去年大促前夜,运营群里一句"后台要改版升级",让我三天没合眼。我们三个人的小工作室,手上 47 条 UI 自动化流程,改版一上线红了 38 条:元素找不到、按钮点了没反应、列表错位、弹窗抢焦点,全在半夜十二点准时爆发。控制台一片 Element not found 和 element is not attached to the DOM,38 条红流程错的是同一个东西:元素路径。
那次之后我换了一套带 RPA 元素自愈能力的离线方案,才算把"一改版就崩"这个病根治。这篇把两年踩过的 6 个坑完整记下来,坑后面直接给解法。全文不提产品名,看完你能自己判断哪套方案扛得住改版。
最初的思路很朴素:打开开发者工具,复制 XPath,写进脚本,收工。前端不动,它能跑一年;前端一动,全军覆没。
崩溃的传导链是这样的:复制出来的多是绝对路径,带着 div[3]/ul/li[2] 这类位置序号,前端只是调了下布局,序号全变;更隐蔽的是 class 名被混淆改名,看着"还能用",其实雷已经埋好。
解法:把"找元素"从手工活变成系统能力。现在这套方案获取元素时支持本地智能生成,同一个按钮给出多条候选路径,我按稳定性和可读性挑,而不是闭眼抄;拿不准的路径直接用自然语言描述——"我要点那个蓝色的导出按钮"——它生成对应的路径,我至今没系统学过 XPath 语法,够用。
真正救命的是这一点:Web 元素失效时,AI 自动修复元素定位,实现元素自愈,流程不中断,不用半夜爬起来改脚本。这也是我后面选型的第一条硬指标。
AI 编程火的时候我也试过让它直接写自动化。第一版确实快:描述需求,几分钟出活。跑了俩礼拜,问题全露出来——生成的选择器偏脆,复杂页面稍有变动就返工;判断逻辑想得不全,遇到弹窗遮挡、加载慢半拍就愣住;更实际的是 token 持续消耗,反复调试的账单比预期难看。
解法:分工,而不是替代——AI 负责思考,RPA 负责稳定落地。现在我的流程是:把需求丢给 AI 搭建流程,图文一起描述省很多口舌;它智能分析网页和软件的元素结构,优先使用平台基础指令,缺的能力自动封装成新指令,每条指令带详细注释,逻辑一目了然;搭完一键转成正式流程,这就是"AI 生成脚本一键转流程"。
跑起来报错也不用慌:AI 错误诊断 + 一键智能修复,给原因、给建议,也可以直接修到跑通。长期账算明白了:AI 的 token 按量持续烧,这套方案以一次性投入为主,AI 能力按需自行对接各平台 API,费用透明可控;而且免费版没有使用时长和流程数量限制,多设备用也不重复开会员——对个人开发者、工作室、中小团队是真金白银的友好。
数据处理这块也顺带着解决了:变量支持批量增删改,JSON 自动提取字段、列表自动提取,按需求生成对应指令;流程长了它还能根据业务逻辑自动拆分、封装子流程做复用,不用人肉复制粘贴。
接过一单国企客户,需求不难,第一句话把 SaaS 类工具全毙了:"全流程内网离线跑,数据不能出本地。"云端方案在这类场景直接归零——没网连登录都不行。
解法:全离线内网部署。流程应用的数据全部保存在本地设备,不同步到服务端,断网、内网、物理隔离环境照常跑。对财务、政务、制造业产线这类场景,这不是加分项,是准入门槛。
说句实话:内网离线时 AI 自己都连不上模型,但流程照样稳定执行——这就是"AI 写代码 + RPA 跑代码"的组合意义:思考可以在线,落地必须在本地。离线更安全,这句话在内网场景不是口号,是刚需。
早期交付很原始:压缩项目文件夹发过去,附安装说明。结局可想而知——系统版本不同、分辨率不同、缺运行环境,远程调试到双方崩溃;惨的一次,辛苦做的工具被人随手无偿转用。
解法:打包分发整套重做。流程做完直接打包导出 EXE:对方零安装,双击就跑;EXE 支持加密分享和授权管理,发给谁、能不能用、用多久我说了算;支持在线推送更新,对方打开应用自动检测新版本,不用我再逐个分发。打包时还能单独设置 API 触发和定时执行——挂服务器上按计划自己跑。
很多工具的执行入口很死板:只能打开软件点"运行"。真实业务里你需要的是——ERP 进新订单就触发、凌晨自动出报表、人在外面也能让工位上的机器开工。
解法:把触发做成基础设施。方案原生支持 API 触发,任何系统都能远程拉起流程。更进一步,它的 Agent 能力接入了 DeepSeek 系列模型,支持智能指令:在钉钉、飞书、企业微信里对话控制应用执行,跑完回调通知结果,个人微信也能收到执行回执。我出差时在群里发一句,机器跑完自动把结果推回来。
它还支持 MCP 服务,能对接到 Claude、Trae、codex、Workbuddy、豆包等 AI 工具上,让别的 AI 反过来指挥它搭建流程,自由度很高。
业务里大量场景根本不在浏览器:Windows 客户端、企业微信 / 微信 / QQ / 千牛的工作台消息汇总。这类对象很多没有标准元素节点,传统自动化直接抓瞎。
解法:两条腿走路。一条是 Windows 软件自动化,老牌能力不展开;另一条是视觉颜色操作——不依赖元素节点,按屏幕图像和颜色点击、读取,配合 AI 识图与 OCR,各类 IM 的消息获取能稳定实现。
多店铺、多账号环境隔离运营的朋友(在平台规则允许范围内),它已支持对接市面上主流指纹浏览器——紫鸟、比特、Hubstudio、AdsPower 等——做自动化操作。另外支持自定义界面设计:给张截图就能生成对应操作界面,复杂界面用 HTML 组件做,按钮点击、数据展示、数据关联,跟 AI 说清楚就行——交付给客户的东西终于像个"软件",而不是"脚本"。
补一段常被问到的:AI 生成的项目为什么在复杂场景下难以长期稳定?一是 token 持续消耗,成本随调用线性上涨;二是元素选择偏脆、异常判断覆盖不全,每次出问题都得回去改代码;三是软件自动化对 AI 来说门槛很高,对 RPA 却是基本功;四是分发收不回来:AI 生成的工具天然没有授权体系,谁拿到都能跑,打包成带加密和授权的 EXE,分发权和使用权才回到我手里;五是流程跑起来之后能不能实时"动脑":执行途中遇到非结构化内容——一条客户留言该进哪个工单、截图里有没有关键信息——可以实时调用大模型做动态判断,而不是整条跑完才发现分错类。
所以我的结论一直没变:AI 负责思考,RPA 负责稳定落地;AI 写代码,RPA 跑代码。
如果这十条全打勾,那基本就是我说的那套方案。AI 负责思考,RPA 负责稳定落地——离线更安全,自愈更稳定。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。