凌晨 2 点,RPA 定时任务准时启动;早上 9 点,你打开报表发现:数字对不上,客户资料少了 300 条,订单状态全停在"待处理"。日志里没有一条报错,控制台显示"执行成功"。
这就是无人值守 RPA 任务最折磨人的地方:它不叫,但它坏了。而且坏得无声无息,等你发现时,脏数据已经流进了下游系统。
这篇文章不讲概念,只讲一件事:怎么给无人值守的 RPA 流程设计一套兜得住异常的体系,让任务挂了能知道、数据脏了能拦住、元素变了能自己起来。
做异常处理设计之前,必须先分清你的 RPA 流程是怎么"坏"的。失败只有三类,但处理方式完全不同:

一句话记住:显性失败靠日志,静默失败靠校验,脏数据靠对账。下面所有设计都围绕这三句话展开。
无人值守 RPA 任务最大的敌人是"卡住":页面加载慢、目标软件无响应、弹出一个预期外的窗口,流程就停在那儿,不报错、不结束、也不继续。
很多人的做法是只给整个任务设一个总超时,结果一个步骤卡了两小时,后面的全部白等。正确姿势是每个关键动作单独设超时,全局再设一个兜底:
# 示意代码:省略导入与异常类定义
# 约定:result.validate() 校验失败抛 BusinessError,直接终止、不重试
def run_step(step, timeout=30, max_retry=3, already_done=None):
for attempt in range(1, max_retry + 1):
try:
if already_done and already_done():
return None # 幂等命中:上一步实际已写入成功,跳过
result = step.run(timeout=timeout)
result.validate() # 结果校验,拦住静默失败
return result
except TransientError: # 瞬时故障(网络抖动等)才重试
if attempt == max_retry:
raise
time.sleep(60 * attempt) # 退避:1min / 2min / 3min
except BusinessError:
raise # 业务错误不重试,进死信队列RPA 场景还有一个特殊超时问题:目标软件偶尔弹出系统更新、登录过期这类计划外窗口。除了超时,还要给流程加异常分支兜底:遇到计划外弹窗,截图存档后关闭或终止,绝不能让它把流程挂死到天亮。
网络抖动、接口偶发超时,直接判失败太冤枉,重试一两次大概率能成。但重试有个硬前提:操作必须幂等,也就是同一个操作执行一次和三次,结果完全一样。
实践中常见的事故是这样的:任务跑到一半网络超时,调度系统自动重跑整个流程,结果上半段写入的数据又写了一遍。重复数据就是这么来的。解决办法有三个:
脏数据的成本是分层累积的:入口拦住,代价是零;落库后清洗,代价翻倍;流进报表被发现,代价就是信任危机。
所以每个 RPA 任务都应该立三道闸。
第一道:输入校验。 拿到数据先查格式、完整性、值域。日期是否合法、金额是否为大于 0 的数字、必填字段是否为空,不合格的进异常队列,不允许往下走:
def validate_record(rec):
if not rec.get("order_id"):
raise BusinessError("缺少订单号")
amount = rec.get("amount")
if not isinstance(amount, (int, float)) or amount <= 0:
raise BusinessError("金额必须是大于 0 的数字") # 挡住字符串、None、负数
if not re.match(r"^\d{4}-\d{2}-\d{2}$", rec.get("date", "")):
raise BusinessError("日期格式错误")第二道:过程校验,防静默失败的关键。 在关键步骤之间做 sanity check。比如这个流程正常每次处理 800~1200 条,这次只读到 3 条:数字本身不报错,但几乎可以肯定前面某一步静默失败了,必须立刻终止,而不是把 3 条数据当完整结果交出去。"0 结果"和"数量突变"应该作为硬性告警条件写进流程。
第三道:输出校验与对账。 写入前核对本次处理量、成功失败量、关键字段抽样;对核心数据,定期与上游或下游系统对账。对账不是形式主义,它是你确认 RPA 交出来的数据能信的唯一方式。
顺带说一句:校验规则、JSON 字段提取这类代码现在没必要手写到底。让 AI 根据字段说明生成校验和提取逻辑,人只负责复核边界条件。但注意,AI 生成的判断逻辑在异常分支上往往覆盖不全,生成后务必逐条 review,这是实践中翻车频率很高的一点。
批量 RPA 任务里一条数据有问题,正确做法是跳过它、记日志、继续跑剩下的,而不是整个任务崩掉。
这叫单条隔离:循环体里每条数据独立 try-catch,失败的进死信队列,任务结束后统一处理:
