chatglm3-6b 实现AI Agent+RPA

chatglm3-6b 实现AI Agent

本文介绍了基于chatglm3-6b实现的数字员工系统，以下简称RPA。通过结合自然语言理解和生成能力，实现了自动化流程构建和执行。我们以自动邮件回复和电商listing优化为案例，展示了该系统在实际应用中的高效性和智能化程度。

引言

RPA(机器人流程自动化)通过软件机器人实现业务流程的自动化。然而，传统的RPA需要大量的人工设计和维护工作。chatglm3-6b是一种基于深度学习的自然语言处理模型，它具有强大的文本理解和生成能力。通过预训练和微调，chatglm3-6b可以理解复杂的自然语言指令，并生成相应的代码或配置文件。chatglm3-6b作为一种先进的自然语言处理模型，具有强大的理解和生成能力。本文利用chatglm3-6b实现了RPA的智能化升级，提出了基于AI的RPA系统。

系统能力 1、构建领域知识：使用与RPA相关的数据集对chatglm3-6b进行微调，使其掌握RPA领域的基础知识，包括常见的流程节点、数据格式、接口等。

2、设计对话系统构建一个面向用户的自然语言对话系统，用于接收用户的流程构建请求，并输出chatglm3-6b的流程描述。

解析chatglm3-6b描述：编写后端代码解析chatglm3-6b生成的流程描述，将其转换为可执行的流程配置文件或代码。

实现自动化执行：利用RPA工具执行chatglm3-6b生成的流程配置文件或代码，实现流程的自动化执行。

结果反馈：将流程执行结果反馈给chatglm3-6b，用于优化其流程构建策略。支持动态决策：集成chatglm3-6b的推理能力，实现流程执行中的动态决策，处理更复杂的流程场景

持续优化：根据用户反馈和执行结果，持续优化chatglm3-6b的流程构建能力。

监控与评估：建立监控机制评估chatglm3-6b构建的流程效果，确保流程自动化质量。

支持复杂交互：扩展chatglm3-6b的交互能力，使其支持更复杂的流程构建交互，如支持节点调整、添加约束等。

性能优化：持续优化chatglm3-6b的响应速度、计算资源消耗等，提升整体流程构建效率。

通过以上步骤，chatglm3-6b可以有效地结合RPA工具，实现流程的智能化构建和自动化执行，从而提升RPA系统的智能化水平。

3、关键架构

基于AI的RPA系统架构我们的系统包括以下几个关键组件： 1、用户需求解析器：解析用户输入的短需求，扩展成详细的流程步骤。 2、流程构建器：利用chatglm3-6b根据详细步骤生成流程配置文件。 3、流程执行器：根据配置文件执行RPA流程。

用户需求解析器分为两个步骤：

第一步，上下文理解：结合上下文信息，理解需求的具体背景和情境，以确保生成流程步骤的针对性和准确性。

提示词：请结合以下上下文信息理解以下需求（对历史信息汇总并理解）

第二步：分解任务

需求意图识别：利用chatglm3的文本理解能力，对用户输入的短需求进行意图识别，确定需求的核心目标和关键信息。推理与规划：通过chatglm3的推理和规划能力，将需求转化为详细的步骤，确定执行流程的具体顺序和逻辑。自然语言生成：利用chatglm3的文本生成能力，将步骤和逻辑转化为自然语言描述，形成详细的流程说明。

提示词：请识别以下需求的核心目标和关键信息，然后把需求转化为详细的步骤，确定执行流程的具体顺序和逻辑，然后将生成的具体顺序和逻辑转化为自然语言描述，形成详细的流程说明：从跨境卫士的亚马逊店铺中获取加湿器今年1月到2月的销售报表（自然语言描述的详细流程说明请用编号标注）

