一、AI+ RPA 自动化工具

1.RPA基本介绍

RPA：机器人流程自动化，是以机器人作为虚拟劳动力，依据预先设定的程序与现有用户系统进行交互并完成预期的任务。

用处：帮助企业数字化转型

解析原理：

组成	作用	主要底层技术
流程设计器	拖拽、配置自动化步骤	Vue/React、Canvas、节点编辑器
流程定义	保存节点、参数和执行关系	JSON、XML、XAML、私有DSL
RPA运行时	解析并执行流程	节点解释器、状态机、变量上下文、异常处理
元素定位	找到网页或桌面控件	CSS、XPath、DOM、UI Automation
自动化驱动	真正执行点击和输入	WebDriver、CDP、Win32 API、COM
视觉识别	处理无法结构化定位的界面	OpenCV、OCR、图像匹配
控制中心	定时、分发和监控任务	定时调度、消息队列、WebSocket、日志系统

自动化场景：

AI工具类学习

2.RPA需求一：

背景：标准化定期需对公司相关外部国行标进行查新

初步用单纯八爪鱼rpa软件可视化脚本：

步骤如下：

人工打开网站并登录
        ↓
获取已打开的网页对象
        ↓
判断“标准馆管理”是否存在
   ├─ 不存在：提示先登录并结束
   └─ 存在：继续
        ↓
点击“标准馆管理”
        ↓
等待标准列表加载
        ↓
点击“导出Excel”
        ↓
等待Excel下载完成
        ↓
读取Excel
        ↓
筛选“标准状态=作废”
        ↓
循环读取代替标准号
        ↓
进入高级标准检索
        ↓
输入代替标准号并搜索
        ↓
选择“现行”标准
        ↓
点击服务→继续获取→获取
        ↓
保存文件及下载结果

基础 rpa 操作已完成

代码playwright + 调用视觉模型识别验证码方案也可以实现；但是最后取舍点在于交付成本：给业务团队的工具，毕竟每月执行一次。

尝试用AI+RPA形式：

目前已调通方案：RPA自动登录，验证码部分引用视觉大模型来识别，有兜底方案。

二、飞书 aily 相关的 AI 文档

1.aily基本介绍

类似于openclaw的智能体，可以添加mcp以及skill，关联其他的表格、分析数据等等。

好处：办公生态好，可以收集所有在飞书上的信息，但是费用偏贵。

三、Dify 低代码平台

1.Dify基本介绍

Dify 将 AI 工作流编排、RAG 知识库、Agent 框架、模型管理、可观测性整合在一个可视化平台里，让你快速从原型走向生产，无需从零搭建 LLM 基础设施。

AI工具类学习

2.部署流程

docker 部署 dify，调用ollama模型

git clone https://github.com/langgenius/dify.git
cd dify

cd docker
# 从模板复制环境配置文件
cp .env.example .env
# 启动所有 Dify 服务（首次会拉取镜像，约需 3-10 分钟）
docker compose up -d

如果装了代理，需要配置docker的daemon.json文件

sudo mkdir -p /etc/docker
sudo nano /etc/docker/daemon.json

填写

{
  "proxies": {
    "http-proxy": "http://172.28.192.1:7897",
    "https-proxy": "http://172.28.192.1:7897",
    "no-proxy": "localhost,127.0.0.1,::1"
  },
  "max-concurrent-downloads": 1
}

直接给 dockerd 服务设置环境变量

sudo mkdir -p /etc/systemd/system/docker.service.d

sudo tee /etc/systemd/system/docker.service.d/http-proxy.conf > /dev/null <<'EOF'
[Service]
Environment="HTTP_PROXY=http://172.28.192.1:7897"
Environment="HTTPS_PROXY=http://172.28.192.1:7897"
Environment="NO_PROXY=localhost,127.0.0.1,::1"
EOF

sudo systemctl daemon-reload
sudo systemctl restart docker

验证docker 环境

完成下载

登录网址：http://localhost/install

登录账号：gechao.work@outlook.com / GeChao@2026

AI工具类学习

3.dify 的实践案例

01 金融数据提取案例

AI工具类学习

02 知识库案例

RAG知识库构建的主要流程？
答案：文档准备 → 文档切分 → 文档向量化
文档为什么要切片？
答案：为了适应大语言模型的上下文长度限制，并提升检索的精确度和效率。
文档向量化原因？
答案：将文本进行向量数字化，便于计算问题和文档的相似性。

