过去十年，"流程自动化"基本等于 RPA——按固定脚本点界面。它解决了"重复点"，却解决不了"看不懂、想不清、变通不了"。大模型的成熟，让自动化从"执行固定动作"迈向"理解意图、生成流程、自主优化"，也就是从 RPA 到 APA（Agentic Automation Platform）的进化。本文拆解这场进化的技术内涵与落地路径。
一、大模型给自动化带来的四个能力跃迁
自然语言理解：业务人员用一句话描述需求，平台能理解并拆解成可执行的步骤；
流程自动生成：根据描述自动产出流程草案，显著降低搭建门槛；
复杂决策：在规则不清或数据结构多变的场景下，借助模型做判断与兜底；
自主优化：运行中发现异常，能自我诊断并修复，让"维护"不再是人力黑洞。
这四点对应着自动化的四个痛点：看不懂人话、搭不起来、变不了通、修不过来。大模型恰好补上了这四块短板。
二、对话即开发，但要有底线
"对话式开发"听起来很美，但生产环境必须有护栏。平台把底线守在三件事上：稳定的 GUI 引擎（保证操作真实可达）、扎实的系统适配（接得住各类业务系统）、完备的治理机制（权限、审计、回滚）。
作者所在的工程团队自研了一套测试系统，相比通用的 Computer Use 类大模型方案，构建与验证自动化的速度快约 3 倍，成本仅为其 1/10。关键在于把"大模型生成"和"确定性执行"分层：模型负责创意与草稿，执行引擎负责可靠落地。这样既享受了大模型的灵活，又不把生产系统的稳定性交给概率。
三、人机共创，而非取代人
落地中更稳妥的形态是 copilot：业务人员描述意图，平台生成流程，专家在关键节点审核与确认。这样既释放了业务侧的创造力，又把住了合规与质量的关口。
一个直观的成效参照：在采购到付款的三单匹配场景中，原先人工处理约 10 分钟的单据，自动化后压缩到 2 分钟左右，且能稳定处理大批量。这里的自动化并不依赖大模型做每一步决策，而是用确定性执行保证准确率，把模型用在它擅长的理解与生成环节。
四、从 RPA 到 APA 的迁移路径
盘点存量 RPA 脚本，识别哪些适合升级为智能体，哪些保持原样；
引入对话式/低代码开发，让业务侧参与造流程，缓解开发资源瓶颈；
把规则库外置，让模型在既定边界内决策，避免"自由发挥"越界；
建立治理闭环，保留人工确认与审计痕迹，做到可解释、可回退。
五、常见担忧与回应
担忧一：大模型会不会乱操作？ 回应：执行落在确定性引擎，模型只出草案，关键动作仍有人工确认。
担忧二：成本会不会失控？ 回应：把生成与验证分层，批量场景的单位成本可以显著低于通用方案。
担忧三：出错了谁负责？ 回应：录屏与日志全程留存，责任门机制让每一步可溯源。
六、技术选型关注点
看执行引擎是否真实可控，而非只演示对话；
看系统适配广度，能否覆盖企业现有业务系统；
看治理机制是否完整，权限、审计、回滚是否齐备；
看人机分工是否清晰，哪些模型做、哪些人做。
小结
RPA 是把人从重复里解放，APA 是把人从"设计自动化"本身里解放。两者的关系不是替代，而是叠加——执行层越可靠，智能体才越敢放手。
