最近在技术社区看到一个很有意思的讨论：Kimi K3 大模型在多项评测中表现优异，甚至被一些榜单列为全球前三，其强大的自然语言理解和生成能力令人惊叹。与此同时，RPA（机器人流程自动化）工具，如影刀RPA，依然在企业自动化流程中占据着稳固的地位，相关的教程、认证和组件开发需求依然旺盛。这不禁让人思考：在AI大模型能力突飞猛进的今天，为什么还有大量开发者和企业坚持使用甚至深入学习RPA？它们之间是替代关系，还是互补关系？本文将深入探讨Kimi K3等大模型与RPA工具的核心差异、适用场景，并通过一个结合两者优势的实战案例，为你揭示在企业级自动化中如何做出明智的技术选型。

1. 核心理念与能力边界：理解大模型与RPA的本质区别

要回答“为什么共存”的问题，首先必须抛开“谁更先进”的片面观点，从底层逻辑上理解它们是两种截然不同的技术范式。

1.1 大模型（以 Kimi K3 为例）：认知与创造的核心

大模型，如Kimi K3、GLM、DeepSeek等，本质上是基于海量数据训练出的“概率模型”。它的核心能力在于理解和生成人类语言，并进行复杂的推理和内容创作。

• 核心优势：

  • 语义理解：能读懂需求文档、邮件、合同条款，理解上下文和意图。
  • 内容生成：撰写报告、邮件、代码、营销文案，进行翻译和总结。
  • 复杂推理：进行逻辑分析、数学计算、多步骤问题拆解。
  • 泛化能力：面对未见过的任务，能通过指令（Prompt）尝试解决，无需针对每个任务单独编程。

• 典型局限：

  • “手”的缺失：大模型是一个强大的“大脑”，但它缺乏直接操作外部世界（如点击软件按钮、填写桌面应用程序表单、读取非结构化且未联网的本地文件）的“手”和“眼睛”。它通常通过API返回文本或代码。
  • 非确定性：同样的输入可能产生不同的输出，对于要求100%精确、可重复的流程，存在风险。
  • 成本与延迟：调用API有成本（即使是免费额度也有限制），且响应时间受网络和模型负载影响，不适合对实时性要求极高的高频操作。
  • 数据安全与隐私：将敏感业务数据发送至云端大模型API存在合规风险。

1.2 RPA工具：执行与连接的手臂

RPA（Robotic Process Automation）的核心是**“机器人流程自动化”**。它通过模拟人类在电脑上的操作（如点击、输入、复制、粘贴），来执行规则明确、重复性高的软件操作任务。

• 核心优势：

  • 精准执行：严格按照预设的规则和路径操作，结果100%可预测、可重复。
  • 连接“旧系统”：无需原系统提供API，即可操作桌面软件（如Excel、ERP客户端、OA系统）、网页浏览器。这是其不可替代的价值。
  • 7x24小时运行：可部署在虚拟机或服务器上，不间断工作。
  • 本地化与安全：流程和数据可在企业内网运行，满足高安全合规要求。
  • 开发门槛相对较低：通过可视化拖拽组件（如影刀RPA的组件）即可搭建流程，适合业务人员参与。

• 典型局限：

  • “脑”的缺失：RPA机器人非常“机械”。如果登录验证码突然变成滑块、网页按钮的ID变了、Excel表格结构调整了，它就会“卡住”报错，缺乏自适应和理解能力。
  • 流程脆弱：严重依赖UI元素的稳定性，维护成本可能较高。
  • 无法处理非结构化认知任务：例如，让它从一份复杂的合同里找出关键责任条款并总结，纯RPA难以完成。

简单比喻：大模型像是一位博学多才的“战略顾问”或“文案专家”，能提供方案和内容；而RPA则是一位不知疲倦、动作精准的“操作工人”，负责把方案落地到具体的软件界面上。两者结合，才能实现从“思考”到“执行”的完整闭环。

2. 环境准备：当我们需要结合两者时

假设我们有一个实战需求：每日从公司内部ERP系统（无开放API）导出销售数据报表（Excel），让大模型分析数据并生成每日销售简报，最后通过RPA机器人将简报发送到企业微信群。

这个场景完美结合了RPA的“执行”和大模型的“分析”。下面我们来搭建这个混合自动化环境。

2.1 RPA 工具端环境准备（以影刀RPA为例）

影刀RPA提供了社区版，足够我们进行学习和原型开发。

1. 下载与安装：

   • 访问影刀RPA官网，下载并安装客户端。
   • 安装完成后，注册账号并登录。社区版对个人学习和轻度使用是免费的。

2. 基础组件认识：

   • 流程设计器：可视化拖拽编程的主界面。
   • 组件库：包含各类操作组件，如“打开浏览器”、“读取Excel”、“点击元素”、“发送HTTP请求”（用于调用大模型API）、“写入日志”等。
   • 变量与数据类型：用于存储中间数据，如文本、列表、字典。

