大家好！今天想和大家分享一个基于真实业务场景的自动化实战案例。
很多朋友在尝试将AI接入业务时会发现，大模型虽然聪明，但往往会“一本正经地胡说八道”，这种“部分准确”在严谨的业务场景中是致命的；而且大模型虽然具备理解能力，却无法替我们去点击按钮、填表执行。

因此，单纯依靠大模型无法独立完成闭环，真正的解法是 “大模型负责思考判断，RPA负责动手执行”

今天这套影刀RPA + AI中间件 + 飞书自动化的架构，正是基于这个理念打造的手脑协同完美搭档。

一、 实际场景与痛点对比

改造前（纯人工操作：费时费力）

• 收集像“搬砖”： 业务数据分散在各大内容平台（小红书、抖音、公众号等）和不同的后台程序里，每天手动复制粘贴，非常繁琐。
• 数据像“乱码”： 抓下来的非结构化数据杂乱无章，抓不到重点。
• 分析靠“感觉”： 缺乏AI的智能总结，全靠运营人员的个人经验主观判断。
• 通知总“晚点”： 整理好的数据经常无法及时触达团队，全靠人工在各种微信/飞书对话框里手动转发，信息协同严重滞后。

改造后（全链路自动化：丝滑运转）

• 影刀RPA（充当双手）： 自动登录各个后台，精准抓取原本分散的原始数据。
• AI大模型（充当大脑）： 核心Python中间件调用大模型，对非结构化数据进行“秒级”清洗、提炼和总结分析。
• 飞书自动化（充当传话筒）： 结合多维表格，实现分析结果的自动审核与群组精准推送。

二、整体操作流程图

这里是我们设计的底层数据流转架构。特别注意第7-9步的飞书人工审核设计，这是为了防止AI“幻觉”导致的不可控风险而设置的关键兜底动作。

┌───────────────────────┐
│     RPA 客户端/脚本     │ 前置操作：RPA执行脚本抓取
└──────────┬────────────┘
           │ 1. 传入参数: 业务数据 (raw_data) + 场景名称 (scenario_name)
           ▼
┌────────────────────────────────────────────────────────┐
│               Python 核心逻辑中间件                      │
│                                                        │
│  ┌─────────────────┐      ┌─────────────────────────┐  │
│  │ 2. 匹配场景配置 │─────►│ 3. 组装 Prompt & 调用API│  │
│  └─────────────────┘      └────────────┬────────────┘  │
│                                        │ 4. 返回原生字符串 │
│                           ┌────────────▼────────────┐  │
│                           │ 5. JSON 解析与异常处理  │  │
│                           └────────────┬────────────┘  │
└────────────────────────────────────────┼───────────────┘
                                         │ 
               ┌─────────────────────────┴─────────────────────────┐
               │ 6. 数据库落表 (记录溯源，方便复盘与查错)              │
               ▼                                                   ▼
┌─────────────────────────────┐                     ┌──────────────────────────────┐
│  Mysql          (本地数据库)  │                     │       返回标准 JSON 给 RPA     │
│ - 记录流水号、耗时、Token      │                     │ - 成功: {"status": "ok", ...} │
│ - 记录入参和出参用于复盘        │                     │ - 失败: {"status": "error"}   │
└─────────────────────────────┘                     └──────────────┬───────────────┘
                                                                   │ 触发飞书 webhook
                                                    ┌──────────────▼───────────────┐
                                                    │ 7. 飞书多维表格 (写入新记录)     │
                                                    │    - 初始状态：待审核           │
                                                    └──────────────┬───────────────┘
                                                                   │ 触发自动化流程
                                                    ┌──────────────▼───────────────┐
                                                    │ 8. 推送审核卡片给管理员          │
                                                    │    (人工兜底：防止大模型幻觉)     │
                                                    └─────────┬─────────┬──────────┘
                                                         [确认]│         │[拒绝]
                                                    ┌─────────▼─┐    ┌──▼────────┐
                                                    │ 9. 推送群组 │    │ 10. 中止/ │
                                                    │ (全员播报)  │    │  打回修改  │
                                                    └───────────┘    └───────────┘

三、 飞书自动化与“人机协同”设计

哪怕AI再聪明，在严肃的业务群里播报错误数据也是灾难性的。因此我们引入了人机协同的理念：

飞书设计思路

1.静默落表触发： 流程执行完后，首先会在“飞书多维表格”新增一条记录，此时状态初始化为待审核，并不会直接发群打扰大家。
2. 人工审核兜底： 飞书机器人会给指定的管理员单独发送一条审核卡片。管理员一眼就能扫过AI分析的结果。没问题就点【确认发送】，发现AI产生幻觉瞎编了数据，就点【拒绝】。这一步花不到5秒钟，却能确保最终群通知数据100%准确无误~

四、 最终实现效果

五、 实施这套方案带来了哪些效率提升？

• 极简的工作流体验： 从原来的**“打开多个网页 -> 手动复制 -> 整理表格 -> 构思文案 -> 截图发群”，缩减为现在的“点一下RPA运行按钮（或者设置定时自动运行） -> 在飞书点一下确认”**。
• 耗时指数级降低： 过去业务人员每天需要花费 1-2小时 处理的跨平台数据统计与播报工作，现在缩短到了 不到1分钟 的机器运行时间，彻底解放了员工的双手。
• 0 漏报与 0 延误： 摆脱了由于员工请假、开会或遗忘导致的日报/周报延误，机器的定时执行确保了信息的绝对准时。

六、 场景扩展：这套架构还能做什么？

这套架构最大的魅力在于它的高复用性与模块化。 底层的 Python中间件 + 数据库溯源 + 飞书审批通知 流程是完全通用的。如果您想把它应用到其他业务线，完全不需要重写主体代码，只需要做两处简单的替换：

• 替换数据源（RPA端）： 让影刀去爬取/抓取新的目标程序或网页（例如：抓取竞品的价格页面、抓取淘宝的客户评价、抓取邮箱里的发票PDF）。
  
• 替换大脑指令（AI提示词）： 在配置表中修改发给大模型的Prompt（例如：从“请分析社媒粉丝增量” 改为 “请提取以下评价中的客户负面情绪”、“请核对发票金额与订单金额是否一致”）。

# 以DeepSeek API文档例 https://api-docs.deepseek.com/zh-cn/
import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ.get('DEEPSEEK_API_KEY'),
    base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[
        {"role": "system", "content": "请你帮我分析一下这段数据，格式要求...."},  # 提示词
        {"role": "user", "content": "Hello"}, # RPA抓取的数据
    ],
    stream=False,
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}}
)

print(response.choices[0].message.content)

几个衍生场景举例：

• 电商竞品价格监控： RPA抓取竞品价格 -> AI判断是否跌破红线并生成调价建议 -> 飞书推送给运营总监审核。
• 智能客服客诉预警： RPA抓取昨日售后聊天记录 -> AI分析提取出带有“愤怒”、“投诉”情绪的对话 -> 飞书生成工单推送给客服主管跟进。
• 财务发票智能初审： RPA读取共享文件夹的报销单和发票 -> AI对比金额与抬头 -> 无误则推送到财务群记录，有误则打回重提。

结语

把重复的劳作交给RPA，把繁杂的总结交给AI，把最终的决策留给人类。希望这篇实战分享能为你的自动化转型提供新思路！