影刀RPA进阶教程_RPA与AI大模型融合的实战应用

影刀RPA进阶教程：RPA与AI大模型融合的实战应用——让自动化拥有"大脑"

RPA擅长"操作"，AI大模型擅长"理解"。

把两者结合起来，自动化的能力边界会大幅扩展——以前只能做固定规则的操作，现在可以处理非结构化信息、做智能判断、甚至自动决策。

这篇文章不讲概念，只讲实际怎么在影刀里把大模型用起来。

一、RPA + AI 解决的三类问题

RPA 负责"拿数据"，AI 负责"理解数据"，RPA 再根据 AI 的结果执行操作——这个三角循环是核心模式。

二、影刀里调用大模型的三种方式

方式1：Python 代码指令直接调 API

这是最灵活的方式。在影刀里拖入"Python代码指令"，直接写 requests 调大模型 API。

# 调用 DeepSeek / 豆包 / 通义千问 API 做文本分类importrequestsimportjson API_KEY="你的API密钥"# 建议存为全局变量API_URL="https://api.deepseek.com/v1/chat/completions"defclassify_product(title,description):"""用大模型判断商品类目"""prompt=f""" 请根据以下商品信息判断属于哪个类目。 可选类目：服饰、数码、家居、食品、美妆、母婴、其他 商品标题：{title}商品描述：{description}只回复类目名称，不要解释。 """headers={"Authorization":f"Bearer{API_KEY}","Content-Type":"application/json"}![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/2fe11ba80c344c368931ed61e50f9c6d.png#pic_center)payload={"model":"deepseek-chat","messages":[{"role":"user","content":prompt}],"temperature":0.1,# 分类场景用低温，减少随机性"max_tokens":10}resp=requests.post(API_URL,json=payload,headers=headers,timeout=30)resp.raise_for_status()result=resp.json()category=result["choices"][0]["message"]["content"].strip()returncategory# 调用示例类目=classify_product("夏季薄款冰丝T恤","男士圆领纯色透气T恤")# 返回："服饰"

关键参数：

• temperature=0.1→ 分类/提取场景用低温，减少随机性
• temperature=0.7→ 创意写作/回复生成场景用中温
• max_tokens→ 根据回复长度合理设置，别浪费

方式2：影刀魔法指令 3.0

魔法指令 3.0 已经内置了 AI 理解能力。你直接在指令面板搜索"AI"相关指令，但功能比较固定（主要是文本总结、翻译等）。

适合简单场景，复杂逻辑还是走 Python 直接调 API。

方式3：HTTP 请求指令直接调 API

不想写代码的话，可以用影刀的"HTTP请求"指令调大模型接口。

步骤：

1. 拖入"HTTP请求"，方法选 POST
2. URL 填大模型 API 地址
3. Headers 里加Content-Type: application/json和Authorization: Bearer xxxx
4. Body 里写 JSON：

{"model":"deepseek-chat","messages":[{"role":"user","content":"帮我判断这段评论是好评还是差评：[提取的评论文本]"}],"temperature":0.1}

5. 解析返回的 JSON，提取choices[0].message.content

灵活度不如 Python，但可以纯影刀指令完成。

三、实战案例：商品评论自动分类

这是一个完整的 RPA + AI 流程：

打开电商后台 → 采集今日评论列表 → 逐条提交大模型判断情感 → 将结果写入Excel → 负面评论自动截屏并发送企业微信通知

核心技术实现

# 情感分析 + 分级处理importrequestsimportjson API_KEY=global_vars["deepseek_key"]# 从影刀全局变量获取defanalyze_sentiment(comment_text):"""返回 '正面' / '中性' / '负面'"""prompt=f""" 判断以下电商评论的情感倾向，只回复"正面""中性""负面"中的一个。 好评标准：有正面评价、推荐、满意等表达。 差评标准：有抱怨、不满、质量问题等表达。 评论内容：{comment_text}"""headers={"Authorization":f"Bearer{API_KEY}","Content-Type":"application/json"}payload={"model":"deepseek-chat","messages":[{"role":"user","content":prompt}],"temperature":0.1,"max_tokens":5}try:resp=requests.post(API_URL,json=payload,headers=headers,timeout=15)resp.raise_for_status()result=resp.json()["choices"][0]["message"]["content"].strip()# 归一化输出if"正面"inresult:return"正面"elif"负面"inresult:return"负面"else:return"中性"exceptExceptionase:returnf"分析失败:{str(e)[:20]}"

