最近，Kimi K3 在各大评测榜单中表现亮眼，甚至被一些媒体称为“跻身全球大模型前三”。一时间，关于“大模型将取代一切”的论调再次甚嚣尘上。很多开发者，尤其是业务部门的同事，开始产生疑问：既然大模型这么“聪明”，能理解、能生成、能推理，为什么我们还在用看起来“笨拙”的 RPA（机器人流程自动化）工具来处理那些重复的、规则明确的办公任务？这不是一种技术上的“倒退”吗？
这个疑问背后，其实隐藏着一个关键的认知误区：将大模型的“智能潜力”等同于“即插即用的工程解决方案”。Kimi K3 这类大模型确实代表了AI能力的巅峰，但它们解决的是“认知”和“创造”层面的问题。而RPA，本质上是一个“执行”工具，解决的是“连接”和“操作”层面的问题。两者不是简单的替代关系，更像是“大脑”与“手脚”的协作。
如果你正面临这样的技术选型困惑，或者负责的自动化项目在引入AI时遇到了瓶颈，那么这篇文章正是为你准备的。我们不谈空泛的趋势，而是从一线开发者和实施者的视角，深入剖析大模型（以Kimi K3为例）与RPA的核心差异、适用边界，以及更重要的——它们如何在实际项目中协同工作，形成“AI+RPA”的超级自动化方案。读完本文，你将能清晰地判断：你的业务场景，到底该用大模型、RPA，还是两者结合？以及，如何迈出结合的第一步。
1. 核心矛盾：为什么“聪明”的AI干不了“简单”的活？
要理解为什么RPA依然坚挺，我们必须先拆解一个典型的企业级自动化任务，比如“从收到的供应商发票PDF中提取关键信息，填入ERP系统”。
传统RPA的做法（以影刀RPA、UiPath等为例）：
- 通过OCR组件识别PDF中的文字。
- 基于固定的模板和规则（如：识别“发票号码：”后面的数字），用正则表达式或坐标定位的方式，提取“发票号”、“日期”、“金额”、“供应商名称”等字段。
- 打开ERP系统的网页或客户端，找到对应录入界面。
- 将提取到的字段，逐个填入指定的输入框，点击提交。
这个过程非常“机械”，但极其稳定。只要发票格式不变、ERP界面元素不变，这个流程可以7x24小时无误运行。
如果用纯大模型（如Kimi K3 API）来做呢？
- 将PDF文件内容（或OCR后的文本）发送给Kimi K3。
- 提示词（Prompt）可能是：“请从以下发票文本中，提取发票号码、开票日期、不含税金额、供应商全称，并以JSON格式输出。”
- Kimi K3会返回一个结构化的JSON数据。
- 开发者再写代码，调用ERP系统的API或模拟操作，将数据录入。
看起来更“智能”，不需要写死规则。但问题立刻浮现：
- 成本与延迟：每处理一张发票都需要调用一次大模型API，产生Token费用，并引入网络延迟。对于海量、高频的发票处理，成本可能无法承受。
- 稳定性与准确性：大模型存在“幻觉”可能，可能偶尔会编造或误解信息。在财务场景下，99%的准确率意味着1%的错误，这是不可接受的。
- 非文本操作瓶颈：大模型擅长处理文本，但最后一步“填入ERP系统”依然需要传统的自动化脚本来完成。大模型并没有解决“操作图形界面”这个根本问题。
这里的核心判断是：大模型（Kimi K3）的核心价值在于处理非结构化信息、理解模糊意图和进行复杂决策；而RPA的核心价值在于以极高的稳定性和可预测性，执行预先定义好的、结构化的操作序列。
当任务100%规则化、界面稳定、追求零误差和低成本时，RPA是更优解。当任务需要理解语义、处理多样化的文档、进行简单推理时，大模型才开始展现价值。而绝大多数企业流程，是两者混合的。
2. 概念厘清：Kimi K3 与 RPA 究竟是何方神圣？
在深入结合方案之前，我们需要准确理解这两个技术的内涵。
2.1 Kimi K3：一个强大的“认知中心”
Kimi K3是月之暗面（Moonshot AI）推出的最新一代大规模语言模型。根据公开的技术报告和评测，它的核心能力体现在：
- 超长上下文：支持百万级别的上下文窗口，这意味着它可以处理极其冗长的文档（如一整本书、数百页的招股说明书），并在全文中保持连贯的理解和推理。
- 强大的推理与代码能力：在数学、逻辑推理和代码生成任务上表现突出，不仅能回答问题，还能拆解步骤、编写解决特定问题的程序。
- 多模态理解（文件处理）：虽然并非纯图像模型，但对上传的PDF、Word、Excel、PPT、TXT等文件具备出色的内容解析和摘要、问答能力。
对于开发者而言，Kimi K3主要是一个通过API调用的“云脑”服务。你向它发送一段提示词（Prompt）和上下文，它返回思考后的文本结果。它的“操作”边界仅限于信息处理。
适用场景举例：
- 法律、审计文档的关键信息审查与风险点摘要。
- 从杂乱的产品描述中，结构化地提取规格参数。
- 分析用户客服对话，自动生成工单摘要和分类。
- 为一段业务逻辑编写初步的Python脚本或SQL查询。
2.2 RPA：一个可靠的“数字员工”
