波仔
🤖 第一章 Agent与RPA基础
📄 一句话概括

RPA 的六项核心能力——界面操作、数据抓取、表格与文件处理、系统对接、定时触发、异常处理——前四项是【会干什么】，后两项是【能不能放心交给它】，而稳定性恰恰是判断一个 RPA 流程好坏的真正标准。

📝 本节和前面几节的关系

1.4.1 讲清了 RPA 是什么，本节拆它的能力（对应 1.1.2 拆 Agent 能力的写法）。对照着看很有意思：Agent 有【理解】，RPA 没有；RPA 有【精确定位界面元素】，Agent 没有。两边一拼，缺口刚好互补——这是 1.6 的伏笔。

一、六项能力总览

# 能力 具体做什么 在哪一节细讲
① 界面操作 点击、输入、选择、拖拽、快捷键 1.5.3 网页／1.5.4 桌面
② 数据抓取 从网页或软件界面批量提取信息 1.5.3
③ 表格与文件处理 Excel／CSV 读写、文件重命名归档 1.5.4
④ 系统对接 调 API、连数据库、发邮件 1.6.2
⑤ 定时触发 定时跑、事件触发、无人值守 本节
⑥ 异常处理 出错重试、跳过、记录日志 本节

关键认识：①②③ 是【手脚】，④ 是【嘴巴】（能跟系统说话），⑤⑥ 是【职业素养】——很多人只练前四项，结果流程只能演示、不能交付。

二、① 界面操作：RPA 的本体

所有界面操作都建立在一件事上：先找到目标元素，再操作它。

【找元素】的四种方式，从可靠到脆弱排序：

方式 原理 稳定性 什么时候用
属性定位（推荐） 用元素的 ID、名称、自动化属性 高 首选，只要系统支持
文本定位 按界面上的文字找 中 属性取不到时
图像识别 截图比对 低（分辨率／主题一变就失效） 最后的兜底
坐标定位 记住屏幕上的位置 最低（窗口一动就废） 尽量别用

这条排序值得记一辈子：坐标和图像是【兜底】，不是【首选】。 老教程里大量用【图像识别】，是因为当年的技术只能这样——现在应该优先用属性。

三、② 数据抓取与 ③ 表格文件处理

这两项是 RPA 的【日常口粮】——因为 80% 的自动化场景本质是【把数据从 A 搬到 B】。

抓取要处理的四个现实问题：

  1. 翻页：列表页通常只显示第一页。标准做法是【循环：抓一页 → 点下一页 → 直到没有下一页】；
  2. 动态加载：页面往下滚才加载的内容（尤其是电商、社交平台），需要【滚动到底再抓】；
  3. 登录态：多数数据在登录后可见，要提前配置好登录（1.5.3 细讲）；
  4. 清洗：抓回来的原始文本常常带空格、换行、多余字符——在写入表格前先处理干净，否则后面全是脏数据。

表格处理的核心：把 Excel 当数据结构用（行＝记录、列＝字段），而不是当【格子】用。这样抓来的数据能直接落到对应的列里。

四、④ 系统对接：RPA 也会【走正门】

一个容易被忽略的事实：RPA 也能调 API。

那什么时候该用 API、什么时候该点界面？

用 API（走正门） 用界面（走侧门）
前提 对方开放接口、你有权限 只要能看见界面
速度 快（毫秒级） 慢（要等页面加载）
稳定性 高（接口版本稳定） 低（界面一改就废）
用在哪 数据交换、查询、通知 老系统、SaaS 后台、没法对接的系统

工程原则：能用 API 就用 API，不能用才点界面。 很多教程没讲这一条，导致明明有开放接口，还在那儿模拟点鼠标——又慢又脆。

在本课的案例里，Agent 侧基本走 API（大模型平台的接口都是开的），RPA 侧基本走界面（要发布到小红书、公众号这类没有开放接口的地方）——这正是两者分工的由来。

五、⑤ 定时触发与 ⑥ 异常处理：从【能跑】到【能放心】

定时触发的三种形态：

形态 说明 典型场景
手动触发 人点一下才跑 开发调试期、临时任务
定时触发 到点自动跑 每天早上 8 点导报表
事件触发 监测到某个条件就跑（如收到邮件、文件出现） 有新订单就处理

