4、AI能力接入：调用百度AI开放平台API（文字识别）、调用OpenAI API（文本生成）、在RPA流程中集成AI服务。

好，咱们进入第四讲。前面几章我们把RPA的基础操作和流程设计讲透了，但说实话，纯RPA能干的事是有天花板的。你想想看，遇到一张模糊的发票照片，或者需要根据上下文写一段回复，传统RPA就抓瞎了。这时候，就得请AI出场。

这一章，我带你亲手把两个最常用的AI服务——百度的文字识别和OpenAI的文本生成——接入到RPA流程里。说白了，就是给机器人装上「眼睛」和「大脑」。

4.1 调用百度AI开放平台API（文字识别）

先聊文字识别。我在项目里遇到过最头疼的场景：客户发来一堆手机拍的合同照片，要提取里面的关键字段。人工录入？几百页，眼睛会瞎。用OCR？嗯，百度这个接口，我用了好几年，稳定且便宜。

4.1.1 准备工作：获取API Key

你得先去百度AI开放平台注册个账号，创建一个应用。拿到三个东西：AppID、API Key、Secret Key。这三个玩意儿就像你家的门牌号、钥匙和密码，缺一不可。

注意： Secret Key 千万别泄露到公开代码里。我曾经有个同事，直接把 Key 写死在脚本里上传到 GitHub，结果被人刷了十几万次调用，一天欠费好几百。血的教训。

拿到之后，咱们用Python写个获取Access Token的函数。百度API的认证机制是先用这三个参数换一个临时令牌（Access Token），再用令牌去调识别接口。令牌有效期大概一个月，过期了重新换就行。

import requests
import base64

def get_access_token(api_key, secret_key):
    url = "https://aip.baidubce.com/oauth/2.0/token"
    params = {
        "grant_type": "client_credentials",
        "client_id": api_key,
        "client_secret": secret_key
    }
    response = requests.post(url, params=params)
    return response.json().get("access_token")

4.1.2 调用通用文字识别接口

拿到Token后，就可以调真正的OCR接口了。我个人习惯把图片转成base64格式传过去，这样不用管文件路径，更灵活。

def ocr_image(image_path, access_token):
    url = "https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic"
    
    with open(image_path, "rb") as f:
        img_base64 = base64.b64encode(f.read()).decode("utf-8")
    
    params = {
        "access_token": access_token,
        "image": img_base64
    }
    headers = {"Content-Type": "application/x-www-form-urlencoded"}
    
    response = requests.post(url, headers=headers, data=params)
    result = response.json()
    
    # 提取所有文字
    words = [item["words"] for item in result.get("words_result", [])]
    return "\n".join(words)

这里有个小坑：百度返回的字段叫 words_result，不是 words。我第一次调的时候直接取错了字段，debug了半天。你记住，返回结构是个列表，每个元素里有个 words 键。

4.1.3 在RPA中集成

在RPA工具里（比如UiPath或影刀），你只需要用一个「执行Python脚本」的活动，把上面这段代码嵌进去。输入参数是图片路径，输出就是识别出来的文本字符串。然后RPA拿到这个字符串，就可以做后续的录入、比对、存档了。

小技巧： 如果图片质量差，可以先用RPA自带的图像处理功能做一下灰度化、二值化，识别率能提升不少。我在处理超市小票时试过，从70%直接跳到95%。

4.2 调用OpenAI API（文本生成）

OCR解决了「看」的问题，那「写」呢？比如自动生成产品描述、回复客户邮件、总结会议纪要。这时候OpenAI的GPT模型就派上用场了。

4.2.1 环境准备与API调用

首先，你得有OpenAI的API Key。去platform.openai.com申请，充个几美元够用很久。然后安装 openai 库：

pip install openai

调用方式很简单，但要注意：OpenAI的API版本更新很快。我写这段时用的是 v1.0.0 之后的版本，接口风格变了，不再是 openai.Completion.create，而是用 client.chat.completions.create。

from openai import OpenAI

client = OpenAI(api_key="你的API_KEY")

def generate_text(prompt, model="gpt-3.5-turbo"):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": "你是一个专业的自动化助手。"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.7,
        max_tokens=500
    )
    return response.choices[0].message.content

为什么用 chat.completions 而不是 completions？因为Chat模型更便宜、更听话。你想想看，给它一个system prompt设定角色，它就知道自己是「自动化助手」而不是「诗人」，输出会更可控。