流程构建器

建立Chatglm3-6b RPA领域知识模型

收集RPA相关资料：从RPA工具的文档、流程设计指南、API文档、典型流程案例等来源收集相关资料，以便chatglm3-6b学习RPA领域的基础知识。

构建RPA流程语料库：根据收集的资料，构建RPA流程的语料库，包括流程描述、节点信息、接口调用、输入输出数据等。标注流程特征：对语料库中的流程进行标注，标记出流程的关键特征，如节点类型、节点关系、数据格式、接口名称等。生成数据对：根据标注的特征，为每个流程生成一个自然语言描述作为输入，同时生成对应的流程配置文件或代码作为输出，构建输入输出数据对。数据清洗与去重：清洗数据对中的重复或噪声样本，确保数据质量。数据集切分：将数据集切分为训练集、验证集和测试集，用于chatglm3-6b的训练、验证和测试。

以下是一个电商领域的RPA任务获取网页价格的数据对范例：

收集RPA相关资料：获取电商网站的API文档、网页结构、常见价格获取方法等。构建RPA流程语料库：构建一个包含电商价格获取流程的语料库。标注流程特征：为流程中的关键特征进行标注，如节点类型、数据格式等。

生成数据对：输入：获取电商网站上的商品价格。输出：API调用节点，请求参数包括商品ID，返回结果为商品价格。数据清洗与去重：清洗重复或错误的数据对。数据集切分：将数据集切分为训练集、验证集和测试集。

为了将上述范例转换为适合微调chatglm3-6b的数据对格式，我们需要构造一个自然语言指令作为输入，并定义一个期望的代码或配置文件作为输出。以下是一个简化的例子：输入 (自然语言指令):

获取电商网站商品价格的任务流程如下：

使用浏览器工具打开商品详情页面。
使用网页元素定位工具定位商品价格元素。
读取商品价格元素的内容。
将商品价格保存到JSON文件中。

输出 (代码或配置文件): json { “nodes”: [ { “name”: “打开商品详情页面”, “type”: “browser”, “params”: { “url”: “商品详情页面的URL” }, “next”: “定位商品价格元素” }, { “name”: “定位商品价格元素”, “type”: “elementLocator”, “params”: { “cssSelector”: “.product-price” }, “next”: “读取商品价格” }, { “name”: “读取商品价格”, “type”: “elementReader”, “params”: { “target”: “定位商品价格元素的结果” }, “next”: “保存商品价格” }, { “name”: “保存商品价格”, “type”: “fileWriter”, “params”: { “filePath”: “output/product_price.json”, “data”: “读取商品价格的结果” } } ] }

在这个例子中，输入是一个自然语言描述的流程，输出是一个JSON格式的流程配置文件。这个配置文件定义了一系列节点，每个节点都包含名称、类型、参数和下一个节点。这样的数据对可以被用来训练chatglm3-6b，使其能够根据自然语言描述生成对应的流程配置文件。请注意，这个例子是一个简化的示例，实际的流程可能更加复杂，需要包含更多的细节和错误处理机制。此外，在实际应用中，输出通常需要被进一步处理以适配特定的RPA工具。

抽象出流程组件-对组件内流程元数据在页面上高显示- 对任务步骤和流程组件做一对一标记

需求：从跨境卫士的亚马逊店铺中获取加湿器今年1月到2月的销售报表流程如下： 1、登录跨境卫士的亚马逊卖家中心。打开店铺Node(flow) 2、在卖家中心导航至报告管理页面。导航组件 3、设置报告的时间范围为2023年1月1日至2023年2月28日。时间选择组件（组件已经标注） 4、在筛选条件中选择加湿器作为产品类别。（条件帅选组件） 5、生成加湿器在指定时间范围内的销售报表。（获取数据组件/异步生成按钮） 6、报表生成后，下载至本地电脑。（保存数据成excel/下载excel 到本地） 7、打开下载的报表文件，验证报表内容的完整性和准确性。(人工/调用逻辑接口，RPC组件) 8、（可选）对报表中的销售数据进行分析，如对比去年同期销售情况，分析不同款式的加湿器销售表现等。（调用大数据接口，重新生成不同维度报表，RPC组） 9、将报表通过电子邮件或工作群组分享给需要的团队成员或领导。（报表发送组件）

json { “nodes”: [ { “name”: “打开跨境卫士的亚马逊某店铺的卖家中心”, “type”: “browser”, “params”: { “url”: “店铺URL” }, “next”: “菜单导航” }, { “name”: “菜单导航”, “type”: “nav”, “params”: { “url”: “报告管理页面url” }, “next”: “时间选择” },

