首页行业百科没有 API 的老系统,推荐能操作它的 AI 智能体:不改系统,也能把它接入 AI 工作流

没有 API 的老系统,推荐能操作它的 AI 智能体:不改系统,也能把它接入 AI 工作流

2026-11-18 20:07:30阅读 1

月底关账前,财务共享中心往往有一两个人专门负责这件事:从用了十年的老财务系统里把凭证导出成 Excel,逐条核对格式,再一条一条录进另一套系统。中间任何一条字段错位,就要回头翻是哪一步出的问题。这类工作不难,但耗时、易错,而且出错后很难追溯。

很多管理者问过同一个问题:这些老系统没有 API,AI 到底能不能用起来?答案是可以,但前提是换一种思路——不是让 AI 去调接口,而是让 AI 像人一样操作界面,同时把每一步的来源、目标和结果记录下来。本文要讲清三件事:没有 API 的老系统都有哪几种形态、能操作它的 AI 智能体与过去的自动化工具差在哪、以及一条可以照着走的落地路径。这也是我们在场景库中反复验证过的一类工作。

没有 API 的老系统,推荐能操作它的 AI 智能体:不改系统,也能把它接入 AI 工作流_图1

一、先看清"没有接口"到底是什么状况

"没有 API"不是一种情况,而是好几种。不同形态决定了智能体要用什么方式接入,也决定了这件事的复杂度和风险边界。

四种常见的无接口形态

  • 只有桌面客户端:行业专用软件、单机版进销存、老版本开票或报关工具,操作全在窗口、菜单和表格里完成。
  • 只有网页后台,登录还要验证码:供应商门户、老版 OA、第三方对账平台,页面能点,但没有对外开放的调用入口。
  • 只提供 Excel 导入导出模板:系统之间的"接口"实际上是一个格式固定的表格,人做的是填表和上传。
  • 有数据库但不允许直连:出于安全与责任划分,IT 部门通常不允许业务侧绕过应用层直接写库。

这类系统的共同点,决定了它们适合被智能体接手

  • 数据在系统里:业务事实是完整的,只是取不出来、写不进去。
  • 规则相对稳定:字段对应关系、校验条件、审批顺序,通常几个月都不变。
  • 操作高度重复:同一套界面路径、同一组按键,每天或每周重复。
  • 结果可以判定:写没写进去、状态对不对,回读一次就能确认。

这四条同时成立时,工作就具备了交给 AI 智能体的基础。反过来,如果规则每次都不一样、结果无法核对,就不该急着上自动化。

在 Soiawork 中,这类接入通过"连接业务现场"的能力实现:智能体可以连接系统、网页、消息、文件和授权设备。对于只有客户端的桌面软件,由部署在授权设备上的 Soia Worker 完成界面操作;对于网页后台,则通过浏览器侧的操作能力进入。企业不需要先改造老系统,也不需要求厂商开放接口。

二、能操作老系统的 AI 智能体,和传统自动化差在哪

过去的做法通常是 RPA:录制一段操作路径,按固定坐标和固定顺序回放。它在界面稳定的环境里很好用,但老系统恰恰是最容易变的环境——加一个字段、弹一个提示框、换一次分辨率,脚本就可能中断。

差别一:路径从固定改为按现场判断

  • 传统脚本记录的是"第几个输入框填什么",界面一变就失效。
  • 智能体接收的是目标,例如"把这批凭证录入系统并确认状态",它会现场识别当前界面、找到对应字段、按规则推进。
  • 遇到意料之外的弹窗或提示,智能体会判断是继续、暂停询问,还是记录为异常。

