

RPA+AI Agent不是万能药。它最适合的是那些重复、规则明确、耗时间的活儿。

我这一年最大的感受：省下来的时间不是让你摸鱼的，是用来做更有价值的事的。

如果你也在被复制粘贴折磨，建议从最简单的场景开始——自动登录+抓取数据，跑通了再慢慢加AI能力。

技术是用来解决问题的，不是用来炫技的。