Robotic Process Automation (RPA)

机器人流程自动化（RPA）是一种软件，通过软件机器人像人一样操作应用程序，自动处理重复且基于规则的计算机工作：打开程序、点击按钮、在字段中输入内容、在系统间复制数据，并且每次都遵循相同步骤。常见任务包括录入发票、对账、处理订单、办理员工入职和生成报告；这些任务通常发生在没有 API 的旧系统中。机器人完全由软件构成，与实体机器人技术毫无关系。Blue Prism 于 2001 年在英国成立，通常被认为创造了这一术语；UiPath、Automation Anywhere 和 Microsoft Power Automate 则是应用最广泛的平台之一。

RPA 的工作方式#

开发者通常在可视化设计器中构建机器人，常见做法是先录制某人的操作，再编辑步骤。为了找到每个按钮或字段，机器人会使用选择器，即对元素属性的存储描述，例如窗口、控件类型和名称；如果不存在这些属性，则会改用屏幕坐标或图像匹配。有人值守的机器人会在员工启动后于其桌面上运行，例如在客户通话期间填写表单。无人值守的机器人则会按计划或根据工作队列在服务器上运行，由编排器分配任务、存储凭据并记录每项操作以供审计：

同样的精确性也让机器人变得脆弱。字段改名、按钮移动或出现新的弹出窗口都会破坏选择器，导致流程停止，直到开发者更新选择器。因此，随着底层应用不断变化，大规模部署 RPA 需要持续维护。

RPA 与 AI#

规则适用于结构化数据；对于更复杂的内容，需要先用机器学习处理，再交给机器人。这种组合被供应商称为智能自动化，被 Gartner 称为超自动化。

• 文档理解：光学字符识别（OCR）和信息提取模型会将扫描的发票、收据和表单转换为结构化字段，再由机器人录入财务系统，这是文档分析流水线中的常见步骤。
• 面向屏幕的计算机视觉：Citrix 等虚拟桌面通常只提供远程屏幕的图像，因此选择器无法识别其中的控件。UiPath 的计算机视觉活动会将窗口图像发送给神经网络，由其识别并标注每个按钮、文本字段和复选框；这就是应用于用户界面的目标检测。
• 语言模型与智能体：大型语言模型（LLM）可以对电子邮件分类、起草回复，并处理过去会让机器人停止运行的异常，而机器人继续执行确定性步骤。供应商如今将这种组合称为智能体自动化：由 AI 智能体决定要做什么，再由机器人执行。

视觉检测结果也可以触发这些自动化流程。在 Ultralytics Platform Agents 中，可以根据 YOLO26 结果设置 Gate 条件，例如检测数量或置信度范围，并将其传递给 Webhook 模块。对于每个匹配结果，该模块都会向公共 HTTPS 端点发送一个 JSON POST，因此缺陷检测可以触发任何接受传入 Web 请求的自动化工具中的流程。

RPA 与相关术语#

• 智能体工作流：由 LLM 规划多步骤流程、调用工具并检查结果，以处理脚本机器人无法应对的非结构化输入。
• 计算机使用智能体（CUA）：通过查看屏幕截图操作软件的 AI 智能体，会在执行过程中决定每次点击的位置，因此按钮移动也不会让它们失效。与每次运行都精确重复相同步骤的录制式 RPA 脚本相比，它们运行得更慢，也更难预测。
• API 集成：通过系统的编程接口直接连接系统，速度更快，也不受界面改版影响。对于没有 API 或开发 API 耗时太长的情况，RPA 可以弥补不足。