for rec in records:
try:
process(rec) # 内部已做瞬时故障重试
except BusinessError as e: # 业务错误:跳过,进死信
dead_letter.append((rec, str(e)))
except Exception as e: # 兜底:未知异常同样隔离,不让整批崩掉
dead_letter.append((rec, f"未分类异常: {e}"))死信队列里的记录要带上当时的完整上下文:原始数据、报错信息、执行到第几步。人工处理时不需要从头排查,直接看现场就能定位。
再往上是任务分级:核心任务(财务对账)和边缘任务(日报推送)跑在不同执行单元,边缘任务挂了不碰核心任务;同一机器并行多个 RPA 流程时,给每个流程限制资源占用,防止某个内存泄漏的流程把整台机器拖死。
"执行成功"四个字是最不可靠的状态。可观测至少要做四层:状态(跑到哪一步)、数据(处理了多少、失败了多少)、结果(和业务预期对不对得上)、通知(失败了第一时间推给人)。
两个实践建议。
通知要推到人正在看的地方。 现在很多人一天的时间在钉钉、飞书、企业微信里,任务异常直接推到 IM,响应速度和"登系统查日志"完全不是一个量级。更进一步的做法是让通知可交互:在 IM 里发一句"重跑昨晚的对账任务",机器人收到指令后触发 RPA 流程执行,跑完把成功失败数量回传到会话里。半夜任务挂了,回一句话就能补跑,不用起来开电脑。
通知要带现场。 失败消息里附上错误截图、当时的输入数据快照、执行到第几步,人接手时不用从头排查。
上面说的都是异常发生之后怎么办,这一节讲怎么让异常根本不发生,或者发生了自己恢复。
RPA 无人值守的头号杀手是元素失效:目标网页改版、前端结构调整,原先写好的元素定位集体落空。传统应对方式是等流程跑崩了再回去修 XPath,修完这次下次又变,运维成本全在夜班。
稳妥的做法是在设计阶段就把"变化"当成常态:
调试阶段的自愈同样重要。RPA 流程报错对新人很不友好,现在比较务实的做法是把报错直接交给 AI 诊断:分析错误原因、给出修复建议,甚至自动改到跑通。看不懂报错信息的时代,基本可以结束了。
异常处理体系再完善,也要先回答一个问题:任务跑在哪,数据存在哪。
实践中很多 RPA 任务处理的是客户资料、订单、财务数据,这类任务有两个硬约束。
第一,数据不出本地。 任务日志、业务数据、截图存档如果都要经过云端中转,数据安全就是一票否决项。更彻底的做法是整套流程数据只保存在执行任务的本地设备上,不同步到任何服务端,并且支持完全断网运行。对内网隔离的环境(财务内网、生产内网)来说,云端方案根本跑不起来,离线可用是刚需不是加分项。
第二,分发的可控性。 RPA 流程经常要交给别人跑:发给同事、发给客户、装在没有开发环境的机器上。这时候要确认三件事:
还有一种情况容易被忽略:流程做出来不一定是自己用,而是要交给不碰代码的业务同事操作。这时候就要看方案能不能自定义操作界面,把参数输入、执行按钮、结果展示封装成一个普通人会用的窗口,对方点开就能跑,看不到也不需要看到底层流程。对个人开发者、工作室和中小企业来说,这类"做出来能直接交付"的能力比功能数量更重要;而如果一个方案免费版就没有使用时长和流程数量的限制,前期的试错成本也几乎为零。
对流程数量多、设备多的团队,还有一条成本线要算清楚:有的方案按流程数、按时长、按设备数收费,机器一多费用就翻。无运行时长限制、无流程数量限制、多设备不用重复付费的形态,长期下来差距非常明显。
最后聊聊现在绕不开的话题。AI 直接生成自动化脚本已经很成熟,但拿它跑无人值守任务有两个天然短板:一是生成的代码异常分支覆盖不全,每次出问题都要重新让 AI 改,修复成本高;二是长周期运行中页面一旦变化,AI 脚本不会像 RPA 那样自动感知和自愈,只能整体重写。
目前更稳的路线是 AI+RPA 分工:AI 负责思考和生成,RPA 负责稳定落地。具体做法是:用自然语言(甚至可以配截图)描述业务流程,AI 生成脚本后一键转换成可运行的 RPA 流程。AI 写代码,RPA 跑代码:生成速度快,同时流程具备超时、重试、校验、自愈这些工程化能力,这两点 AI 裸脚本都给不了。
几个实操判断标准:
照抄即可:
无人值守 RPA 的异常处理,本质是在和"不确定性"打交道:网络会抖、页面会变、数据会脏、人会漏看告警。设计目标不是消灭异常,那不可能,而是让异常发生得了、发现得早、拦得住、修得快。
显性失败靠日志,静默失败靠校验,脏数据靠对账;超时掐得死、重试要幂等、校验三道闸、异常要隔离、告警要到人、修复能自愈。这套体系搭完,你才敢把凌晨两点的任务真正交给机器。
无人值守的意义,从来不是"没人管",而是"不用人管"。
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。