RPA（Robotic Process Automation）并非AI，它是一类软件工具，通过模拟人类在电脑上的操作（点击、输入、复制粘贴），自动执行基于规则的任务。它工作的对象是软件应用的用户界面元素。
- 核心组件：通常包括流程设计器、录制器、执行机器人、控制中心。
- 操作粒度：定位浏览器按钮、读取Excel单元格、获取桌面通知弹窗文本。
- 关键特性：高稳定性、可录制、可调度、易监控、非侵入式（不需要改造现有系统）。
对于业务人员或开发者而言，RPA是一个可视化的流程自动化搭建工具。通过拖拽组件，编排一个“机器人”的工作步骤。
适用场景举例：
- 每日从邮箱下载报表，重命名后存入指定网盘文件夹。
- 登录内部系统，查询数据并填入Excel模板，生成日报。
- 跨系统数据搬运：从CRM系统复制客户信息，粘贴到ERP系统。
- 批量处理电商平台订单，完成发货状态同步。
2.3 对比表格：一眼看清技术分野
| 特性维度 | 大模型 (如 Kimi K3) | RPA 工具 (如 影刀RPA、UiPath) |
|---|---|---|
| 核心技术 | 深度学习、自然语言处理 | 图形界面自动化、规则引擎 |
| 核心能力 | 理解、生成、推理、总结 | 模拟点击、输入、数据搬运 |
| 处理对象 | 非结构化文本/数据、语义 | 结构化的UI元素、数据字段 |
| 决策依据 | 概率模型、上下文学习 | 预定义的、确定性的规则与流程 |
| 主要优势 | 灵活性高、处理复杂模糊任务 | 稳定性极高、成本确定、实施快 |
| 主要劣势 | 存在幻觉、成本波动、延迟高 | 流程脆弱（界面一变就失效）、无法处理非规则情况 |
| 输出形式 | 文本、代码、结构化数据（JSON） | 系统操作、数据文件、数据库记录 |
| 技能门槛 | 需Prompt工程、API集成、AI知识 | 需业务流程理解、组件编排、基础调试 |
这个对比清晰地表明，两者是互补的。RPA的短板（无法理解内容），正是大模型的长处；大模型的短板（无法操作界面），正是RPA的根基。
3. 协同模式：AI+RPA 如何构建“超级自动化”？
理解了差异，我们来看如何结合。业界通常称之为“智能流程自动化（IPA）”或“超级自动化”。其核心思想是：让大模型做“大脑”，负责理解和决策；让RPA做“手脚”，负责执行和操作。
以一个进阶的“智能发票处理”流程为例，结合方案如下：
[开始] -> RPA机器人监控邮箱，获取发票PDF -> 调用Kimi K3 API进行智能解析 -> Kimi返回结构化JSON -> RPA机器人判断是否需人工复核（如金额巨大）-> 是：推送任务给人工 -> 否：自动登录ERP，填入数据并提交 -> [结束]在这个流程中：
- RPA负责“抓取”和“操作”：监控邮箱、上传文件、调用API、操作ERP界面。这些都是规则明确、高度重复的动作。
- Kimi K3负责“理解”和“提取”：无论发票格式如何变化（不同供应商模板不同），它都能相对准确地找到关键信息。这解决了传统RPA依赖固定模板、格式一变就失效的最大痛点。
3.1 技术集成架构
对于开发者，一个典型的技术集成点在于：如何在RPA流程中调用大模型API？
我们以影刀RPA为例，展示一个简单的集成代码块。影刀RPA支持Python脚本组件，可以很方便地调用HTTP API。
# 文件：在影刀RPA的「Python脚本」组件中编写 # 功能：调用 Kimi K3 API 解析发票文本 import requests import json def parse_invoice_with_kimi(api_key, invoice_text): """ 使用Kimi K3 API解析发票文本 :param api_key: 你的Kimi API Key :param invoice_text: OCR识别后的发票文本 :return: 解析后的结构化字典，如解析失败返回None """ url = "https://api.moonshot.cn/v1/chat/completions" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } # 精心设计的Prompt，要求模型以固定JSON格式输出 prompt = f""" 你是一名专业的财务助理。请从下面的发票文本中，准确提取以下字段： 1. invoice_number (发票号码) 2. invoice_date (开票日期，格式YYYY-MM-DD) 3. total_amount (价税合计金额，数字类型) 4. seller_name (销售方名称) 5. buyer_name (购买方名称) 请仅返回一个合法的JSON对象，不要有任何额外的解释或标记。 