4508 字
23 分钟
RPA 工程师转型 AI Agent 交付:技能地图与 90 天路线

结论先说:RPA 工程师是转型 AI Agent 交付的天然人选。你缺的不是流程经验,而是评测、工具设计和交付工程。

2024 年中国 RPA+AI 解决方案市场达到 31.5 亿元,同比增长 27.4%。增长最快的部分来自「大模型决策、Agent 调度、RPA 执行」这套新架构,流程脚本本身并不是主力(IDC,2025-07)。

同一时期,MIT NANDA 统计了 300 多个企业 AI 项目:60% 的组织评估过任务型 AI,20% 进入试点,只有 5% 进入生产;约 95% 的组织没有看到可衡量的利润影响(MIT NANDA,2025-07)。

两个数字放在一起,说明机会和难点是同一件事:企业不缺 Agent 演示,缺的是能把 Agent 接进真实流程、并对结果负责的人。RPA 工程师恰好站在这个位置上——流程拆解、异常处理、系统边界,这些是 Agent 交付里最贵、也最难临时补的部分。

核心要点

  • RPA 的流程拆解、异常处理和系统集成能力可以直接迁移,是 Agent 交付的起点,不是包袱。
  • 转型的分水岭不是会多少框架,而是能否做出可评测、可回滚、可交接的 Agent 系统。
  • 90 天按三段推进:跑通一条流程、建立评测与兜底、完成灰度与交接。
  • 最该补的四类能力:LLM 应用、数据与检索、评测与安全、交付工程。

为什么现在转:市场在重写交付方式#

市场没有萎缩,交付方式在换层。IDC 的数据显示,2024 年中国 RPA+AI 解决方案市场中,产品部分同比增长 37.1%,服务部分增长 19.6%(IDC,2025-07)。产品增速高于服务,与「预算从人天交付转向可复用能力」的趋势一致。

但采用曲线并不平顺。MIT NANDA 的漏斗显示,60% 的组织评估过任务型 AI,20% 进入试点,只有 5% 进入生产。Gartner 的预测同样直接:到 2027 年底,超过 40% 的 Agentic AI 项目会被取消(Gartner,2025-06-25)。

需求侧的信号也一致。WEF 对 55 个经济体、1000 多家企业的调研显示,39% 的核心技能将在 2025 到 2030 年间发生变化,63% 的雇主把技能缺口列为业务转型的最大障碍(WEF,2025-01)。PwC 分析近 10 亿条招聘广告后发现,2024 年具备 AI 技能的岗位平均薪资溢价为 56%,高于上一年的 25%(PwC,2025-06)。

国内的政策与职业目录也在同步变化。人社部 2026 年 9 月发布的 11 个新职业、23 个新工种中,出现了「智能体开发员」;工信部 2026 年 8 月印发的 AI 应用服务商培育专项行动通知,提出鼓励服务商搭建前线部署工程师(FDE)团队,并明确到 2026 年底服务商资源池突破 2000 家(人社部,2026-09-09;工信部,2026-08-31)。岗位名称和培养体系一旦进入政策文件,企业的采购和招聘口径就会跟着变。

失败的原因很少是模型不够强。更常见的是权限没有收敛、异常没有兜底、评测没有基线、上线后没人接手。这些恰好是 RPA 交付的日常,也是 RPA 工程师被低估的资产。

维度传统 RPA 项目AI Agent 交付
输入结构化、格式固定半结构化、自然语言、邮件与工单
核心资产流程脚本、元素选择器工具集、提示词、评测集、运行数据
成功标准执行成功率、稳定运行任务完成率、转人工率、单任务成本
主要失败模式元素变化、异常分支漏处理误判意图、误用工具、越权、幻觉
上线方式全量或灰度影子运行、灰度切流、人工兜底
工程师角色流程实现者边界设计者、评测负责人、交付负责人

这张表解释了为什么 RPA 经验值钱:Agent 交付的失败模式大多出在流程和系统上,模型本身很少是主因。

这也是 FDE(前线部署工程师)成为 AI 落地关键角色的原因:Agent 提供上限,RPA 提供下限,交付的人决定两者能否接上(FDE 与 Agent 协同交付)。