这不是"更聪明的脚本",而是工作方式的变化:人描述目标,智能体负责组织路径。

差别二:每一步都留下来源与目标记录

老系统自动化最让人不放心的地方,是"它到底做了什么"。因此这类任务必须逐条记录:数据从哪个系统、哪张表、哪一行来,写到了哪个系统、哪个字段、哪条记录去。

  • 出现差异时,能定位到具体一条,而不是重跑一遍全部。
  • 审计或复盘时,记录本身就是说明材料。

差别三:失败项单独列出,可以恢复

批量操作一定会有失败项:字段超长、状态被锁定、必填项缺失、并发冲突。关键是失败之后怎么办。

  • 成功项正常入账,不因为个别失败而整体回滚。
  • 失败项汇总成清单,附上原因和建议的恢复方式,由人决定是补数据、改规则还是手工处理。

边界也要说清

  • 智能体在授权范围内操作:哪些系统、哪个账号、哪些字段、能做哪些动作,都需要事先确认。
  • 它不替代专业判断。凭证是否合规、这笔账能不能入、合同条款怎么解释,仍由责任人决定;智能体负责把材料准备齐、把动作执行到位、把过程记录下来。

在 Soiawork 中,这段能力由几部分拼起来:知识库存放字段对照规则与业务口径,技能沉淀"某套系统的录入方法",工作流固定必须按顺序走的步骤,自动任务负责按时触发。方法一旦跑通,团队里其他人可以直接复用,而不是各自再摸索一遍。

三、一条可照着走的四步路径

场景库中把这类工作拆成了四步,顺序不能颠倒。它的价值在于每一步都有明确的产出和检查点,而不是一次性把任务交给 AI。

第一步:确认对象与授权

先明确四件事:涉及哪些系统、用哪个账号、操作哪些字段、允许做到什么程度(只读查询、可新增、可修改、可提交)。

  • 只读和写入要分开授权,能查不等于能改。
  • 账号最好使用专门配置的账号,避免与个人账号混用导致责任不清。
  • 操作范围要写下来,作为后续核对异常的依据。

第二步:按规则执行搬运

查询、录入、同步,逐条执行,逐条记录来源与目标。

  • 字段映射规则提前固化,例如"客户名称"对应"往来单位",长度超限时如何处理。
  • 遇到需要判断的分支(比如金额超过阈值要走审批),停下来向人确认,而不是自行决定。
  • 单条失败不阻塞整批,先记录下来继续往下走。

第三步:回读核对

写完不算完成,回读确认才算。

  • 检查是否写入成功,以及状态是否与预期一致(已保存、已提交、已审核)。
  • 对数量、金额这类关键字段做总量比对,避免个别遗漏被整体成功掩盖。
  • 核对结果与执行记录并列展示,人能一眼看出差异在哪。

第四步:输出结果与失败清单

最终交付物不是"跑完了"这句话,而是三样东西:更新后的记录、处理结果、失败清单。

  • 失败项附原因与恢复方式,可直接转成待办分配给人。
  • 结果可以通过飞书、钉钉、企业微信等渠道直接回到原会话,业务人员不用再登录一个后台去看报告。
这类方案的价值不在于"快了多少",而在于三件事:无接口系统也能进入 AI 工作流;每条搬运都有来源与目标记录;失败项单独列出,便于恢复。

四、三个典型场景,看这套路径怎么落地

以下为场景库中的通用做法描述,具体效果取决于系统复杂度、规则清晰度和数据质量。

财务:老系统凭证补录与对账

业务情境:费用报销在旧系统审批完成,需要把结果同步到新的核算系统,两套系统字段命名和精度都不一致。

  • 授权确认:旧系统只读、新系统可新增,操作字段限定在凭证头与分录行。
  • 搬运执行:按单号逐笔取数,金额精度按目标系统要求换算,摘要按规则重新拼装。
  • 回读核对:按凭证号回查,比对笔数与金额合计。
  • 失败清单:常见失败原因是辅助核算项在新系统不存在,清单直接给到主数据维护人员。

