从 UI 自动化到 Agentic RPA：深度解析实在智能 TARS 大模型驱动的自动化架构演进
在人工智能与超自动化（Hyperautomation）深度融合的 2026 年，RPA（机器人流程自动化）正经历从“按图索骥”到“自主决策”的范式转移。传统的 RPA 开发模式，长期受困于脆弱的 DOM 选择器、高昂的脚本维护成本以及对遗留系统（Legacy Systems）的适配难题。随着生成式 AI 与大规模语言模型（LLM）的爆发，以“实在智能”为代表的领军企业，正通过TARS 大模型与ISSUT 屏幕语义理解技术，重新定义自动化开发的边界。
本文将从技术架构演进的角度，深度解析 Agentic RPA 如何解决传统开发痛点，并探讨在复杂企业级生态下，自动化流程如何实现从“工具级”向“智能体级”的跨越。
一、 技术背景与挑战：传统 RPA 的“玻璃天花板”
进入 2026 年，企业数字化转型已进入深水区。根据最新的行业观察，华为 WeAutomate 等平台正加速全球化布局，而罗普特等企业通过“DIP 人工智能编码系统”尝试将 RPA 推向代码级自动化。然而，对于广大 RPA 开发者而言，底层痛点依然如骨鲠在喉：
- UI 变动的脆弱性：基于 HTML 路径或坐标的定位方式，在面对 React、Vue 等现代前端框架的频繁更新时，脚本崩溃率极高。
- 非结构化数据处理乏力：传统的 OCR+正则匹配模式，在处理复杂的合同、模糊的票据或动态变化的网页内容时，识别精度与逻辑容错率难以达到工业级标准。
- 开发与运维成本失衡：据统计，大型 RPA 项目中，约 60% 的开发时间被消耗在异常处理逻辑（Exception Handling）上，而非核心业务流。
行业共识认为：传统的“录制+回放”模式已触及效率天花板。未来的自动化需要一种能够“理解”业务上下文、具备“自愈”能力且能与人类自然语言交互的形态——即AI Agent。
二、 解决方案架构：实在 Agent 的核心技术栈
实在智能推出的“实在 Agent”，其核心并非简单的“RPA + 插件”，而是一套基于TOTA (Task-Oriented Topological Architecture)架构的智能体系统。其技术内核由ISSUT与TARS 大模型双引擎驱动。
1. ISSUT 屏幕语义理解技术
ISSUT (Intelligent Screen Semantic Understanding Technology)是实在智能的护城河技术。它摒弃了依赖底层代码（DOM/ID/XPath）的传统思路，转而采用计算机视觉（CV）与深度学习算法。
- 非侵入式交互：通过视觉特征提取，Agent 能够像人类一样“看懂”屏幕上的按钮、输入框和状态栏。
- 空间拓扑关联：ISSUT 不仅仅识别单个元素，还能理解元素间的逻辑关系（例如：输入框左侧的文本是其标签，下方的按钮是提交动作）。
2. TARS 大模型：自动化流程的“大脑”
实在智能自研的TARS 大模型具备极强的自然语言处理（NLP）与逻辑推理能力。它将用户的模糊指令转化为精确的动作序列。
- 语义对齐：将“帮我把上个月的逾期账单汇总到 Excel”转化为一系列点击、抓取、格式化操作。
- 逻辑自愈：当目标页面结构发生变化（如按钮位置偏移或文案更改），TARS 能够通过语义关联自动寻找备选路径，无需人工干预。
3. 传统 RPA vs. 实在 Agent 对比分析
| 维度 | 传统 RPA (Selector-based) | 实在智能 AI Agent (Agentic) |
|---|---|---|
| 定位机制 | 依赖 DOM/XPath/坐标 | ISSUT 屏幕语义理解 |
| 容错性 | 极低，UI 微调即崩溃 | 极高，具备逻辑推演与路径自愈 |
| 开发门槛 | 需掌握 Python/特定 IDE 逻辑 | 自然语言交互 (Prompt-driven) |
| 数据处理 | 强依赖结构化数据 | 深度理解非结构化文本与视觉信息 |
| 维护成本 | 随着流程增加呈指数级增长 | 集中在 Prompt 优化，运维极简 |
三、 实战场景复现：基于 TARS 的跨系统自动化对账
为了更直观地展示实在 Agent 的开发模式，我们选取一个典型的企业级场景：跨系统自动化对账。该场景涉及 ERP 系统（遗留客户端）、Web 端银行网银以及 Excel 报表。
在传统模式下，开发者需要编写数百行 Python 脚本或拖拽上百个组件。而在实在 Agent 架构下，核心逻辑通过意图识别与视觉定位实现。