无人值守 vs 有人值守：前者要能在没人看着的情况下跑完（对异常处理要求极高），后者可以在关键步骤弹窗让人确认。新手的第一个流程建议从【有人值守】开始。

异常处理是专业的门槛。想想这三种情况：

没有异常处理的流程 = 一个随时会炸的定时炸弹，而且因为没人看着，炸了往往第二天早上才发现。

最低要求的三件套：

  1. 关键步骤前后写日志（做到哪一步了）；
  2. 失败重试 + 重试次数上限（别死循环）；
  3. 失败要通知（邮件／消息，或落一个错误报告文件）。

六、动手 Demo：拆解一个真实流程

准备：纸笔，或一个文本文件。不需要软件。

第一步——挑一件事（用 1.4.1 测过工时的那件）。

第二步——把它的每个动作写成一行，格式：动作 → 对象 → 期望结果。以【每天导报表】为例：

1. 打开浏览器 → 登录后台系统 → 进入首页
2. 点击【报表】菜单 → 选择【昨日数据】 → 页面显示表格
3. 抓取表格全部行 → 翻页直到结束 → 得到完整数据
4. 打开 Excel 模板 → 粘贴数据 → 用公式算合计
5. 保存为 日期.xlsx → 移到指定文件夹 → 完成

第三步——给每一行标三件事：

行 ① 是界面操作还是API ② 可能出什么错 ③ 出错怎么办
2 界面 菜单改版、加载慢 等 10 秒重试 3 次
3 界面 翻页按钮变了、抓到空数据 判断行数，为 0 就告警
5 文件 文件被占用、磁盘满 换名字重试、记录日志

看到什么算成功：你在纸上有了一张带异常预案的动作清单——这就是一个 RPA 流程的设计图。

读结果：

30 秒实验

打开你常用的浏览器，按一次 F12（开发者工具），切到【元素／Elements】标签，然后把鼠标悬停在页面上的某个按钮上。

观察：右边高亮的那一行 HTML 就是那个按钮的【属性】——RPA 抓元素抓的就是它。

结论：所谓【RPA 认得出按钮】，本质是它在读这段 HTML。这也解释了为什么属性稳定的系统好用、天天改版的系统难用。

常见误区

  1. 【RPA 只能模拟鼠标键盘】——它也能调 API、连数据库、读写文件。分清场合用哪种，是能力问题（见第四节）。
  2. 【等待就写固定秒数】——固定等待要么不够（页面慢时出错）、要么浪费（页面快时空等）。进阶做法是【等待某个条件成立】（元素出现、文本变化）。老教程通篇写固定等待，是因为当年没得选。
  3. 【流程跑通就交付】——跑通一次不算通。真正的验收是【连续跑一周不掉链子】。所以异常处理和日志不是可选项，是交付的前提。
  4. 【出错就让它重启重跑】——有些操作不可重复执行（比如已经发出的消息、已经提交的订单），重跑会造成重复。要有【幂等】意识：重跑之前先检查【这一步到底做没做过】。
  5. 【无人值守比有人值守高级】——成熟度不是靠【没人看着】来体现的。真正专业的做法是：该自动的全自动，该确认的一点不省。
自测三问（点开对答案） 1. **找界面元素的四种方式，可靠性排序是什么？为什么？** 属性定位（最稳）＞ 文本定位 ＞ 图像识别 ＞ 坐标定位（最脆）。因为属性由系统提供、相对稳定；**图像会因分辨率／主题变化失效，坐标会因窗口移动失效**——后两者只能当兜底。 2. **什么时候该用 API、什么时候该点界面？** **能用 API 就用 API**（快、稳、不易失效）；只有当对方没开放接口、或权限拿不到时，才退回到界面操作（老系统、SaaS 后台）。本课的典型分工正是：**Agent 侧走 API，RPA 侧走界面**。 3. **异常处理的三件套是什么？为什么它是交付的前提？** ① 关键步骤写日志；② 失败重试＋次数上限；③ 失败要通知到人。因为**没有异常处理的定时任务是【随时会炸的炸弹】**，而无人值守时炸了往往到第二天才发现——**跑通一次不算通，连续跑一周不掉链子才算**。

相关笔记