AI工具类学习

03 Function Call案例

添加天气api

import requests
from fastapi import FastAPI, HTTPException, Request
from pydantic import BaseModel

app = FastAPI()

# 身份验证令牌（个人使用，简单安全）
VALID_TOKEN = "itcast"

# 城市编码数据（直接硬编码，无需外部文件）
CITY_CODES = {
    "北京": "101010100",
    "上海": "101020100",
    "广州": "101280101",
    "深圳": "101280601",
    "杭州": "101210101",
    "成都": "101270101",
    "武汉": "101200101",
    "西安": "101110101",
    "南京": "101190101",
    "重庆": "101040100",
    "天津": "101030100",
    "苏州": "101190401",
    "郑州": "101180101",
    "长沙": "101250101",
    "青岛": "101120201",
    "大连": "101070201",
    "宁波": "101210401",
    "厦门": "101230201",
    "福州": "101230101",
    "济南": "101120101",
    "合肥": "101220101",
    "南昌": "101240101",
    "昆明": "101290101",
    "南宁": "101300101",
    "贵阳": "101260101",
    "哈尔滨": "101050101",
    "长春": "101060101",
    "沈阳": "101070101",
    "石家庄": "101090101",
    "太原": "101100101",
    "呼和浩特": "101080101",
    "乌鲁木齐": "101130101",
    "拉萨": "101140101",
    "兰州": "101110501",
    "西宁": "101150101",
    "银川": "101170101",
    "海口": "101310101",
    "三亚": "101310201",
}


class WeatherRequest(BaseModel):
    location: str


@app.post("/weather")
def get_current_weather(request: Request, body: WeatherRequest):
    """
    天气查询接口
    - 需要Authorization头认证
    - 返回自然语言格式的天气信息
    """
    # 1. 验证身份
    auth_header = request.headers.get("Authorization")
    if auth_header != f"Bearer {VALID_TOKEN}":
        raise HTTPException(status_code=403, detail="Invalid Authorization header")

    location = body.location

    # 2. 查找城市编码
    city_code = CITY_CODES.get(location)
    if not city_code:
        return {
            "status": "error",
            "message": f"请提供{location}对应的编码方可查询，目前支持的城市：{','.join(CITY_CODES.keys())}",
        }

    # 3. 调用天气API
    url = f"http://t.weather.itboy.net/api/weather/city/{city_code}"
    try:
        response = requests.get(url, timeout=10)
        response.raise_for_status()
        data = response.json()
    except Exception as e:
        return {"status": "error", "message": f"天气服务请求失败: {str(e)}"}

    # 4. 解析天气数据
    try:
        forecast = data["data"]["forecast"][0]
        weather_type = forecast["type"]
        high = forecast["high"].replace("高温 ", "")
        low = forecast["low"].replace("低温 ", "")
        temperature = f"{high}/{low}"

        # 5. 返回自然语言格式
        return f"{location}今天是{weather_type}，温度{temperature}"
    except (KeyError, IndexError) as e:
        return {"status": "error", "message": f"天气数据解析失败: {str(e)}"}


# 启动入口
if __name__ == "__main__":
    import uvicorn

    uvicorn.run(app, host="0.0.0.0", port=8081)

公网穿透：把本机8081端口临时映射成一个公网HTTPS地址，于是外部服务器可以调用 https://three-friends-wait.loca.lt/weather

lt --port 8081

Dify 加入 Schema

{
  "openapi": "3.1.0",
  "info": {
    "title": "天气查询API",
    "description": "查询中国城市当前天气信息",
    "version": "v1.0.0"
  },
  "servers": [
    {
      "url": "https://three-friends-wait.loca.lt"
    }
  ],
  "paths": {
    "/weather": {
      "post": {
        "summary": "查询城市天气",
        "security": [
          {
            "BearerAuth": []
          }
        ],
        "requestBody": {
          "required": true,
          "content": {
            "application/json": {
              "schema": {
                "type": "object",
                "properties": {
                  "location": {
                    "type": "string",
                    "description": "城市名称",
                    "example": "北京"
                  }
                },
                "required": ["location"]
              }
            }
          }
        },
        "responses": {
          "200": {
            "description": "成功获取天气信息"
          }
        }
      }
    }
  },
  "components": {
    "schemas": {},
    "securitySchemes": {
      "BearerAuth": {
        "type": "http",
        "scheme": "bearer"
      }
    }
  }
}