2.2 大模型 API 端环境准备（以 Kimi K3 API 为例）

我们需要一个能够通过HTTP调用的Kimi K3 API。目前，Moonshot AI提供了开放平台。

1. 获取API Key：

   • 访问Moonshot AI开放平台官网，注册并登录。
   • 在控制台中创建API Key，并妥善保存。注意：API Key是访问凭证，切勿泄露。

2. 了解API调用方式：

   • Kimi K3 API遵循标准的OpenAI兼容格式，使用HTTP POST请求，请求体为JSON格式。
   • 核心参数包括：model(如moonshot-v1-8k)、messages(对话历史)、temperature(创造性)等。

3. （备选）本地大模型部署：

   • 如果数据极度敏感或需要离线环境，可以考虑本地部署大模型，如使用Ollama部署Qwen、Llama等开源模型，或探索Kimi K3的本地化方案（需关注官方发布的技术报告和配置要求，通常对GPU显存要求较高）。
   • 本地部署后，可以自建一个类似OpenAI格式的API服务（例如使用FastChat或vLLM部署），供RPA调用。但这属于进阶内容，本文以云端API为例。

3. 核心交互原理：RPA如何调用大模型

RPA与大模型结合的关键在于，RPA工具中的“发送HTTP请求”组件。这个组件允许RPA机器人扮演一个HTTP客户端，向大模型的API端点发起请求，并解析返回的JSON结果。

交互流程如下：

1. RPA流程执行到需要智能分析的节点。
2. RPA通过“发送HTTP请求”组件，构造一个符合大模型API规范的POST请求。
3. 请求体中包含提示词（Prompt）和需要分析的数据。
4. 请求发送至大模型API服务器（如https://api.moonshot.cn/v1/chat/completions）。
5. RPA接收返回的JSON响应。
6. RPA使用“JSON序列化”或“提取文本”组件，从响应中解析出大模型生成的文本内容。
7. RPA将生成的内容用于后续流程（如写入文件、发送消息）。

4. 完整实战案例：销售数据自动化分析与报告

现在，我们实现前面提到的场景。流程分为三大步：RPA获取数据 -> 调用Kimi K3分析 -> RPA发送结果。

4.1 第一步：RPA从ERP导出并读取数据

我们假设ERP系统有一个固定的报表导出功能，通过模拟点击可以导出Excel到指定位置。

# 影刀RPA流程步骤示例（逻辑描述） 1. 启动流程 2. 打开ERP系统客户端（使用‘打开应用’组件） 3. 等待登录界面加载，输入用户名密码并登录（使用‘输入文本’、‘点击元素’组件） 4. 导航到销售报表模块 5. 点击‘昨日销售导出’按钮 6. 等待文件下载完成（默认下载到‘下载’文件夹，文件名为`sales_YYYYMMDD.xlsx`） 7. 使用‘读取Excel文件’组件，读取指定路径的Excel。 8. 将读取到的数据（通常是一个表格）存储到一个变量中，例如 `sales_data_list`。

关键点：RPA在这里解决了“从无API的旧系统获取数据”这个核心痛点。

4.2 第二步：构造Prompt并调用Kimi K3 API

这是混合自动化的核心。我们需要将表格数据转换成文本，并设计一个有效的Prompt。

# 这是一个在RPA中通过“执行Python代码”组件或“发送HTTP请求”组件实现的逻辑示例 # 假设 sales_data_list 是一个列表，里面是字典，代表每一行数据，例如： # [{'日期':'2023-10-27', '产品':'A', '销售额':1000, '区域':'华东'}, ...] import json import requests # 1. 准备数据：将表格数据转换为清晰的文本描述 data_text = "以下是昨日销售数据：\n" for row in sales_data_list: data_text += f"日期：{row['日期']}, 产品：{row['产品']}, 销售额：{row['销售额']}元, 区域：{row['区域']}\n" # 2. 设计Prompt prompt = f""" 你是一位专业的销售数据分析助理。请根据以下销售数据，生成一份简洁的每日销售简报。 简报需要包含： 1. 昨日总销售额。 2. 销售额最高的产品和区域。 3. 与上周同期相比的简要趋势判断（如果数据中包含上周数据，可计算；若无，请说明）。 4. 给出1-2条具体的业务建议。 数据： {data_text} 请直接输出简报内容，无需额外解释。 """ # 3. 配置API参数 api_key = "你的-Moonshot-API-KEY" # 强烈建议将此敏感信息存储在RPA的“凭据管理器”或环境变量中 url = "https://api.moonshot.cn/v1/chat/completions" headers = { "Content-Type": "application/json", "Authorization": f"Bearer {api_key}" } payload = { "model": "moonshot-v1-8k", # 根据实际情况选择模型 "messages": [ {"role": "system", "content": "你是一个专业的销售数据分析师。"}, {"role": "user", "content": prompt} ], "temperature": 0.3 # 较低的温度值使输出更稳定、更聚焦 } # 4. 发送请求 response = requests.post(url, headers=headers, json=payload, timeout=60) # 5. 解析响应 if response.status_code == 200: result = response.json() analysis_report = result['choices'][0]['message']['content'] print("分析报告生成成功：") print(analysis_report) # 将 analysis_report 存储到RPA变量中，供后续步骤使用 else: print(f"API调用失败，状态码：{response.status_code}, 响应：{response.text}") # RPA流程应在此处进行错误处理，如重试或发送告警

