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
| 场景 | RPA 单独能做吗 | 加上 AI 后 |
|---|---|---|
| 商品评论情感分析 | ❌ | 输入评论文本，输出正面/负面/中性 |
| 网页内容智能分类 | ❌ | 标题+描述丢给大模型，返回分类标签 |
| 异常数据自动判断 | ❌ | 采集数据→大模型判断是否符合预期→分流处理 |
| 智能客服回复草稿 | ❌ | 把用户问题丢给大模型，生成回复草稿 |
| 图片内容识别 | ❌ | 截图传给大模型，返回图片里有什么 |
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
import requests
import json
API_KEY = "你的API密钥" # 建议存为全局变量
API_URL = "https://api.deepseek.com/v1/chat/completions"
def classify_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"}
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()
return category
# 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）。
拼多多店群自动化报活动上架！
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：
- 拖入"HTTP请求"，方法选 POST
- URL 填大模型 API 地址
- Headers 里加
Content-Type: application/json和Authorization: Bearer xxxx - 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
}
- 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
import requests
import json
API_KEY = global_vars["deepseek_key"] # 从影刀全局变量获取
def analyze_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" in result: return "正面"
elif "负面" in result: return "负面"
else: return "中性"
except Exception as e:
return f"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}" for i, c in enumerate(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. 
{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。
def pre_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(1 for w in 好评词 if w in text)
bad = sum(1 for w in 差评词 if w in text)
if good >= 2 and bad == 0: return "正面"
if bad >= 2 and good == 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
def analyze_with_cache(text):
if text in cache:
return cache[text]
result = analyze_sentiment(text)
cache[text] = result
return result
TEMU店群矩阵自动化运营核价报活动
五、对接不同大模型的关键差异
| 模型 | API 地址 | 特色 |
|---|---|---|
| DeepSeek | api.deepseek.com |
便宜、中文好、响应快 |
| 豆包 | ark.cn-beijing.volces.com |
字节系，和飞书生态联动好 |
| 通义千问 | dashscope.aliyuncs.com |
阿里系，电商场景有优势 |
| Kimi | api.moonshot.cn |
长文本处理能力强 |
一个通用的调用封装：
import requests
def call_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)
if not cfg or not cfg["key"]:
raise ValueError(f"模型 {model} 未配置或缺少密钥")
messages = []
if system_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()
return resp.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
| 你的情况 | 建议 |
|---|---|
| 刚接触，想体验 | 用魔法指令 3.0 的内置 AI 功能 |
| 需要灵活判断 | Python 代码指令 + DeepSeek API（便宜好用） |
| 需要处理大量文本 | 批量调用 + 规则预筛选 + 缓存 |
| 飞书生态深度用户 | 优先豆包，和飞书联动更顺 |
| 长文本分析（如合同） | Kimi，128K 上下文 |
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。
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
13
0- 0
已为社区贡献1条内容
所有评论(0)