重点：

• prompt 要精确约束输出格式（只回复一个词）
• 结果做归一化处理（大模型偶尔会多说几个字）
• 超时设 15 秒，大模型有时候响应慢
• 异常兜底：返回失败信息而不是中断流程

触发通知的过滤逻辑

# 只有负面评论才触发通知如果 情感=="负面":截图网页("当前评论区域")->截图路径 发送企业微信通知(webhook_url,f"⚠️ 发现负面评论\n内容：{评论[:50]}...\n时间：{当前时间}")

四、RPA + AI 的成本控制

大模型 API 按 token 收费，无脑调用很烧钱。几个省钱技巧：

1. 批量处理

不要把 100 条评论逐条调 API，打包成一个 prompt。

# 批量分析（一次调API处理多条）comments_batch="\n---\n".join([f"{i+1}.{c}"fori,cinenumerate(评论列表)])prompt=f"""分析以下每条评论的情感，用编号+标签格式回复，例如： 1. 正面 2. 负面 3. ![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/91ee754478644947b095c718ed21b250.png#pic_center){comments_batch}"""

单次调用可以处理 20-50 条，API 成本降为原来的 1/20。

2. 规则预筛选

先用简单规则（关键词匹配）筛掉明显的，剩下的才送大模型。

defpre_filter(text):"""规则预筛选，明显的不用调大模型"""好评词=["好评","满意","不错","推荐","赞","好"]差评词=["差评","垃圾","后悔","退","烂","坑"]good=sum(1forwin好评词ifwintext)bad=sum(1forwin差评词ifwintext)ifgood>=2andbad==0:return"正面"ifbad>=2andgood==0:return"负面"return"待分析"# 这些才送大模型

实测规则预筛能过滤掉 60% 的评论，剩下 40% 调 API。

3. 缓存结果

重复的文本不重复调 API。

cache={}# 跨循环可以用全局变量存defanalyze_with_cache(text):iftextincache:returncache[text]![在这里插入图片描述](https://i-blog.csdnimg.cn/direct/2f25289e8f0d44e793495fcdb92220d1.png#pic_center)result=analyze_sentiment(text)cache[text]=resultreturnresult

五、对接不同大模型的关键差异

一个通用的调用封装：

importrequestsdefcall_llm(prompt,model="deepseek",system_prompt=""):"""统一的大模型调用封装"""configs={"deepseek":{"url":"https://api.deepseek.com/v1/chat/completions","key":global_vars.get("deepseek_key",""),"model_name":"deepseek-chat"},"doubao":{"url":"https://ark.cn-beijing.volces.com/api/v3/chat/completions","key":global_vars.get("doubao_key",""),"model_name":"doubao-pro-32k"}}cfg=configs.get(model)ifnotcfgornotcfg["key"]:raiseValueError(f"模型{model}未配置或缺少密钥")messages=[]ifsystem_prompt:messages.append({"role":"system","content":system_prompt})messages.append({"role":"user","content":prompt})headers={"Authorization":f"Bearer{cfg['key']}","Content-Type":"application/json"}resp=requests.post(cfg["url"],json={"model":cfg["model_name"],"messages":messages,"temperature":0.1},headers=headers,timeout=30)resp.raise_for_status()returnresp.json()["choices"][0]["message"]["content"]

后续换模型只改model参数，不用到处改代码。

六、常见坑

坑1：大模型偶尔不按格式回复

prompt 里说了"只回复正面/负面/中性"，结果它回"经过分析，这个评论是正面的"。所以必须做归一化处理，用"正面" in result而不是result == "正面"。

坑2：API 超时

大模型有时候响应要 10 秒以上。Python 里一定设timeout，超时后做重试或降级处理（标记为"分析失败"，不中断流程）。

坑3：费用失控

如果写死循环里每次都调 API，一天烧几百块很容易。批量 + 缓存 + 规则预筛选是必修课。

坑4：API Key 泄露

API Key 不要硬编码在流程里，用影刀的全局变量或环境变量存储。发布应用时也注意不要暴露。

七、选型建议

作者：林焱

本文为《影刀RPA学习手册》系列文章之一，内容源于实操经验的整理与分享。