影刀RPA零基础教程：AI大模型（DeepSeek）接入指南——从API配置到数据清洗实战

做电商采集最头疼的不是“点不到按钮”，而是采回来的数据乱七八糟——“¥49.00元”、“49元”、“49.00”三种格式混在一起，标题里还有一堆换行和空格，SKU规格更是五花八门。

传统RPA有个明显短板：只能做“规则明确”的事。遇到需要理解语义、判断意图、生成内容的场景就束手无策了。RPA负责“做”，AI负责“想”——这就是AI+RPA的核心价值。

这篇文章用影刀RPA对接DeepSeek大模型，从API配置到数据清洗实战，手把手教你把AI能力集成到自动化流程里。

一、RPA+AI能解决什么问题？

先看三个真实场景，你就知道为什么要集成AI了。

场景一：商品标题清洗与翻译

从1688采集的商品标题是“2024新款女装韩版宽松显瘦连帽卫衣女春秋加绒”。要上架到TikTok Shop，需要：

• 提炼5个核心卖点
• 翻译成地道英文标题
• 生成英文产品描述

用正则表达式写死规则？每个品类规则都不同，维护成本极高。

场景二：评论情感分析 采集了1000条商品评论，想知道“好评率到底多少”“差评主要集中在什么问题上”。人工看不过来，用关键词匹配又太粗糙。

场景三：SKU规格标准化 货源数据里“颜色-升级版”“藏青色-加绒”这种非标准写法，要转成“Color: Navy Blue, Style: Fleece-lined”才能上架亚马逊。正则表达式根本处理不了这种语义级的混乱。

以上三个场景，AI大模型都能搞定。

二、接入AI大模型的两种方案

影刀接入大模型有两种主流方案，看你的场景选哪个。

方案	适用场景	配置难度	灵活性	成本
影刀AI Power	不想写代码、快速上手	⭐ 低	中	影刀额度
HTTP请求+Python代码	需要自定义模型/参数	⭐⭐⭐ 中	高	API按量付费

方案一：影刀AI Power（推荐新手） 影刀内置的AI能力平台，已经封装好了DeepSeek、ChatGPT等多个模型。在AI Power里配置好API Key，影刀流程里直接拖“AI对话”指令就能用。

方案二：HTTP请求+Python代码（更灵活） 用影刀的“发送HTTP请求”或“执行Python代码”指令，直接调用大模型的API接口。适合需要自定义Prompt、调整参数、处理复杂返回结果的场景。

社区版用户注意：两种方案都不消耗影刀的运行时长，但调用大模型API本身会产生费用（按token计费）。建议先在AI Power里用少量数据测试，确认效果后再批量使用。

三、获取DeepSeek API Key（3分钟搞定）

DeepSeek是目前性价比很高的大模型，API价格便宜，中文理解能力强。

操作步骤：

1. 打开DeepSeek开放平台：https://platform.deepseek.com/
2. 注册/登录账号
3. 进入“API Keys”页面，点击“创建API Key”
4. 复制生成的API Key（只显示一次，务必保存好）

这里容易踩坑：API Key千万不要硬编码在流程里。建议用影刀的“应用参数”功能管理敏感信息，或者存到本地配置文件里动态读取。

四、方案一实操：影刀AI Power接入DeepSeek（零代码）

这是最快的方式，不需要写一行代码。

操作步骤

第一步：打开AI Power

在影刀客户端顶部菜单找到“AI Power”入口，或者在流程编辑器中点击AI相关图标。

第二步：添加DeepSeek模型

在AI Power里选择“添加模型” → 找到DeepSeek → 输入API Key。

第三步：配置对话参数

在高级任务里选择DeepSeek，点击对话操作：

• 用户消息：输入要问的问题（可以用影刀变量）
• temperature：模型创造性参数，0-1之间。数据清洗用0.3（更保守准确），内容生成用0.8（更有创意）

第四步：在流程中使用

拖入“AI对话”指令 → 选择已配置的DeepSeek模型 → 设置输入输出变量。

基础对话示例

【影刀流程】
→ 设置变量：用户问题 = "请用一句话总结：这款卫衣采用优质棉料，舒适透气"
→ AI对话(模型=DeepSeek, 消息=用户问题) → AI回答
→ 输出日志(AI回答)

创业版以上用户可以在AI Power里搭建更复杂的AI工作流——把多个AI组件串起来，实现“采集→清洗→翻译→格式化”一条龙。

五、方案二实操：Python代码调用大模型API（更灵活）

如果需要更精细的控制（比如自定义System Prompt、处理JSON返回、并发调用），用Python代码更灵活。

基础封装代码（直接复制）

在影刀里拖入“执行Python代码”指令，粘贴以下代码：

# 影刀Python代码 - DeepSeek API调用封装
# 输入变量：user_input（字符串，用户的问题）
# 输出变量：ai_response（字符串，AI的回答）

import requests
import json

# ===== 配置区（替换成你自己的API Key）=====
API_KEY = "sk-你的DeepSeek API Key"  # 建议用影刀应用参数管理
API_URL = "https://api.deepseek.com/v1/chat/completions"