{
  "name": "时间选择",
  "type": "timeselector",
  "params": {
    "date range": "2023年1月1日至2023年2月28日"
  },
  "next": "筛选查询参数"
},
{
  "name": "筛选查询参数",
  "type": "elementReader",
  "params": {
    "sku": "家湿气"
  },
  "next": "查询数据"
},
{
  "name": "保存销售数据",
  "type": "fileWriter",
  "params": {
    "filePath": "output/product_price.json",
    "data": "读取商品价格的结果"
  }, "next": "查询数据" },    {
  "name": "验证报表内容的完整性和准确性",
  "type": "val",
  "params": {
    "api url": "接口地址",
    "filePath": "output/product_price.json",

  }， "next": "销售数据进行分析"

{ “name”: “销售数据进行分析”, “type”: “bigdata”, “params”: { “api url”: “接口地址”,

  }, "next": "发布邮件"

{ “name”: “发布邮件”, “type”: “email”, “params”: { “api url”: “发送邮件地址”,

  } },   ] }

4、范例： 4.1 自动邮件回复在自动邮件回复的应用案例中，基于chatglm3-6b的RPA系统通过用户需求解析器理解用户对自动邮件回复的简短需求，并将该需求扩展成详细的流程步骤。这些步骤可能包括：从企业邮箱中提取新邮件，根据发件人将邮件分类，调用chatglm3-6b生成回复内容，将回复内容发送给发件人。随后，流程构建器利用chatglm3-6b的代码生成能力，将这些步骤转换成RPA配置文件。最后，RPA执行器根据配置文件自动执行整个邮件回复流程。实验结果显示，该系统生成的回复内容准确，回复速度快，优于人工操作。

4.2 电商listing优化在电商listing优化的应用案例中，基于chatglm3-6b的RPA系统通过用户需求解析器理解用户对商品listing优化的简短需求，并将该需求扩展成详细的优化步骤。这些步骤可能包括：抓取电商平台上的商品信息/读取刊登信息，调用chatglm3-6b生成优化后的商品标题、描述等，将优化后的信息更新到商品listing。流程构建器利用chatglm3-6b生成相应的RPA配置文件。RPA执行器根据配置文件自动执行整个listing优化流程。经过测试，该系统生成的优化内容质量高，listing的曝光率和转化率均有显著提升。

4.3 AI购物聊天机器人基于chatglm3-6b的AI购物聊天机器人可以通过以下方法进行扩展：商品推荐：机器人可以分析用户的聊天记录，了解用户的兴趣和偏好。通过chatglm3-6b生成推荐理由，向用户推荐相关商品。用户可以选择查看推荐商品详情或继续提问。

价格比较：机器人可以调用外部API获取不同平台上的商品价格信息。通过chatglm3-6b生成价格比较报告，为用户提供购买建议。

促销信息推送：机器人可以监控电商平台的促销活动。当有符合用户兴趣的促销活动时，通过chatglm3-6b生成个性化的促销信息，推送给用户。

售后咨询：用户可以通过聊天机器人咨询售后问题。机器人可以通过chatglm3-6b生成相关回答，解决用户的疑问。

智能客服：当机器人无法回答用户问题时，可以转接给人工客服。机器人可以通过chatglm3-6b生成问题摘要，帮助人工客服更快了解用户问题。

通过这些扩展，AI购物聊天机器人可以更好地理解用户需求，提供更个性化的购物建议和服务，从而提高用户的购物体验。

5、结论通过自动邮件回复、电商listing优化和AI购物聊天机器人的案例，本文展示了基于chatglm3-6b的RPA系统在实际应用中的高效性和智能化程度。该系统通过chatglm3-6b的强大理解生成能力，实现了从用户需求到RPA流程的智能化构建，大幅降低了人工设计和维护的工作量。未来，我们将继续探索该系统在更多RPA场景中的应用，以实现更广泛的工作流程自动化。

AI Agent

FEATURED TAGS

FRIENDS