通过 Soiawork 的知识库,可以把两套系统的字段对照和取整规则维护成可查的依据,避免规则只存在于某个老员工的经验里。

制造:物料齐套与排产之间的数据同步

业务情境:排产结果在老版生产管理软件里,物料齐套情况在另一套仓储系统里,两边都不开放接口,计划员每天靠人工比对。

  • 智能体按固定时点从两边取数,形成齐套差异清单。
  • 对缺料项自动生成待办,推送给对应采购负责人。
  • 计划调整后,同步回写关键状态字段,并回读确认。

在 Soiawork 中,这类周期性工作可以配置为自动任务,按时间或事件触发;运行记录会保留每次的产物与异常,方便计划部门复盘为什么某天齐套率突然下降。

电商与跨境:多店铺对账和商品上架

业务情境:多个店铺后台、多个支付渠道、若干供应商门户,各自有一套页面,账目核对和商品资料录入都在界面里完成。

  • 各后台逐一取数,按统一口径归集到一张对账表。
  • 差异项按类型分类:手续费口径不同、退款时点不同、汇率折算不同。
  • 商品上架时,按平台模板逐项填写属性,缺项单独列出,不带着残缺信息提交。

这类任务涉及多个账号与多个界面,授权边界和操作记录尤其重要。Soiawork 的工作空间可以把不同店铺的操作方法沉淀为独立技能,谁负责哪个店铺,一目了然。

五、治理:谁授权、谁核对、谁负责

技术路径清楚之后,真正决定能不能长期跑下去的,是组织安排。

  • 管理员:负责组织、权限、成本和审计边界,决定哪些系统可以被连、哪些字段可以被写。
  • 实施人员:管理连接、流程和异常处理规则,界面变化时更新技能。
  • 业务负责人:看目标、任务和结果,确认失败清单是否被处理完毕。

三层职责分开,才能避免"AI 做的事没人认领"。运行记录中保留任务、过程、产物、异常、人工介入和成本,这既是核对依据,也是后续优化的输入。实在智能自 2018 年起投入 AI 与自动化,累计服务 6,000+ 企业客户,这类跨系统的衔接问题,是企业在推进 AI 落地时最常遇到的现实障碍之一。

结尾

对没有 API 的老系统,最稳妥的做法不是一次性全面铺开,而是选一项规则清晰、结果可判定的重复工作先试跑:先确认授权范围,跑通一次,再逐条核对结果与异常,看清楚失败集中在哪些环节、原因是什么。只有当这一项工作连续几次都能稳定产出可核对的结果,再考虑把同类场景批量接入。没有 API 的老系统,推荐能操作它的 AI 智能体,本质上是用一种不改造现状的方式,把散落在界面里的工作,逐步纳入可追溯、可复用的 AI 工作流。

常见问题解答

是不是必须先把老系统改造一遍?

不需要。这条路径的前提就是不动老系统,通过操作现有界面完成取数与录入。只有当规则本身混乱、字段没有唯一标识时,才建议先做小范围的数据梳理。

账号权限和数据安全怎么控制?

按最小必要授权:只给需要的系统、只给需要的字段、读和写分开。所有操作逐条留痕,来源与目标可追溯。涉及敏感数据的场景,可以限定在指定设备上运行,数据不出内网。

AI 录错了,责任怎么算?

智能体不替代责任人的判断。它负责执行与记录,业务责任人负责确认结果。因此失败清单和回读核对是必须保留的环节——错在哪一条、为什么错,都能查得到,而不是全批重来。

和现有的 RPA、BI 是什么关系?

不是替代关系。RPA 适合界面稳定、路径固定的高频操作;BI 负责呈现与分析。智能体补的是中间那段:需要在多个系统之间理解目标、判断路径、处理异常的工作。已有 RPA 流程可以保留,把容易断的环节交给智能体兜底。

从哪个场景开始比较合适?

优先选三类:规则稳定、重复频率高、结果能一眼判定对错。例如凭证补录、物料齐套比对、多店铺对账。避开规则频繁变动或结果无法验证的工作,那类场景更适合先做人工辅助而非自动执行。

立即领取行业头部企业 AI 应用案例

资深 AI Agent 技术专家将为您定制数字员工解决方案

立即获取方案