你已经有的可迁移能力#

RPA 工程师不需要从零开始。下面这些能力可以直接迁移,而且它们决定了 Agent 能不能上线,而不只是能不能演示。

RPA 能力在 Agent 交付中的对应物迁移难度
流程拆解与 SOP任务分解、工具边界、验收标准低
异常处理与重试失败分类、兜底策略、人工升级低
系统集成与鉴权工具与连接器、最小权限、幂等键低
日志、审计与留痕trace、可观测性、合规证据低
元素定位与 DOM浏览器工具、结构化抽取中
业务领域知识场景选择、评测标准、ROI 计算高价值

流程拆解是其中最容易被低估的一项。你习惯把一条流程拆成可执行步骤,知道哪一步依赖哪个系统、哪一步需要人工确认。在 Agent 里,这件事叫任务分解和工具边界设计:哪些判断交给模型,哪些动作必须调用确定性接口,哪些情况必须停下来等人。

异常处理直接对应 Agent 的失败分类。RPA 工程师会为超时、元素找不到、数据格式错误分别设计重试和升级路径;Agent 也一样,只是失败类型多了「模型误判」和「工具误用」。你已有的异常分支思维,比大多数只会写提示词的人更接近生产要求。

系统集成与业务知识决定了评测集的质量。你知道哪些系统有 API、哪些只能点页面、哪些写操作必须幂等,也知道这条流程最容易在什么地方出错。这些信息正是 Agent 评测集和护栏设计的输入。

需要补齐的四类新能力#

技能地图可以压缩成一张表。四项能力缺一项,系统都很难从 Demo 走到生产。

能力域最小可用标准验证方式
LLM 应用会写结构化输出、tool calling(让模型调用你定义的工具)、MCP;能给模型 5 个工具并稳定选对50 条任务,工具选择准确率不低于 90%
数据与检索会设计 schema(字段结构与约束)、切分、embedding(把文本转成向量)和 RAG;知道什么时候不该用 RAG50 条真实问答,命中率与引用可追溯
评测与安全有 golden set(人工标注的标准答案集)、失败分类、权限与护栏;知道哪些动作必须人工确认每次改动跑回归,P0 失败为 0
交付工程有 trace(一次任务的完整调用记录)、成本与延迟看板、版本与回滚能还原一次失败的全部调用,单任务成本可算

LLM 应用:从写提示词到设计工具#

这一层的关键在工具设计,提示词技巧反而是次要的。模型能不能稳定完成任务,很大程度上取决于你给它的工具是否命名清晰、参数是否收敛、返回是否结构化。Anthropic 在《Building effective agents》里建议从最简单的方案开始,只有在需要动态决策时才引入 Agent,而不是一上来就搭多智能体系统(Anthropic,2024-12-19)。

MCP(Model Context Protocol)值得尽早了解。它把模型与外部工具、数据源的连接方式标准化,让同一个工具可以被不同 Agent 复用(MCP 文档)。如果你已经在用影刀 MCP 做自然语言调度,会发现这套思路并不陌生(影刀 MCP 实战)。

数据与检索:让 Agent 拿到正确的上下文#

Agent 的很多错误源于拿错了资料,推理本身未必有问题。你需要会设计数据 schema、选择切分方式、评估检索质量,还要判断什么时候根本不需要 RAG——如果答案在一个结构化数据库里,一次 SQL 查询通常比向量检索更可靠。检索评测要单独做,不能只看最终回答对不对。

评测与安全:把感觉不错变成可回归的数字#

评测集是 Agent 交付的核心资产,不是上线前的一次性作业。建议从 50 到 100 条真实样本开始,必须覆盖边界和异常,而不是只放好案例。每条样本记录预期结果、实际结果、失败类型和人工判断。

安全护栏要同时管输入、工具和输出:输入做格式与敏感信息校验,工具做白名单和最小权限,写操作默认需要人工确认,输出做结构校验和引用检查。没有这些,Demo 越惊艳,上线风险越大。

