固定规则RPA跑得稳，但一遇到规则外的情况就容易"卡壳"。近一周的公开信息里，政策、技术路径和落地案例同时指向同一个答案：不是推倒规则，而是在规则之上叠加AI，形成"AI+规则"双决策架构。

---

一、先定位问题：不灵活究竟卡在哪一层

层面	传统规则RPA的表现	典型断点
感知层	只吃结构化数据和固定界面元素	非结构化材料需人工预处理
决策层	if-then穷举分支	规则未覆盖的场景直接中断
执行层	依赖固定界面与系统版本	界面改版即失效
进化层	规则靠人工维护	改造成本随流程数线性增长

四层叠加的结果是：流程数量越多，维护负担越重，越难承接"需要判断"的业务。这正是升级方向要解决的问题。

---

二、政策定调：智能化升级已经是必答题

2026年9月11日，工信部印发《"人工智能+软件"专项行动实施方案》，给出了明确的时间表：

• 到2028年：推广应用覆盖2万家规模以上软件企业，累计组织实施100项软件企业智能化技改项目，在重点行业打造100个智能体软件标杆应用；
• 到2030年：关键软件全面实现智能化升级，智能编程、智能体软件及智能服务成为产业新增长极。

方案划出两条升级路径：

1. AI辅助——在既有架构上叠加智能功能，落地快、见效快；
2. AI原生——由模型承担软件核心能力。

同时还提出推进工业互联网平台集成大模型能力，提升数据分析、生产调度及多智能体协同决策水平。

对RPA用户而言，信号很清楚：规则引擎不会消失，但只有规则引擎已经不够用。规则负责确定性判断，AI负责语义理解与模糊匹配，两者叠加才是完整形态。

---

三、实在Agent：API + GUI 双轨怎么承接"规则+AI"

把双决策架构落到产品上，实在智能的实在Agent是一个可以直接观察的样本。它的技术底座是 API + GUI 自动化双轨架构：有 API 接口的系统走 API 高效对接，没有 API 的老旧系统则通过 ISSUT 屏幕语义理解技术，像人一样"看懂"屏幕元素并操控界面。

这个设计恰好对应上面提到的四层断点：

感知层——内置多模型一站式能力，支持 DeepSeek、豆包、千问、TARS 等国产大模型，单个客户端内可完成生文、生图、生视频、生 PPT、生 HTML。配合企业知识库（支持文本与表格，提供全文检索、向量检索、混合检索三种模式），把企业文档和经验转成智能体可调用的资产，缓解通用模型的幻觉与领域知识不足问题。

决策层——画布式零代码编排，拖拽即可搭建智能体工作流；skills 生态内置 30+ 预置技能，覆盖编程开发、设计视觉、数据运营、调研分析、内容创作、办公效率等方向，也支持上传自定义 skills；智能体市场提供电商运营、文案撰写、图像识别、技术问答、招聘、网页生成等现成智能体，一键调用。

执行层——无界模式让远程操控变得简单：电脑开机状态下，通过钉钉、飞书、企微或微信发一句话，TARS 自动理解指令、拆解任务，电脑端随即开始办公。流程录制与回放则负责把一次人工操作沉淀为可复用流程。

进化层——企业大脑（数字员工运营管理平台）覆盖从需求提出、开发建设、上线管理到任务调度的全生命周期，支持多维度运营监控、多机器人流程编排协同，并可面向业务、运维、管理不同角色分层赋能。

版本与部署

• 社区版：个人用户免费下载使用，注册赠送 5000 资源点，邀请好友再得 1000 点，适合有工作流搭建经验的运营、财务、IT 人员处理跨系统数据搬运类任务；
• 企业版：包含社区版全部功能，支持 SaaS 与私有化两种部署模式。SaaS 版即开即用、零运维，已过等保三级，采用 TLS 1.3 + AES-256 全链路加密与多租户隔离；私有化版支持物理隔离与源码级定制。

