RPA 的学习难度因人而异。
RPA 很早就已出现,用于工作流编排领域,旨在使符合特定标准的基于桌面的业务流程和工作流程实现自动化,通常这些操作具有重复性和数量较多的特点,且能通过严格规则和结果定义。如今越来越多的 RPA 软件带上了 LLM。
头部商家都在使用 RPA,它 10 年前就有了,可理解为游戏外挂,主要用于办公领域,能控制桌面软件和操作 Web 端,代码被封装成组件,普通用户可搭建机器人,解决办公标准化、重复工作,还可结合人工智能,底层语言为 Python 但使用不需代码。
在财务领域,RPA 也有相应应用,比如数据操作、与多个信息化系统结合等场景有相应 SOP,不同公司因信息化系统不同工作流有差异。
但 RPA 在复杂流程上的开发可能不是那么稳定可靠,使用的上手难度也可能因多种因素而存在一定挑战。比如在 Agentic Workflow 中,通过工作流创建的应用目前来看还比较少,可能是出现周期、上手难度等因素导致。
不过,模仿式工作流是一种较快的学习方法,例如 Large Action Model 采用“通过演示进行模仿”的技术,从用户提供的示例中学习。同时,像 ComfyUI 和 Dify.AI 等在工作流设计方面也有各自的特点和优势。
RPA其实很早就已经出现,就是做工作流编排领域。流程机器人(RPA)软件的目标是使符合某些适用性标准的基于桌面的业务流程和工作流程实现自动化,一般来说这些操作在很大程度上是重复的,数量比较多的,并且可以通过严格的规则和结果来定义,现在越来越多的RPA软件带上了LLM。ComfyUI的工作流设计近期出现的ComfyUI是将开源绘画模型Stable Diffusion进行工作流化操作模式,用户需要在流程编辑器中配置出每一个的pipeline,并通过不同节点和连线来完成模型的操作和图片内容生成,提高了流程的可复用性,降低了时间成本,同时它的DSL配置文件还支持导出导入。Dify.AI可被复制的工作流设计在Dify.AI中,我很兴奋的看到它的工作流设计语言跟ComfyUI会有一些相似之处,都是定义了一套标注化的DSL语言,并且非常方便的可以使用导入导出的功能进行工作流的复用。模仿式工作流是最快的学习方法Large Action Model采用称为“通过演示进行模仿”的技术。检查人们在单击按钮或输入数据时如何与界面互动,然后准确地模仿这些操作,他们收集知识并从用户提供的示例中学习,使他们更能适应进一步的变化并能够处理不同的任务。但是,有没有想过一个问题:Agentic Workflow看起来十分美好,但是使用的用户究竟有多少呢?我看了很多Agent商店,通过工作流创建的应用目前来看还是比较少的(可能是出现周期、工作流使用的上手难度等等一系列因素导致),此外Agentic Workflow似乎在复杂流程上的开发又并不是那么稳定可靠。Idea Time:通过自然语言创建工作流
[heading2]智能章节本章节主要介绍了RPA。头部商家都在使用RPA,RPA是流程自动化机器人,10年前就有了,可理解为游戏外挂。它主要用于办公领域,可控制桌面软件,操作Web端,代码被封装成组件,普通用户可搭建机器人,解决办公标准化、重复工作,还可结合人工智能,底层语言为Python但使用不需代码。[01:15:49](https://waytoagi.feishu.cn/minutes/obcnknad69gjd6449xvs9s8c?t=4549000)RPA机器人在工作中的应用场景及优势本章节以演示产品为出发点,先提出判断工作是否需要机器人的三个维度,然后列举出租车公司查询违章、朋友圈点赞等例子,还提到多电脑多机器人办公可提高效率,介绍企业无人化办公专区,如方太集团节省人力成本,最后还谈及硬件使用的意义。[01:19:38](https://waytoagi.feishu.cn/minutes/obcnknad69gjd6449xvs9s8c?t=4778000)RPA在财务领域的应用及尹刀产品界面简介本章节主要围绕财务领域自动化展开。从RPA角度看,数据操作、与多个信息化系统结合等场景有相应SOP,不同公司因信息化系统不同工作流有差异。还举了开票和网银下载的例子,最后简单提及尹刀产品,将其开发的机器人应用理解为工作中的SOP。[01:23:22](https://waytoagi.feishu.cn/minutes/obcnknad69gjd6449xvs9s8c?t=5002000)极星演示无需代码的机器人创建及网页数据采集
拆!如果单次请求里面不能很好地遵循且完成所有的事情,那麽拆出来,一步一步去做。比如用户表达了自己想要达成的目标,接着就是让大模型去根据这个目标去拆分出来step by step的子任务,再利用工程的方式循环去请求子任务,(中间可能会插入新的任务),直到所有的子任务都被执行完成。这就是去年轰动一时的AutoGPT(Planning and excute)。但是AutoGPT其实只是学术界的一种探索,这东西很难落地,除了一些demo产品,我只在一个叫实在智能的RPA上见过。原因有非常非常多,之前的文章里我也提了很多次。这里只讲几个最难解的。1.计划赶不上变化,提前规划的任务如何保证都能正确执行?2.大模型也不是全知全能,如何保证规划的任务就是对的?3.既然是工程化执行,那何时进入到循环,何时退出循环又是一个问题。下面是当时在实在智能RPA Agent上的截图。或者有兴趣的也可以自己去搜AgentGPT,自己试着跑几个case就知道了。其实大家后来都有在解这些问题,只是思路、解法都不太一样。比如OpenAI开始搞Tools,FastGPT搞了可视化的workflow编排,后面大家都开始意识到好像workflow是一个短期最优解,于是各家都开始做。