交付工程:让系统可解释、可回滚、可交接#

企业采购的是稳定运行,单次模型调用并不构成交付。你需要能回答三个问题:这次失败发生在哪一步、单任务成本是多少、出问题怎么回滚。trace、成本与延迟看板、版本管理和回滚预案,是把 Agent 从个人作品变成团队资产的前提。

90 天路线:从一条流程到一个可交付系统#

90 天的目标是完成一个可展示、可评测、可交接的端到端项目,成为专家不在其中。开始之前,先确认三个前提:你能读写基础 Python、调用过一个 LLM API、手上有一条正在运行的 RPA 流程。缺哪一项,先用两周补上,再进入下面的节奏。

阶段目标关键交付物验收标准
第 1 至 30 天跑通一条流程工具化的 Agent、基线数据、50 至 100 条评测集端到端完成率不低于 70%,失败可解释
第 31 至 60 天从能跑到可信失败分类、护栏、影子运行报告转人工率可接受,P0 失败为 0
第 61 至 90 天从项目到交付灰度方案、成本模型、运行手册灰度稳定,单任务成本可算,可交接

一个可参考的最小项目#

以供应商对账为例:Agent 读取发票与采购单,判断差异类型;调用「查订单」「比价」「写 ERP」三个工具;差异超过阈值时转人工。评测集用 80 条真实单据,其中 20 条是异常单。第一个月的验收标准是 70% 自动完成、失败可解释;第二个月把误判率压到可接受范围;第三个月按 5% 灰度上线。这个项目不需要多智能体,也不需要复杂框架,但完整走一遍,Agent 交付的关键动作都会经过。

第 1 个月:选场景、拆工具、立基线#

  • 第 1 周:选场景。 用五条标准筛:高频、规则可枚举、结果可验证、失败可回滚、有明确的业务负责人。不要选跨五个部门、没有人敢拍板的流程。
  • 第 2 周:拆工具。 拆成 3 到 5 个工具。每个工具都要有输入输出 schema、幂等键和权限边界;工具越少、越确定,模型越容易选对。
  • 第 3 周:接 Agent。 先做「Agent 提议 + 人工确认」,不要一上来就放开写操作。把每次调用和人工决策记进 trace。
  • 第 4 周:立基线。 用 50 到 100 条真实样本建评测集,记录完成率、工具选择准确率、转人工率、单任务成本和 P95 延迟(95% 的请求能在此时间内完成)。

第 2 个月:建评测、加护栏、跑影子#

  • 第 5 周:做失败分类。 至少区分输入问题、工具问题、权限问题、模型问题和业务规则问题,每一类都要有兜底路径。
  • 第 6 周:加护栏。 输入输出校验、工具白名单、最小权限、敏感信息脱敏、写操作人工确认,逐项落到代码和配置里。
  • 第 7 周:补检索。 如果场景知识密集,再接 RAG;同时建立检索评测,确认召回的资料本身是对的。
  • 第 8 周:影子运行。 并行运行一周,和人工结果逐单对比,优先修掉出现频率最高的三个失败模式。

第 3 个月:灰度、算账、交接#

  • 第 9 周:灰度方案。 设计 5%、20%、50% 的放量节奏,并做一次回滚演练。回滚不成功,就不算可上线。
  • 第 10 周:灰度放量与算账。 按计划放量,同时把模型 token、工具调用、人工复核和维护工时算进去,得出可比较的单位经济模型。
  • 第 11 周:搭看板。 至少五项指标要能持续看到:完成率、转人工率、P95 延迟、单任务成本、错误类型分布。
  • 第 12 周:做交接。 写运行手册、告警规则和值班安排,把工具、提示词、评测集沉淀成可复用组件。

这 12 周的价值不只在项目本身。你手里会多出三样东西:一份评测报告、一张成本与延迟看板、一本运行手册。它们比「会用某个框架」更能证明你能独立交付。

三个常见误区#

把 Agent 当成更聪明的 RPA。 Agent 擅长处理不确定性,但不擅长保证每一次写操作都一致、可审计。正确姿势是分层:Agent 负责理解和决策,RPA 或确定性接口负责执行,人负责兜底。

