以前做的自动化现在不好用了,是修还是重做?看失效原因是界面还是规则
三年前上线时跑得稳稳当当的机器人,如今每周都要报几次错;IT运维每天早上的第一件事,是去检查昨晚有没有哪条流程卡在“元素未找到”上。业务部门开始抱怨“还不如我自己手工做”,而当初立项时的ROI测算,早就被无休止的救火成本吞掉了。于是会议室里出现了一个很现实的争论:这套自动化,到底是修一修继续用,还是干脆推倒重做?
这个问题没有标准答案,但有一个判断方法——先分清失效的根子在哪里。行业调研机构在多份自动化运维报告里都提到过一个规律:企业RPA/自动化资产中,超过一半的维护工时消耗在两类问题上,一类是界面变化导致的定位失败,另一类是业务规则变化导致的逻辑失效。这两类问题的处理方式截然相反:前者大概率能修,后者往往越修越贵。
本文就给出一套可落地的判断框架:怎么快速定位失效类型、什么情况下修更划算、什么情况下必须重做,以及重做时如何避免“三年后再失效一次”。
一、别急着动手:先把“不好用”拆成三类症状
“不好用”是个很模糊的词。有人指的是跑不起来,有人指的是跑完了结果不对,还有人指的是跑得太慢、数据对不上。不同症状背后是完全不同的病因,混在一起讨论,结论必然是“重做算了”。
1.1 三类典型症状的快速识别
打开机器人的运行日志,其实大部分答案已经写在里面了:
- 跑不起来(执行中断):报错集中在“元素未找到”“控件超时”“窗口句柄失效”“图像匹配失败”。这类问题的触发点高度集中在页面改版、按钮位置调整、登录流程加了验证码或弹窗之后。这说明问题出在“机器人的眼睛”上。
- 跑得完但跑错了(结果异常):流程能走完全程,日志显示成功,但下游系统里的数据不对、金额算错、单据漏审。这类问题往往在业务规则调整、审批口径变化、新增业务类型之后集中爆发。这说明问题出在“机器人的大脑”上。
- 跑得慢、跑得乱(稳定性下降):单笔处理时间从几十秒涨到几分钟,失败重试次数明显上升,同一批数据有时成功有时失败。这通常是系统响应变慢、并发冲突、或者流程里被不断打补丁导致的。
1.2 一个简单的自检方法
建议做一次“回归测试对照”:把当前版本的机器人放到一个未改动的旧环境中跑一遍。如果旧环境里正常、新环境里报错,基本可以判定是界面型失效;如果新旧环境都跑得出错,且错误和业务数据强相关,那大概率是规则型失效;如果新旧环境都不稳定,则要怀疑流程本身已经被补丁改坏了。
把这一步做扎实,后面的决策才有依据。很多团队跳过诊断直接“修”,结果是把界面问题和规则问题混在一起打补丁,越修越乱。
二、界面型失效:可以修,但要修出“抗变化”的能力
界面型失效是最常见、也最容易被误判的一类。它的本质是:业务流程本身没变,变的是承载流程的那层界面。
2.1 为什么传统自动化这么怕界面变化
传统RPA的定位方式,本质上是在“认坐标”和“认长得像的区域”:
- 基于DOM/XPath的元素定位,一旦前端框架升级、控件ID重排,定位路径立刻失效;
- 基于图像匹配的点击,遇到分辨率变化、主题色调整、字体渲染差异就匹配不上;
- 基于固定坐标的操作,窗口大小一变就点偏。
这类机器人的维护方式,本质上是“改一行、跑一次、再报错、再改一行”。单次修复成本不高,但复发频率极高。
2.2 什么时候该修:低风险窗口
如果同时满足以下条件,修是理性的选择:
- 流程节点数不多(一般在20个节点以内),脚本结构清晰、注释完整;
- 承载系统短期内不会大改版,或者改版周期可预期;
- 失效点集中在少数几个页面,而不是全流程崩盘;
- 原开发团队或文档还在,接手成本低。
2.3 修的正确姿势:从“硬定位”转向“语义定位”
如果只是把元素路径重新抓一遍,三个月后同样的问题还会再来一次。真正有效的修法,是让机器人从“认坐标”升级为“认界面语义”——理解页面上这个区域是“搜索框”、那个按钮是“提交”,而不是记住它的像素位置。