4.2.2 实际场景：自动生成邮件回复

我在做客服自动化时，经常需要根据客户的问题生成回复草稿。RPA先抓取客户留言，传给OpenAI，拿到回复后再粘贴到邮件系统里。流程大概这样：

  1. RPA读取Excel中的客户问题
  2. 拼接prompt：「请根据以下客户问题，生成一封礼貌且专业的回复邮件：{问题}」
  3. 调用 generate_text() 获取回复
  4. RPA将回复填入邮件正文，点击发送
关键点： Prompt 的质量直接决定输出质量。别写「帮我回复一下」这种模糊指令。要具体：语气、长度、是否包含解决方案、是否需要道歉。我习惯在prompt里加示例，效果立竿见影。

4.3 在RPA流程中集成AI服务

好，现在两个API都会调了。但怎么把它们无缝嵌入到RPA流程里？总不能让人手动跑Python脚本吧。这里我分享三种集成方式，按复杂度排序。

4.3.1 方式一：直接调用Python脚本

最直接的方法。RPA工具基本都支持「运行Python脚本」或「执行命令行」。你把上面两个功能封装成两个函数，保存为 ai_services.py。然后在RPA里这样调用：

  • 步骤1：获取图片路径 → 调用 python ai_services.py ocr 图片路径
  • 步骤2：拿到OCR结果 → 调用 python ai_services.py generate "请总结以下内容：{OCR结果}"
  • 步骤3：把生成结果写入Excel或数据库

这种方式适合快速验证。缺点是需要本地有Python环境，而且RPA和Python之间的数据传递靠标准输出，容易出编码问题。我建议统一用UTF-8，并在Python脚本里用 sys.stdout.reconfigure(encoding='utf-8') 强制指定。

4.3.2 方式二：封装为HTTP微服务

如果流程复杂，或者要多人共用，我推荐把AI能力封装成一个Web服务。用Flask写个简单的API：

from flask import Flask, request, jsonify
import your_ai_module  # 刚才写的OCR和GPT函数

app = Flask(__name__)

@app.route('/ocr', methods=['POST'])
def ocr():
    image_data = request.json.get('image_base64')
    result = your_ai_module.ocr_base64(image_data)
    return jsonify({"text": result})

@app.route('/generate', methods=['POST'])
def generate():
    prompt = request.json.get('prompt')
    result = your_ai_module.generate_text(prompt)
    return jsonify({"text": result})

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)

然后在RPA里用「HTTP请求」活动，POST数据到这个服务。好处是RPA端不需要装Python，只需要能发HTTP请求就行。而且这个服务可以部署在服务器上，多个机器人共享。

安全提醒： 如果服务暴露在公网，一定要加个简单的Token验证。我见过有人直接把API裸奔，被恶意调用，一个月花了八千块。加个请求头校验，几行代码的事。

4.3.3 方式三：使用RPA内置的AI活动（如果有）

像UiPath 2023以后的版本，内置了「AI Center」和「OpenAI连接器」。你可以在UiPath里直接拖一个「调用OpenAI模型」的活动，填上API Key和Prompt就行。连代码都不用写。

但说实话，这种方式灵活性差一些。比如你想在调用前对图片做预处理，或者想自定义错误重试逻辑，还是得回到代码方式。我个人习惯：简单场景用内置活动，复杂场景用HTTP微服务。

4.4 避坑指南与最佳实践

最后，分享几个我踩过的坑，你遇到了能少走弯路。

  • API调用频率限制： 百度OCR免费版每秒只能调2次。我曾在处理批量发票时没加延时，直接被封了10分钟。解决方案：在RPA循环里加 Delay(500) 毫秒，或者用队列控制并发。
  • OpenAI的Token消耗： 每次调用都计费，长文本尤其贵。我建议在prompt里限制 max_tokens，别让它自由发挥写一篇论文出来。另外，把常用的system prompt缓存起来，别每次都传一大段。
  • 错误处理： 网络请求一定会失败。我在每个API调用外面都套了try-except，失败后重试3次，每次间隔2秒。RPA流程里再加一个「如果失败则发送告警邮件」的分支。
  • 数据隐私： 调用外部API意味着数据离开你的电脑。如果处理的是客户身份证、合同金额等敏感信息，建议先脱敏，或者用私有化部署的模型。百度有私有化OCR方案，OpenAI也有Azure版本，数据不出境。
我的习惯： 每次集成AI服务前，先写一个独立的测试脚本，把各种边界情况跑一遍。比如空图片、模糊图片、超长文本、特殊字符。确认没问题了，再嵌入RPA流程。这一步能省掉后面80%的调试时间。

好了，这一章的内容就这些。你掌握了百度OCR和OpenAI GPT的调用方法，也知道了三种集成方式。下一章，我们会把这些能力组合起来，做一个真正的智能自动化助手——能看、能想、能干活的机器人。到时候你会发现，RPA+AI的组合拳，威力远超你想象。

← 上一章 📖 返回目录 下一章 →