先学框架再找场景。 框架迭代很快,今天学的编排方式明年可能就变了。更稳的顺序是:先用一条熟悉的流程跑通 API、工具调用和评测,再根据场景需要选框架。

只做 Demo 不做评测。 演示环境没有脏数据、权限冲突和异常工单,而这些才是交付成本的大头。没有评测集的 Agent,本质上还是一次性演示。

如何证明你完成了转型#

转型的证据是三个可展示的工件,证书说明不了什么:一条流程的端到端案例,包含上线前后的完成率、时长、成本和转人工率;一份 50 到 100 条样本的评测报告,包含失败分类和回归结果;一本运行手册,写清权限、告警、回滚和值班人。

表达方式也要换。从「我写了多少个流程」变成「我让哪条流程的哪个指标从多少变到多少,失败时怎么兜底」。这正是 FDE 岗位的核心要求:对交付结果负责,而不只是对功能清单负责(FDE 与 Agent 协同交付)。

常见问题#

不会 Python,能转 AI Agent 吗?#

能,但需要补到「能读、能改、能调 API」的程度。RPA 的低代码经验仍然有用,尤其是流程拆解和异常处理;但 Agent 交付绕不开 JSON、HTTP、日志和版本管理。可以从影刀调用外部 Python 脚本开始练(影刀调用 Python)。

应该先学哪个 Agent 框架?#

先把 API 调用、tool calling、结构化输出和评测跑通,再选框架。Anthropic 建议从最简单的方案开始,只有任务确实需要动态决策时才引入 Agent(原文,2024-12-19)。框架会换,工具设计和评测能力不会过期。

RPA 会被 AI Agent 取代吗?#

确定性执行层不会消失。更现实的架构是「Agent 提议、RPA 执行、人兜底」:Agent 处理理解和异常,RPA 保证写操作一致、可审计。IDC 也把「大模型决策、Agent 调度、RPA 执行」视为主要方向(IDC,2025-07)。

90 天够吗?#

90 天够完成第一个可交付项目,不够成为专家。真正的能力来自第二个、第三个场景:每做一次,评测集、工具库和交付手册都会更厚。把 90 天当成起点,而不是终点。

结语#

RPA 工程师的下一站,是把流程、异常和系统集成的经验升级成 Agent 交付能力,而不必抛弃过去。市场还在增长,交付成功率却很低;企业缺的正是能把概率系统接进确定性业务的人。

选一条你熟悉的流程,按这份路线跑一遍。90 天后,你得到的是一个能运行、能评测、能交接的系统,证书并不在其中。这才是转型最硬的证据。

关于作者:AI FDE RPA 编辑部,长期关注企业 AI、FDE 与 RPA 的落地实践。更多介绍见关于本站。

延伸阅读#

资料来源#

以下来源按引用顺序排列。政策类信息引自公开发布页面,统计口径以原报告为准。

  • IDC. 《中国 RPA+AI 解决方案,2024》. 2025-07. 原文
  • MIT NANDA. The GenAI Divide: State of AI in Business 2025. 2025-07. 报告 PDF
  • Gartner. “Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027.” 2025-06-25. 新闻稿
  • World Economic Forum. The Future of Jobs Report 2025. 2025-01. 报告
  • PwC. 2025 Global AI Jobs Barometer. 2025-06-03. 报告 PDF
  • 人力资源社会保障部. 《11 个新职业、23 个新工种发布》. 2026-09-09. 原文
  • 工业和信息化部办公厅. 《关于开展人工智能应用服务商培育专项行动的通知》(工信厅科函〔2026〕414 号). 2026-08-31. 通知全文
  • Anthropic. “Building effective agents.” 2024-12-19. 原文
  • Model Context Protocol. “Getting Started.” 文档
RPA 工程师转型 AI Agent 交付:技能地图与 90 天路线
https://dc6.com.cn/posts/rpa-engineer-to-ai-agent/
作者
DC哥
发布于
2026-11-09
许可协议
CC BY-NC-SA 4.0