关键点：

• Prompt工程：清晰的指令和结构化的数据输入是获得高质量分析结果的关键。
• 错误处理：网络超时、API限额、模型过载都可能导致失败，RPA流程中必须包含重试或异常通知机制。
• 安全：API Key必须加密存储，不能硬编码在流程中。

4.3 第三步：RPA将报告发送至企业微信群

我们假设使用企业微信的群机器人Webhook来发送消息。

# 影刀RPA流程步骤示例（续） 9. 获取上一步生成的 `analysis_report` 变量。 10. 使用‘发送HTTP请求’组件，配置如下： - 请求方法：POST - URL：`你的企业微信群机器人Webhook地址` - Headers: `{"Content-Type": "application/json"}` - Body (JSON): { "msgtype": "markdown", "markdown": { "content": "**每日销售简报**\n" + analysis_report } } 11. 检查HTTP响应状态码是否为200，确认发送成功。 12. 流程结束，记录日志。

至此，一个完整的“RPA抓取数据 -> 大模型分析 -> RPA推送结果”的自动化流程就完成了。这个流程每天定时触发，即可实现无人值守的智能报告。

5. 常见问题与排查思路

在实现上述混合自动化时，你可能会遇到以下典型问题：

6. 最佳实践与工程建议

将大模型与RPA结合用于生产环境，需要遵循一些工程最佳实践，以确保流程的稳定性、安全性和可维护性。

1. 职责分离，模块化设计：

   • 将“数据获取”、“AI处理”、“结果推送”设计成独立的子流程或模块。
   • 这样便于单独调试、更新和维护。例如，更换大模型供应商时，只需修改“AI处理”模块。

2. 敏感信息管理：

   • 绝对不要将API Key、数据库密码等硬编码在流程中。
   • 使用RPA工具提供的凭据管理器或操作系统的环境变量来存储和调用敏感信息。
   • 对于影刀RPA，可以使用其“变量”功能中的“密文”类型。

3. 健壮的异常处理与日志：

   • 在每一个可能失败的环节（网络请求、文件操作、UI交互）都添加try-catch（或RPA的“异常捕获”组件）。
   • 记录详细的运行日志，包括时间戳、步骤、成功/失败状态、关键变量快照。这将是排查问题的第一手资料。
   • 设置“熔断”机制。例如，连续失败3次后，流程自动停止并发送告警给负责人，避免无限重试消耗资源。

4. Prompt设计与管理：

   • 将Prompt模板化、参数化。可以将Prompt存储在外部文本文件或配置数据库中，方便非技术人员（如业务分析师）调整优化，而无需修改RPA流程本身。
   • 为不同的任务设计专用的Prompt，并在调用前根据上下文动态填充变量。

5. 性能与成本优化：

   • 缓存：对于变化不频繁的分析结果（如产品分类），可以考虑缓存大模型的响应，避免重复调用相同内容产生不必要的费用。
   • 批量处理：如果有多条数据需要分析，可以尝试在一条Prompt中合理组织，进行一次API调用完成批量分析，而不是循环调用多次。
   • 模型选择：根据任务复杂度选择合适的模型。简单的文本总结可能不需要调用最强大、最昂贵的模型。

6. 人的监督与审核：

   • 对于涉及财务、法律、客户沟通等关键业务，不要完全信任自动化。设计“人机协同”流程。
   • 例如，大模型生成的报告先保存到草稿，由负责人审核后再由RPA发送。或者，RPA只处理明确规则化的部分，将模糊、异常的情况标记出来交由人工处理。

7. 总结：Kimi K3与RPA，不是取代而是增强

回到最初的问题：为什么Kimi K3跻身全球前三，大家还在用RPA？

答案已经清晰：它们解决的是不同维度的问题。Kimi K3这类大模型是强大的“认知引擎”，擅长处理非结构化信息、进行复杂推理和内容创造，但它无法直接操作一个没有API的古老ERP系统。RPA则是可靠的“执行引擎”，擅长在UI层面自动化重复、规则明确的枯燥任务，但面对变化和需要理解的任务时就无能为力。

未来的趋势不是一方淘汰另一方，而是智能流程自动化（IPA）：将RPA的精准执行能力与大模型的智能决策能力深度融合。RPA负责打通数据孤岛、连接新旧系统，充当“手”和“脚”；大模型负责理解文档、分析数据、做出判断，充当“大脑”。这种组合能够处理以往需要大量人工介入的复杂端到端流程，如智能票据处理、自动化客服工单分类与初步回复、动态供应链报告生成等。

对于开发者而言，理解这两种技术的边界并掌握其结合方法，将成为构建下一代企业自动化解决方案的关键技能。从用RPA调用一个简单的文本总结API开始，逐步尝试更复杂的交互，你就能在实践中找到最适合当前业务场景的自动化路径。