发票文本： {invoice_text} """ data = { "model": "moonshot-v1-8k", # 根据实际情况选择模型，如kimi-latest "messages": [ {"role": "user", "content": prompt} ], "temperature": 0.1, # 低温度，确保输出稳定 "response_format": {"type": "json_object"} # 要求返回JSON } try: response = requests.post(url, headers=headers, json=data, timeout=30) response.raise_for_status() # 检查HTTP错误 result = response.json() content = result["choices"][0]["message"]["content"] # 解析返回的JSON字符串 extracted_data = json.loads(content) return extracted_data except requests.exceptions.RequestException as e: print(f"网络请求失败: {e}") return None except (KeyError, json.JSONDecodeError) as e: print(f"解析API响应失败: {e}") print(f"原始响应: {result if 'result' in locals() else '无'}") return None # --- 在影刀RPA中的使用示例 --- # 1. 上一个组件：使用「OCR」组件识别发票图片，得到文本 `invoice_text` # 2. 本Python脚本组件： api_key = "your_kimi_api_key_here" # 建议将API Key存储在影刀变量或环境变量中 result = parse_invoice_with_kimi(api_key, invoice_text) if result: # 将结果赋值给影刀变量，供后续组件使用 runner.set_var("invoice_number", result.get("invoice_number")) runner.set_var("total_amount", result.get("total_amount")) # ... 其他字段 print("发票解析成功！") else: print("发票解析失败，可能需要人工处理。") # 可以在这里触发一个异常，将流程跳转到人工复核分支关键点解释：
- API Key管理：切勿将API Key硬编码在脚本中。应使用影刀RPA的“变量”或“数据源”功能进行加密存储。
- Prompt工程：这是效果的关键。Prompt需要清晰、具体，并利用
response_format参数要求返回JSON，便于后续处理。 - 错误处理：必须对网络请求和JSON解析进行异常捕获。一旦大模型调用失败，流程应能降级到人工处理或重试机制。
- 温度（Temperature）设置：业务场景下应设置为较低值（如0.1），以减少输出的随机性，保证稳定性。
4. 实战演练：构建一个简易的“AI+RPA”邮件处理助手
让我们通过一个更完整的例子，串联起所有环节。场景：自动处理客户询价邮件，提取关键信息并录入CRM系统。
流程设计：
- RPA机器人定时读取指定邮箱的未读邮件。
- 对邮件正文和附件，调用Kimi K3 API，提取“客户公司名”、“产品需求”、“预算范围”、“期望交付日期”。
- RPA机器人将提取的信息，自动填入公司CRM系统（假设为Web版）。
- 在CRM中创建一条新的销售线索（Lead），并标记来源为“AI邮件提取”。
4.1 环境与工具准备
- RPA平台：影刀RPA社区版（免费）。
- AI模型：Kimi K3 API（需申请API Key）。
- 开发环境：影刀RPA设计器。
- 目标系统：一个模拟的CRM网页（可用任何带有表单的网页替代，如
http://demo.testfire.net/bank/login.aspx用于演示输入，注意：此为演示网站，切勿输入真实信息）。
4.2 RPA流程搭建步骤
在影刀RPA设计器中，我们可以这样搭建流程：
开始 ├─ 循环条件（每10分钟执行一次） ├─ 【邮件】组件：获取未读邮件（配置邮箱服务器、账号、密码） ├─ 【循环】组件：对每一封邮件执行以下操作 │ ├─ 【Python脚本】组件：调用上述 `parse_invoice_with_kimi` 函数（修改Prompt为提取询价信息） │ ├─ 【条件判断】组件：检查API返回结果是否有效 │ │ ├─ 是： │ │ │ ├─ 【打开浏览器】组件：导航至CRM新建线索页面 │ │ │ ├─ 【拾取元素】组件：在“公司名称”输入框中输入 `extracted_data.company` │ │ │ ├─ 【拾取元素】组件：在“需求描述”输入框中输入 `extracted_data.requirement` │ │ │ ├─ ... （填入其他字段） │ │ │ ├─ 【拾取元素】组件：点击“提交”按钮 │ │ │ └─ 【日志】组件：记录“成功创建线索：[公司名]” │ │ └─ 否： │ │ └─ 【日志】组件：记录“邮件解析失败，主题：[邮件主题]”，并可选转发给人工 │ └─ 【邮件】组件：标记当前邮件为已读/已处理 └─ 结束循环4.3 核心组件配置与代码