04 跨境助手搭建工作流

AI工具类学习

原理：

1.用户输入query

2.进行意图识别

3.第一次条件分支：问候、人工服务、空输入、其他问题

其他问题会进入知识库检索

4.第二次条件分支：检索结果非空会进行rag大模型，输出；检索为空会闲聊大模型输出。

05 nlp2sql 数据库查询助手

原理：

1.自然语言描述

2.LLM生成多条SQL

3.逐条执行SQL

4.LLM分析数据库结果

5.返回文字结论

6.根据情况生成图表

本质是Text2SQL + 数据库执行 +数据分析 + 可视化

发布：

01 嵌入网站：网页代码复制即可。<script></script>

02 访问api ：url地址 + 鉴权密钥

四、N8N 平台

1.N8N基本介绍

是一个工作流自动化平台，让你能够将 AI 安全可控地集成到工作和流程中。

启动命令

# 创建部署目录
mkdir -p ~/n8n

# 进入目录
cd ~/n8n

# 创建数据存储目录
mkdir -p data

services:
  n8n:
    image: docker.n8n.io/n8nio/n8n
    container_name: n8n
    restart: unless-stopped
    ports:
      - "5678:5678"
    environment:
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - WEBHOOK_URL=http://localhost:5678/
      - TZ=Asia/Shanghai
      - GENERIC_TIMEZONE=Asia/Shanghai
    volumes:
      - n8n_data:/home/node/.n8n
      - ./data:/data

volumes:
  n8n_data:
    external: false

# 在后台启动
docker-compose up -d

# 查看启动状态
docker-compose ps

# 查看日志
docker-compose logs -f n8n

设置的账号密码

gechao.work@outlook.com / GeChaoxx

界面汉化（注意要下载n8n对应版本的）

Releases · other-blowsnow/n8n-i18n-chinese

修改docker compose文件

services:
  n8n:
    image: docker.n8n.io/n8nio/n8n
    container_name: n8n
    restart: unless-stopped

    ports:
      - "5678:5678"

    environment:
      - N8N_HOST=localhost
      - N8N_PORT=5678
      - N8N_PROTOCOL=http
      - N8N_DEFAULT_LOCALE=zh-CN
      - WEBHOOK_URL=http://localhost:5678/
      - TZ=Asia/Shanghai
      - GENERIC_TIMEZONE=Asia/Shanghai

    volumes:
      - n8n_data:/home/node/.n8n
      - ./chinese/editor-ui/dist:/usr/local/lib/node_modules/n8n/node_modules/n8n-editor-ui/dist:ro

volumes:
  n8n_data:

重新启动docker，ctrl+F5 强制刷新页面

AI工具类学习

节点、触发器、api

AI工具类学习

2.项目案例

定时竞品监控与周报生成

每周一自动抓取大模型竞品动态，AI 分析后生成结构化周报，区分紧急提醒和常规汇报。

产品团队需要每周一早上收到一份竞品动态报告，覆盖竞争对手的博客更新、产品发布、社交媒体动态。

最小MVP

AI工具类学习

AI工具类学习

一、AI+ RPA 自动化工具

1.RPA基本介绍

2.RPA需求一：

初步用单纯八爪鱼rpa软件可视化脚本：

尝试用AI+RPA形式：

二、飞书 aily 相关的 AI 文档

1.aily基本介绍

三、Dify 低代码平台

1.Dify基本介绍

2.部署流程

3.dify 的实践案例

01 金融数据提取案例

02 知识库案例

03 Function Call案例

04 跨境助手搭建工作流

05 nlp2sql 数据库查询助手

四、N8N 平台

1.N8N基本介绍

2.项目案例

定时竞品监控与周报生成

相关推荐

知源助手：基于 Agentic RAG 的可追溯知识问答系统

大模型调用示例

Open WebUI本地部署大模型+mcp小红书

机器学习与深度强化学习论述

共有 0 条评论

归档

分类

2026 年 7 月
一	二	三	四	五	六	日
		1	2	3	4	5
6	7	8	9	10	11	12
13	14	15	16	17	18	19
20	21	22	23	24	25	26
27	28	29	30	31