重磅！清华联合面壁智能引入Agent技术的RPA新范式：APA助力自动化升级
Geek约 3 分钟论文信息
➤ 项目地址
🔗https://github.com/OpenBMB/ProAgent
🔗公众号回复【APA】获取中文版论文报告
AI
一、RPA的由来
从农业时代的水车灌溉到工业时代的蒸汽机，自动化技术一直是推动人类技术发展的关键因素。随着信息时代的到来，软件成为信息处理、存储和通信的基础，催生了机器人流程自动化（Robotic Process Automation, RPA）技术。
RPA技术通过人工编制规则将多个软件协调成一个固化的工作流，模拟人交互的方式来实现高效执行。然而，RPA技术仅能替代简单、机械的人力工作，复杂的流程仍需人工参与。
AI
二、Agentic Process Automation（APA）的诞生
为了解决RPA技术的局限性，研究人员提出了将Agent技术的灵活性引入RPA领域，形成新的自动化范式：Agentic Process Automation（APA）。
与传统RPA相比，APA实现了工作流构建的自动化，同时在工作流执行时引入了动态决策的自动化。
AI
三、APA方法介绍
APA方法将工作流构建任务转化为代码生成任务，利用LLM（Large Language Model）在代码数据中进行预训练，学习到较强的代码能力。
APA方法引入了DataAgent和ControlAgent，分别用于处理复杂的数据处理需求和难以用规则表示的逻辑控制规则。
DataAgent：对于一个复杂的数据处理需求，工作流构建时会使用自然语言来描述处理的任务，然后在执行时会初始化一个 DataAgent，其会基于该自然语言描述自主处理并完成该数据处理任务。
ControlAgent：对于难以用规则表示的逻辑控制规则，工作流构建时使用自然语言对控制逻辑进行描述，然后在运行时会初始化一个 ControlAgent，其会基于该自然语言描述自主选择工作流后续需要执行的分支。
AI
四、ProAgent的实现与优化技巧
研究人员实现了一个自动化智能体ProAgent，可以接收人类指令，以生成代码的方式构建工作流。
ProAgent采用了ReACT模式逐步构建工作流，包括Action_Define、Action Implement、Workflow Implement和Task Submit四个步骤。
为了优化ProAgent的效果，研究人员引入了Testing-on-Constructing、Function Calling和Chain-of-Thought等优化技巧。
AI
五、实例验证：商业场景任务
为验证APA的可行性，研究人员使用OpenAI GPT-4作为基础模型，结合开源RPA平台n8n，实现了ProAgent。他们设计了一个商业场景任务，需要从Google Sheets中提取业务线营利数据，并根据业务类型（2B或2C）决定后续行为。对于2C业务线，将向Slack发送消息；对于2B业务线，将向经理发送包含评估和盈利概况的邮件。
该任务具有重复性，涉及多条产品线的处理流程。区分2C和2B业务线需要Agent动态决策，以确定后续操作。撰写评估邮件需要智能Agent的参与。在 ProAgent 生成中，对于该任务，编写出了一个包含四个原子操作，一个 DataAgent 和一个 ControlAgent 的工作流。总体过程大致如下图所示：
ProAgent自主编写代码构建工作流，无需人工参与。在判断业务线类型时，引入ControlAgent进行决策。当业务线为2B时，引入DataAgent撰写评估邮件。这利用了Agent的智能，根据不同业务线情况撰写邮件。工作流编写完成后，将根据数据自动处理。处理2C业务线时，ControlAgent判断业务线类型并调用Slack工具。处理2B业务线时，DataAgent撰写邮件并发送给相应经理。
AI
总结
面壁智能与清华NLP实验室联合发布了自动化新范式APA，实现了工作流构建和执行的自动化。该研究团队在智能体技术方面取得了突破，推出了大模型驱动的AI Agent“三驾马车”：AgentVerse、XAgent和ChatDev。随着APA技术的持续发展，未来大模型智能体技术将助力人类实现更高层次的自动化，减轻繁重劳动负担。