实在Agent在这一层的价值比较直观:它通过屏幕语义理解来识别界面元素的结构和用途,页面改版、控件重命名、分辨率变化时,机器人不需要人工重新抓取元素,能够自行适配。对于已经有大量存量RPA资产的企业,可以把高频失效的流程节点逐步替换到这类具备自愈能力的执行引擎上,保留原有业务逻辑,只更换“眼睛和手”。这样做的迁移成本远低于整体重做,而稳定性提升是立竿见影的。
三、规则型失效:越修越贵,该考虑重做了
比起界面报错,规则型失效更危险——因为它不报错。
3.1 规则型失效的三个信号
- 例外分支膨胀:原本一条直线流程,三年间被加了十几个if-else,“这个情况特殊走这条,那个客户特殊走那条”,脚本已经没人敢动了;
- 业务口径变了但代码没变:比如费用报销的校验阈值调整、发票验真规则更新、审批层级变化,制度文件改了,脚本里的硬编码没改;
- 业务范围扩张:原来只处理一种业务类型,现在要覆盖十几种,每种的审核规则都不一样,靠人工加分支已经无法维护。
当规则以硬编码的方式散落在几千行脚本里,每次业务调整都意味着一次开发排期。这时候“修”的成本不再是工时问题,而是响应速度问题——业务等不起。
3.2 判断标准:规则变化频率 vs 代码修改成本
可以做一个简单的量化:统计过去12个月里,这条流程因为业务规则变化被修改了多少次,每次平均耗时多久。如果一年改了5次以上、单次修改超过2人日,那么长期维护成本大概率已经超过重做成本。这时候继续修,本质上是在给一个不可维护的资产续命。
3.3 重做的关键:把规则从代码里“抽出来”
重做不等于把老脚本翻译一遍。真正有效的重做,是把规则从代码中剥离,变成可配置、可维护的资产:
- 规则外置:业务规则以制度文本、配置表的形式存在,而不是写死在代码里;
- 规则可解析:用大模型解析制度文本,自动生成可执行的校验逻辑,业务人员改制度的同时规则同步更新;
- 双轨校验:确定性强的规则用小模型/规则引擎保证准确率,模糊判断用大模型兜底,两者互为校验。
某大型电力集团的做法可以参考:其财务共享中心面对120多种业务类型、单一类型下十余条审核规则、下辖多个省份上百家分子机构执行标准不统一的情况,年单据审核量超过25万笔。他们采用的“大模型+小模型”双轨制智能审单方案,第一步就是规则智能管理——直接上传制度文本,由大模型解析生成可执行的代码规则,再进入识别、深度校验、结论生成、人工确认的流程。结果是初审替代率达到66%,人工负荷降低超过60%,准确率提升至99.2%,项目投入约10个月收回成本。
这个案例的关键不在于用了什么技术,而在于规则不再固化在脚本里。制度变了,规则跟着变,不需要重新开发。
四、四象限决策矩阵:修、重构、重做还是退役
把“失效类型”和“流程价值”两个维度交叉,可以得到一个更清晰的决策框架:
| 失效类型 | 流程价值高、调用频繁 | 流程价值低、调用稀少 |
|---|---|---|
| 界面型失效 | 优先修,并逐步替换为语义化执行引擎 | 修一次即可,或直接退役转人工 |
| 规则型失效 | 重做,规则外置 + 双轨校验 | 退役,或降级为辅助工具 |
几个判断要点:
- 界面型 + 高价值:修,但不要重复“抓元素”的老路,要借这次机会升级执行引擎;
- 规则型 + 高价值:果断重做,且重做的重点放在规则管理能力上,而不是界面操作上;
- 低价值流程:无论是哪种失效,都要认真评估“是否值得继续自动化”。有些流程本来就不该做成机器人,及时退役也是止损。
五、重做时最容易踩的三个坑
5.1 把“重做”做成“翻译”
最常见的错误,是把老脚本逐行翻译成新平台,逻辑一模一样,只是换了个工具。这样做的结果是:三年后同样的问题会原样复现。重做的核心是重新梳理业务规则和异常处理机制,而不是代码搬迁。
5.2 忽略存量流程资产的复用
老脚本里沉淀了大量业务知识——哪些字段要校验、哪些异常要跳过、哪些单据要转人工。这些知识是有价值的,重做时应该系统梳理并保留,而不是全部推倒。
5.3 一次性全量切换