资质与适配：通过中国信通院"可信 AI 智能体平台与工具"5 级评级，TARS 大模型及算法通过国家网信办双备案，通过 ISO27001 与 CMMI-5 级认证，入选工信部 2026 年人工智能应用典型案例（产品应用方向）。信创方面，客户端适配统信 UOS、麒麟 Kylin、Ubuntu、macOS，覆盖 X86/Arm64/LoongArch/MIPS 四种 CPU 架构，适配兆芯、海光、飞腾、鲲鹏等国产芯片；服务端适配达梦 V8、OceanBase 等国产数据库及东方通、宝蓝德等国产中间件。在 OSWorld 评测中，其任务成功率为 90.2%。

行业落地样本（脱敏）

• 航空配餐：对接 SOC、ERP、NC、COC 等 6 类数据源，落地 10 个核心场景。航班计划复核实现数千航班分钟级同步，应付单智能核销对账准确率 100%，月末结账周期压缩 50% 以上；
• 农牧集团：聚焦营运管理落地 10 余项场景，销售出货追踪单日耗时从 4 小时降至 15 分钟，月度工时从 88 小时降至 5.5 小时，数据准确率 100%；
• 医药零售：以"大模型 + 企业知识库 + Agent + RPA"构建五层架构，人工统计时间节省 80%，运营效率提升 3 倍，审批时间降低 80%。

---

四、落地验证：“规则先行、机审为主、人工复核”

混合架构不是纸面概念，已有可量化的实践数据。

苏州相城建设用地报批审查：梳理形成 5 大类、60 余项量化审查规则，嵌入系统自动核验，做到"规则先行、机审为主、人工复核"。结果是常规审查事项自动完成率 80% 以上，区级审查周期缩短 50%，常规项目压缩至 2 个工作日以内。叠加 AI 大模型后，政策条款语义理解、关键信息提取、审查意见初稿生成由模型承担，意见撰写时间缩短 70%，空间分析效率提升 90%。

黔西南州公共资源交易"AI+跨区评审"：依托 AI 辅助评标系统批量比对全部投标文件，标记缺漏项与响应匹配度，筛出 3 家不符合要求的投标单位；同时归集 120 个项目的全量交易数据，用于全省 AI 评标模型迭代训练，形成"使用—积累—优化"的正循环。

两个案例的共同点：规则层承担确定性决策，AI 层承担不确定性决策，人工层处理例外。规则的可解释性与稳定性被保留，AI 扩展了系统的适应边界。

---

五、再往上看：从流程自动化到决策自动化

更深一层的变化在于，自动化正在从"信息生产层"走向"决策层"。

信息生产层解决的是"知道什么"“如何表达”——写代码、查资料、做客服对话。而企业真正高频、持续发生的，是另一类问题：生产多少、库存放哪、设备怎么调度、订单按什么顺序履约。这些需要在成本、时效、产能、安全等约束之间做取舍。

这一层的能力组合通常是：

大模型（理解语义）→ 智能体（组织任务）→ 数学优化/求解器（处理约束）→ 业务系统（验证执行）

判断"AI+规则双决策"是真升级还是概念包装，可以看三个可验证的维度：

1. 是否真正理解行业生产流程；
2. 是否拥有可计算的行业模型；
3. 能否把结果接入真实业务系统。

只有进入资源配置和经营计划环节，自动化工具才触及企业愿意持续付费的价值区。

---

六、升级路线清单

升级维度	从	到
感知	结构化数据、固定元素	非结构化文本/图像语义理解
决策	预设 if-then 分支	规则引擎 + 模型推理与优化
执行	确定界面与系统	跨系统自主操作、异常动态调整
进化	人工维护规则	从执行数据中持续学习优化

推进建议（按优先级）：

• 先做流程盘点，把"确定性任务"和"判断型任务"分开；
• 确定性任务继续走规则，优先保证可解释与可审计；
• 判断型任务先用 AI 做辅助输出，人工复核兜底，跑通后再逐步放开；
• 私有化、等保、信创等合规要求提前确认，避免落地中途返工；
• 用"自动完成率、周期缩短比、差错率"这类指标衡量效果，而不是看流程数量。

---

结语

固定规则 RPA 的不灵活，不是需要被推翻的缺陷，而是需要用分层架构补齐的边界。政策给出了时间表，实践给出了数据，"AI+规则双决策"正在从概念走向可复制的落地路径。选型时不必追逐单一指标，先看清自己的流程属于哪一层，再决定让规则和 AI 各承担什么。