第一部分：RPA 的“手”——任劳任怨，但不懂业务

要理解进化，先看起点。十年前，银行的系统大多是“烟囱式”架构——核心账务系统、信贷管理系统、反洗钱平台各不相通，且没有开放的 API 接口。

RPA 就像一双“数字手”。它通过模拟人的鼠标点击和键盘输入，把不同系统串联起来。

• 典型场景：每日日终对账。RPA 机器人自动登录核心系统下载流水，登录清算系统拉取台账，再登录 Excel 进行比对，最后标出差异项。
• 核心原理：基于固定规则的确定性执行。如果 A=1，则执行 B；循环执行 C 直到结束。

这个阶段，RPA 是“劳模”，但它不理解什么是“流水”，什么是“风险”。它只知道坐标和像素。一旦银行把登录验证码从数字换成滑块，RPA 就“抓瞎”了。这就是它的天花板：只解决“怎么做”，不解决“看什么”和“为什么做”。

---

第二部分：RPA+AI 的“眼”——看得懂了，但还需地图

随着 OCR（光学字符识别）和 NLP（自然语言处理）技术成熟，RPA 长出了“眼睛”和“嘴巴”。

• 进化原理：AI 负责感知（看懂图片、读懂文字），RPA 负责执行（点击、输入）。
• 银行典型应用：智能审单。以前 RPA 只能核对 Excel 数字；现在，RPA+AI 可以接收客户微信发来的增值税发票照片（非结构化数据），通过 OCR 提取票面信息，通过 NLP 提取合同关键条款，然后填入信贷系统。

此时，RPA+AI 看起来已经很“智能”了。它甚至能根据预设规则（如“营收增长率 > 20% 且 负债率 < 60%”）自动判定“通过”或“退回”。

但为什么说它还不是真正的智能体（Agent）？
因为它的决策权极其有限。RPA+AI 依然是“被动的工具”。它像一辆开启了自适应巡航的汽车，能识别路况并自动加减速，但它永远不知道“要去哪里”，导航地图是人为画好的，路线也是固定的。面对“请帮我处理这起对公客户投诉，并优化他的还款方案”这种模糊目标，RPA+AI 只能愣在原地——因为它没有目标拆解能力。

---

第三部分：真正的 AI Agent 长出“脑”——自己看地图，自己踩油门

AI Agent 和 RPA+AI 的本质区别，不是“能不能干活”，而是**“谁来决定下一个动作”**。

我们用一张 Mermaid 图来直观对比三者的底层逻辑差异：

智能体的核心飞越在于 “Plan-Do-Check-Act”（PDCA）闭环。它不再需要人类把每一步写清楚，只需要给一个终极目标。它会自己问自己：“要达到这个目标，我需要先查什么？再调用什么？如果失败了，有没有备选方案？”

---

第四部分：银行的“拦路虎”——为什么不能直接扔掉 RPA？

看到这里，你可能会想：既然 Agent 这么强，那银行直接把旧 RPA 扔了，全面上 Agent 不就行了？

绝对不行。 因为银行有一个致命的现实——“交易一致性”和“监管审计”。

1. 系统壁垒（“深水区”）：银行最核心的账务主机（Mainframe）运行着几十年前的 COBOL 代码，没有 API，只有绿屏终端。能够“点击”和“输入”这个物理动作的，目前只有 RPA 这双“手”。Agent 的“大脑”再聪明，也伸不进这台封闭的钢铁怪兽里。
2. 确定性的铁律：在涉及资金划拨时，结果必须是 100% 确定的。1 分钱都不能错。大模型存在“幻觉”（Hallucination），它可能把“100万”读成“1000万”。而 RPA 的每一步操作都有明确的日志，满足银保监会的审计合规要求。

所以，现实是：RPA 是智能体落地银行的“最后一公里执行器”。没有 RPA，Agent 就是个“纸上谈兵的谋士”；没有 Agent，RPA 就是个“不识抬举的苦力”。

---

第五部分：企业级智能体时代——融合，而非替代

那么，银行里真正的“企业级智能体”长什么样？我们以金智维的 Ki-AgentS 这类平台为例，拆解一下它的三层架构，看看它是如何把 RPA 当成“四肢”来用的：

结合银行业务，把这个架构讲透：

假设行长下达目标：“排查过去一个月所有对公账户的大额可疑交易，并生成反洗钱报告。”

• 传统 RPA：需要 IT 人员提前写好脚本：几点几分登录系统，点击哪个菜单，复制哪些字段。耗时 3 天开发。
• RPA+AI：可以自动识别图片格式的流水，但依然需要人工指定“大额”的阈值（比如 500 万）。
• Ki-AgentS 企业级智能体：
  • 规划（Plan）：大模型把目标拆解为“查交易流水 -> 关联企业工商信息 -> 比对黑白名单库 -> 生成结构化报告”。
  • 调用（Call）：它发现需要登录核心系统，于是直接唤起 RPA 机器人（这里 RPA 退化为一个被调用的“工具函数”），获取原始数据。
  • 理解（Understand）：Agent 读取 RPA 拿回来的数据，结合央行最新发布的《反洗钱风险提示》外部文档，动态调整“可疑”的语义判断（而不仅仅是死板的阈值）。
  • 执行与修正（Act & Reflect）：在执行过程中，如果某个系统突然维护登不上了，Agent 不会像 RPA 那样报错崩溃，而是自主决策：“那我先走备用查询接口，实在不行就把这部分留到待办任务，等系统恢复后继续。”最后，它生成草稿报告，推送给合规经理人工确认（强制兜底）。

---

总结：

** RPA+AI 是**“自动化”的延伸**，它解决了“非结构化数据的结构化输入”问题，但控制权依然在人类手里。

而 AI Agent 是**“自主化”的萌芽**，它解决了“面对复杂目标如何动态决策”的问题，控制权部分让渡给了机器。

但在银行这个严苛的土壤里，从来不存在谁取代谁。
未来的企业级自动化，一定是 “Agent 的脑 + RPA 的手 + 合规的闸” 三位一体。RPA 不仅不会死，反而会因为 Agent 的普及，从“前台跑腿的小弟”晋升为“不可或缺的核心执行层”。