1. 邮件组件配置：在影刀中，使用“邮件”类组件，选择“获取邮件(IMAP)”。需要正确配置主机（如imap.163.com）、端口、SSL以及邮箱账号密码。
2. 增强的Python脚本（解析询价邮件）：
# 文件：影刀RPA「Python脚本」组件 - 解析询价邮件 import requests import json import re def parse_inquiry_email_with_kimi(api_key, email_subject, email_body, attachment_texts=""): """ 解析客户询价邮件 :param api_key: Kimi API Key :param email_subject: 邮件主题 :param email_body: 邮件正文 :param attachment_texts: 附件文本内容（可选，可拼接） :return: 解析后的字典 """ url = "https://api.moonshot.cn/v1/chat/completions" headers = {"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"} full_content = f"邮件主题：{email_subject}\n\n邮件正文：{email_body}" if attachment_texts: full_content += f"\n\n附件内容：{attachment_texts}" prompt = f""" 请从以下客户邮件中，提取关键商业信息。 请提取： 1. company_name (客户公司名称，如果没有明确提及，请根据邮箱后缀或上下文合理推断，或输出“未知”) 2. product_need (客户需要的产品或服务描述，尽可能详细) 3. budget_range (预算范围，如“10万左右”、“5-8万”，若无则输出“未提及”) 4. desired_date (期望交付/联系日期，格式YYYY-MM-DD，若无则输出“未提及”) 5. urgency_level (紧急程度，根据邮件语气判断，输出“高”、“中”、“低”或“未知”) 请仅返回一个JSON对象，键名必须与上述要求完全一致。 邮件内容： {full_content} """ data = { "model": "moonshot-v1-8k", "messages": [{"role": "user", "content": prompt}], "temperature": 0.1, "response_format": {"type": "json_object"} } try: resp = requests.post(url, headers=headers, json=data, timeout=45) resp.raise_for_status() result = resp.json() extracted = json.loads(result["choices"][0]["message"]["content"]) # 简单清洗和验证 if not extracted.get("company_name") or extracted["company_name"] == "未知": # 尝试从发件人邮箱中提取公司名 # 这里假设 runner.get_var("sender_email") 能获取到发件人邮箱 sender_email = runner.get_var("sender_email", "") if sender_email: domain = sender_email.split('@')[-1].split('.')