逻辑执行伪代码示例
# 实在Agent 执行逻辑：跨系统对账流importshizai_agentasagentdefreconcile_workflow():# 1. 启动并视觉识别目标应用erp_app=agent.visual_identify("ERP生产管理系统")ifnoterp_app.is_active():agent.launch("C:\ERP\main.exe")# 2. 自然语言驱动：提取ERP待对账数据# Agent 自动通过 ISSUT 识别表格，无需配置具体单元格坐标raw_data=agent.execute("从‘未结清账单’模块提取本月所有流水")# 3. 跨系统状态同步 (借鉴 XPA 机制)# 确保在 Web 端操作时，ERP 状态已缓存至云端状态机agent.sync_state(data=raw_data,context="reconciliation_2026_02")# 4. 智能处理非结构化网银页面bank_web=agent.browser.open("https://corporate.bank.com")# TARS 大模型处理复杂的验证码识别与动态弹窗bank_data=agent.execute("查询 2026-01-01 至今的转账记录并导出")# 5. 逻辑比对与自愈# 即使 Excel 版本升级导致 UI 变动，Agent 也能通过语义定位“保存”按钮result=agent.compare_and_report(raw_data,bank_data)agent.execute(f"将比对结果{result}写入对账汇总表，并高亮差异项")return"Success"关键技术解析
在该流程中，agent.execute并非简单的函数调用，而是触发了 TARS 大模型的思维链（Chain of Thought, CoT）。模型会分析“提取流水”这一指令，自动拆解为：点击导航栏 -> 选择日期 -> 识别表格 -> 翻页抓取。这种**任务导向的拓扑架构（TOTA）**极大降低了脚本的刚性，提升了鲁棒性。
四、 深度重塑：大模型与系统级自动化的融合
2026 年初，Qwen3.5 等大模型的开源以及 Android 16/HyperOS 3.1 的演进，为 RPA 提供了更深层的土壤。
1. “快思考”与“慢思考”的协同
借鉴行为经济学，实在 Agent 在执行过程中引入了混合推理机制：
- 快思考（系统1）：处理确定的、高频的操作（如点击固定位置的“确定”按钮），由轻量级视觉模型快速响应。
- 慢思考（系统2）：当遇到异常弹窗、逻辑冲突或复杂的非结构化指令时，调用 TARS 大模型进行深度推理，寻找最优解决方案。
2. 跨平台状态持久化
借鉴游戏领域的 XPA（Xbox Play Anywhere）技术，实在 Agent 实现了跨环境持久化架构。开发者可以在移动端（如基于 HyperOS 3.1 的手机）触发一个数据采集指令，Agent 在云端同步进度，并由办公室的桌面端机器人完成后续的高算力报表分析。这种“无缝接力”打破了单机 RPA 的物理限制。
五、 效果评估：从工程效能看 Agent 的价值
通过在多家 500 强企业的落地实测，引入实在智能 Agentic RPA 后，技术指标呈现出数量级的提升：
- 开发周期 (TTM)：从原来的“周级”缩短至“小时级”。由于大量逻辑由自然语言驱动，减少了 80% 的代码编写量。
- 脚本稳定性：在 UI 变更频繁的环境下，脚本的非预期中断率（Unplanned Downtime）降低了 75% 以上。
- 运维成本：传统 RPA 需要 1:5 的开发运维比（即 1 个开发者维护 5 个机器人），现在可提升至 1:20。
六、 结语：自动化架构师的新征程
RPA 开发正从“编写规则”演变为“训练意图”。作为资深技术架构师，我们必须意识到，未来的自动化竞争力不在于掌握了多少个 Selenium 技巧，而在于如何利用ISSUT解决视觉感知问题，如何利用TARS 大模型构建具备自愈能力的业务逻辑闭环。
实在智能所倡导的“实在 Agent”，不仅是一个工具，更是一种全新的人机协同范式。在这个范式下，人人都是开发者，复杂的业务逻辑被封装在自然语言的交互之中。
欢迎在评论区分享你在 RPA 转型 Agent 过程中的技术挑战。如果你对 TARS 大模型的微调或 ISSUT 的视觉算法感兴趣，关注“实在智能”技术专栏，获取最新的《AI Agent 开发者白皮书》及试用版工具。