建议按业务类型分批迁移,先跑通一个高频、规则相对清晰的场景,验证规则管理能力和准确率,再逐步扩展。制造业的一个典型场景是共享盘图纸同步:原人工操作需要30分钟,用智能体自动同步最新版本后只需5分钟,效率提升80%以上。这类场景规则简单、价值明确,非常适合作为重做的第一个试点。
电商运营场景也是类似思路。多店铺经营数据错位曾导致看板失真、促销和库存计划失准,通过构建“异常定界—源头穿透—自动洗数—实时哨兵”的闭环,实现了100%异常自动拦截预警,90%的决策支撑恢复提速。这类场景的共同特征是:规则明确、异常多发、人工处理成本高,正好是重做优先级最高的地方。
六、实在Agent能接住哪些活
如果诊断结论偏向“重做”,那么选型时值得关注的能力大致可以归为四块:
- 界面自适应执行:通过屏幕语义理解识别界面元素,页面改版、控件变化时无需人工重新配置,解决界面型失效的复发问题;
- 规则智能管理:支持上传制度文本,由大模型解析生成可执行规则,业务规则调整不再依赖开发排期;
- 双轨校验引擎:小模型保障确定性规则的准确率,大模型处理模糊判断和例外情况,两者结合兼顾效率与准确;
- 全链路可观测:操作日志、审计追踪、异常预警形成闭环,出问题能快速定位是界面问题还是规则问题,避免再次陷入“盲目打补丁”。
制造业的MRP请购单批量修改是个小而典型的例子:生产计划波动、采购量变更导致多余物料堆积,原先生管每次都要手工修改采购数量。用智能体自动准备清单、登录系统定位单据、修改数量并同步各部门后,人工处理环节减少95%,数据准确率100%。这类场景的价值不在于技术多复杂,而在于把重复的判断和操作固化下来,同时保留规则可调整的空间。
七、动手前的七个问题清单
在拍板“修还是重做”之前,建议团队一起回答这几个问题:
- 过去12个月,这条流程的故障中,界面类占比多少、规则类占比多少?
- 每次故障的平均修复时长是多少?累计投入了多少人日?
- 业务规则最近一年调整了几次?下次调整预计在什么时候?
- 现有脚本还有没有人能完整读懂?文档是否完整?
- 这条流程当前的实际调用频率和价值,是否还支撑继续投入?
- 如果重做,能否复用已有的业务规则梳理成果?
- 重做后的第一版,能否在4-8周内跑通一个可验证的场景?
这七个问题回答完,答案通常已经浮出水面。
结语
存量自动化的“修与重做”之争,本质上是资产管理问题,而不是技术选型问题。界面型失效是“皮外伤”,可以修,但要修出抗变化的能力;规则型失效是“结构性损伤”,越修越贵,该重做就重做。判断标准很简单:看失效的根子长在界面上,还是长在规则里。看清这一层,决策就不会被情绪和沉没成本绑架。
常见问题解答
1. 怎么快速判断是界面问题还是规则问题?
看日志和对照测试。日志里大量“元素未找到”“超时”的,是界面问题;流程能跑完但结果不对、且错误与特定业务数据强相关的,是规则问题。把同一版本机器人放到未改动的旧环境跑一遍,旧环境正常、新环境报错,基本可判定为界面型。
2. 界面型失效频繁发生,每次都修,成本会不会失控?
会。单次修复便宜,但复发频率高时总成本很可观。建议统计“单次修复工时×年故障次数”,如果超过流程年维护预算的30%,就应该考虑把执行引擎升级为具备语义识别和自愈能力的方案,而不是继续抓元素。
3. 规则型失效一定要全部重做吗?
不一定。如果只是个别规则调整,做局部改造即可。但如果出现例外分支膨胀、脚本无人敢动、业务调整需要开发排期这几种情况,说明规则已经和代码深度耦合,局部修补的边际收益很低,重做更划算。
4. 重做的话,老流程积累的业务经验会不会丢失?
不会,前提是重做前做一次系统的规则梳理。把老脚本里的校验逻辑、异常处理、转人工条件逐条提取出来,形成规则清单,再迁移到新的规则管理体系中。真正该丢的是硬编码的实现方式,不是业务知识。
5. 重做的投入大概多久能看到回报?
取决于场景选择。建议从高频、规则相对清晰、人工成本高的场景切入,这类场景通常几个月内就能看到明显的人工负荷下降。参考行业实践,财务审单类项目在10个月左右收回投入是比较常见的水平,但具体周期与业务复杂度、存量数据质量强相关。
实在Agent