[0] extracted["company_name"] = domain.upper() + "公司" # 简单示例 return extracted except Exception as e: print(f"[Kimi API Error] {e}") return None # --- 在影刀流程中调用 --- # 假设上游邮件组件已将主题、正文、发件人存入变量 subject = runner.get_var("email_subject") body = runner.get_var("email_body") sender = runner.get_var("sender_email") api_key = runner.get_var("kimi_api_key") # 从变量获取 extracted_info = parse_inquiry_email_with_kimi(api_key, subject, body) if extracted_info: runner.set_var("parsed_company", extracted_info.get("company_name", "")) runner.set_var("parsed_need", extracted_info.get("product_need", "")) runner.set_var("parsed_budget", extracted_info.get("budget_range", "未提及")) runner.set_var("parsed_urgency", extracted_info.get("urgency_level", "未知")) else: # 解析失败，设置标志，后续流程可走人工分支 runner.set_var("ai_parse_failed", True)3. 浏览器自动化配置：使用影刀的“浏览器”相关组件。关键技巧是使用更稳定的元素选择器，如CSS Selector或XPath，而不是容易变化的屏幕坐标。
// 示例：在影刀中使用「执行JS」组件来通过CSS选择器填充表单 // 假设CRM页面输入框的ID为 `companyName` var companyInput = document.querySelector('#companyName'); if(companyInput) { companyInput.value = '{{parsed_company}}'; // 影刀变量会自动替换 // 触发输入事件，确保某些前端框架能捕获到值变化 var event = new Event('input', { bubbles: true }); companyInput.dispatchEvent(event); }5. 运行、验证与效果评估
部署并运行上述RPA流程后，你需要验证其效果：
- 运行验证：发送一封模拟询价邮件到监控邮箱。观察影刀RPA控制台的日志，查看流程是否顺利执行：邮件获取 -> AI解析 -> 浏览器打开 -> 数据填入 -> 提交成功。
- 准确性评估：准备20-30封历史真实邮件（脱敏后）作为测试集。运行流程后，对比AI提取的信息与人工标注的准确信息。计算关键字段（如公司名、产品需求）的准确率。
- 稳定性监控：让流程持续运行一天或一周。关注两个故障点：
- AI调用失败率：因网络、API限额导致的失败次数。
- RPA操作失败率：因CRM页面改版、元素加载缓慢导致的失败次数。
- 成本核算：统计处理每封邮件平均消耗的Kimi API Token数量，估算月度成本。对比之前完全人工处理或纯RPA（无法处理非标邮件）的成本与效率。
一个理想的验证结果应该是：AI解析准确率>85%，流程端到端成功率>95%，单条线索处理成本远低于人工，且释放了业务人员从机械阅读邮件中解脱出来。
6. 常见问题、陷阱与排查指南
在“AI+RPA”的实践中，你会遇到一些典型问题。下表列出了常见问题及解决方案：
| 问题现象 | 可能原因 | 排查步骤 | 解决方案 |
|---|---|---|---|
| RPA流程运行到AI组件时卡住或报错 | 1. API Key无效或过期。 2. 网络问题，无法访问 api.moonshot.cn。3. 请求超时（默认30秒可能不够）。 4. Prompt过长，超出模型上下文窗口。 | 1. 检查API Key变量是否正确赋值。 2. 在RPA脚本中增加 try-catch，打印详细错误信息。3. 手动在Python环境中用相同参数调用API测试。 4. 计算输入Token数（可使用 tiktoken库）。 | 1. 更新API Key，使用环境变量管理。 2. 调整超时时间至60秒。 3. 精简Prompt，或对长文本先进行摘要再发送。 4. 考虑使用流式响应或分块处理。 |
| AI提取的信息格式错误或字段缺失 | 1. Prompt指令不清晰。 2. 模型“幻觉”，生成了不存在的信息。 3. 邮件内容过于模糊或简短。 | 1. 检查返回的JSON是否可被json.loads解析。2. 分析失败样本，优化Prompt（如增加示例、更严格的格式要求）。 3. 在Prompt中要求模型对不确定信息输出“未提及”。 | 1. 使用response_format: {“type”: “json_object”}并确保Prompt以“返回JSON”结尾。2. 降低 temperature参数值（如0.1）。3. 增加后处理校验逻辑，对关键字段进行规则校验（如日期格式、金额数字）。 |
| RPA浏览器操作失败，找不到元素 | 1. CRM页面更新，元素ID或路径改变。 2. 页面加载未完成就开始操作。 3. 浏览器弹窗干扰。 | 1. 使用影刀的“元素探测器”重新拾取元素。 2. 在操作前增加“等待元素出现”组件。 3. 查看执行时的屏幕截图。 | 1.使用相对稳定的选择器：优先用name、id，其次用CSS Class，最后用XPath。避免用绝对路径。2. 在关键步骤后添加“等待”组件（如2秒）。 3. 引入异常处理分支，操作失败时尝试备用选择器或记录错误。 |
| 流程整体效率低下 | 1. 串行处理每封邮件，AI调用成为瓶颈。 2. 未处理并发或批量操作。 | 1. 分析流程各步骤耗时（影刀有流程运行时间线）。 2. 监控邮箱邮件堆积情况。 | 1.将AI调用与RPA操作解耦：先用RPA批量下载邮件内容，存入队列（如Redis）；再用独立服务调用AI批量处理队列；最后另一个RPA从结果队列读取并操作CRM。 |
| 安全与合规风险 | 1. API Key泄露。 2. 敏感客户信息被明文存储或传输。 | 1. 检查代码和日志中是否有Key残留。 2. 审查数据流经的所有环节。 | 1.永远不要在脚本中硬编码Key。使用RPA工具自带的加密凭证存储或外部密钥管理服务。 2. 对处理的邮件内容进行脱敏（如AI处理前可先过滤身份证、银行卡号）。 3. 确保符合公司数据安全政策和相关法规。 |
7. 最佳实践与进阶建议
当你成功跑通一个基础流程后，可以考虑以下优化方向，构建更健壮、高效的“超级自动化”系统：
7.1 工程化与稳定性
- 设置熔断与降级：当Kimi API连续失败多次时，自动切换至备用方案（如规则匹配+人工处理），避免单点故障导致流程完全停滞。
- 引入确认机制：对于高价值或高风险的业务（如合同金额提取），设计“AI初筛+人工确认”的双重校验环节。RPA可以将AI结果和原始材料一并提交给人工审批平台。
- 完善日志与监控：记录每一次AI调用的输入、输出、耗时和Token用量。这有助于成本分析、效果优化和问题追溯。
7.2 提示词（Prompt）优化
- 提供少量示例（Few-Shot）：在Prompt中给出一两个正确解析的示例，能显著提升模型在特定格式上的表现。
prompt = """ 请从邮件中提取信息。以下是一个例子： 邮件： “你好，我们是ABC科技，想咨询贵司的云服务器租用，预算大概每年5万元，希望下个月能上线。” 输出： {"company_name": "ABC科技", "product_need": "云服务器租用", "budget_range": "5万元/年", "desired_date": "2023-11-15", "urgency_level": "中"} 现在请提取以下邮件的信息： [实际邮件内容] """ - 分步思考（Chain-of-Thought）：对于复杂邮件，可以要求模型先总结，再提取，提升准确性。
- 后处理校验：用简单的规则校验AI输出，比如检查日期是否合理、金额是否为数字。这能拦截明显的模型“幻觉”。
7.3 架构演进
- 从RPA调用AI，到AI调度RPA：更高级的形态是，由一个中心化的AI Agent来理解自然语言指令（如“把上个月所有超期的合同找出来发邮件给法务”），然后自动分解任务，生成并调度多个RPA机器人去执行（登录系统、查询、生成报告、发送邮件）。
- 模型微调（Fine-tuning）：如果业务场景非常垂直且固定（如特定行业的发票），可以考虑使用领域数据对Kimi这类模型进行轻量级微调，从而获得在该场景下近乎100%的准确率，同时可能降低Prompt复杂度和Token消耗。
8. 总结：回归本质，为问题选择工具
回到最初的问题：为什么Kimi K3都全球前三了，还有人用RPA？
答案现在很清晰：因为要解决的问题不同。Kimi K3是解决“看不懂”的问题，而RPA是解决“做不了”或“做得慢”的问题。前者是认知层，后者是执行层。
对于开发者和技术决策者，真正的挑战不在于二选一，而在于：
- 精准识别流程中的“认知环节”和“执行环节”。
- 用最低的成本、最可靠的方式将两者无缝衔接。
本文提供的“AI（Kimi K3）处理理解 + RPA（影刀）处理操作”的模式，是一个经过验证的、可快速上手的起点。它不需要你重写现有系统，不需要高昂的定制开发，就能为传统自动化注入智能。
下一次当你面对一个繁琐的、半结构化的业务流程时，不妨先画一张图：哪些步骤需要“思考”，哪些步骤只是“重复动作”。然后，试着让Kimi这样的“云脑”去完成思考，让RPA这样的“数字员工”去完成动作。你会发现，许多曾经被认为必须由人来做的事情，已经悄然具备了自动化的可能。
技术的价值，最终体现在对现实问题的解决效率上。大模型和RPA的结合，正是这种效率提升在当前阶段的一个最优解。