# ===== 构建请求 =====
headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {API_KEY}"
}

messages = [
    {"role": "system", "content": "你是一个专业的电商运营助手，用中文回答用户问题"},
    {"role": "user", "content": user_input}
]

data = {
    "model": "deepseek-chat",  # DeepSeek模型名称
    "messages": messages,
    "temperature": 0.7,
    "max_tokens": 2000
}

# ===== 发送请求并处理响应 =====
try:
    response = requests.post(API_URL, headers=headers, json=data, timeout=60)
    response.raise_for_status()
    result = response.json()
    ai_response = result['choices'][0]['message']['content']
    print(ai_response)  # 影刀会捕获print的内容作为输出
except requests.exceptions.Timeout:
    print("错误：请求超时，请检查网络")
except requests.exceptions.RequestException as e:
    print(f"错误：{str(e)}")
except (KeyError, json.JSONDecodeError) as e:
    print("错误：解析响应失败，请重试")

运行结果：在影刀里运行后，ai_response变量里就是AI的回答。

六、实战一：商品标题清洗与翻译（最常用）

采集到的中文标题 → 生成英文标题+中文翻译+5个卖点 → 结构化输出。

构造Prompt

# 在Python代码里构造Prompt
user_input = f"""
你是一个专业的跨境电商运营专家。请分析以下商品标题，生成上架内容：

原始标题：{raw_title}

请输出以下内容（JSON格式）：
1. 优化后的中文标题（去除冗余词，突出卖点）
2. 英文标题（符合SEO规范，不超过150字符）
3. 英文标题的中文翻译
4. 5个核心卖点（英文，每个不超过20词）
5. 5个核心卖点的中文翻译

输出格式：
{{
    "title_cn": "...",
    "title_en": "...",
    "title_en_translation": "...",
    "bullet_points_en": ["...", "...", "..."],
    "bullet_points_cn": ["...", "...", "..."]
}}
"""

解析JSON返回结果

AI返回的是JSON字符串，需要用Python解析成字典，再逐个字段写入Excel。

# 解析AI返回的JSON
import json

# ai_response 是AI返回的JSON字符串
try:
    result = json.loads(ai_response)
    title_cn = result.get("title_cn", "")
    title_en = result.get("title_en", "")
    # ... 提取其他字段
except json.JSONDecodeError:
    print("AI返回格式错误，请检查Prompt")

影刀指令精确名称：在影刀里可以用“文本转JSON对象”指令解析JSON，也可以用Python代码里的json.loads()。

七、实战二：评论情感分析（批量处理）

采集了500条商品评论，让AI逐条判断情感倾向（好评/中评/差评）并提取关键词。

批量处理流程

【外层循环】循环列表(评论列表, 当前评论)：
    → 构造Prompt："请判断以下评论的情感倾向（好评/中评/差评），并提取2-3个关键词：{当前评论}"
    → 调用AI对话(DeepSeek, Prompt) → AI分析结果
    → 解析结果 → 写入Excel（评论+情感+关键词）
循环结束

性能优化：每条评论都调用API，500条就是500次请求，耗时较长。可以用“批量Prompt”——把10条评论打包成一条消息让AI一次性分析。

# 批量分析10条评论
batch_prompt = "请分析以下10条评论，每条输出情感（好评/中评/差评）和关键词：\n"
for i, comment in enumerate(comments_batch):
    batch_prompt += f"{i+1}. {comment}\n"
# 一次调用AI，返回10条分析结果

八、进阶：并发调用优化（提速关键）

单次调用大模型API通常需要几秒到十几秒。如果循环50次，光等AI响应就要好几分钟。

解决方案：并发调用子流程

影刀的“并发调用子流程”指令可以同时启动多个AI调用，等待的途中主流程可以做其他事情。

操作要点

1. 把“调用AI”的逻辑单独做成一个子流程
2. 在主流程中用“并发调用子流程”同时启动多个
3. 用线程对象.is_alive()检查运行状态
4. 用线程对象.join()等待所有子流程完成

参数传递注意：并发调用子流程的参数输入需要使用字典。由于多线程无法直接传递输出参数，通过传入一个可变对象（字典） 来获取结果。

九、AI+RPA完整实战：智能商品上架系统

这是一个完整的“AI思考，RPA执行”的3.0智能化架构。

整体流程设计

A_Main（主流程）
├─ 【Extract - 采集脏数据】
│   ├─ 打开1688商品详情页
│   ├─ 采集标题、价格、描述、规格表（原始HTML/文本）
│   └─ 存入变量：raw_data
│
├─ 【Transform - AI清洗结构化】  ← 核心
│   ├─ 调用Python代码(DeepSeek API)：
│   │   ├─ 输入：raw_data
│   │   ├─ Prompt：清洗为标准化商品信息，输出JSON
│   │   └─ 输出：clean_data（JSON格式）
│   └─ 解析JSON → 拆分为标题、价格、SKU、描述等字段
│
└─ 【Load - 自动上架】
    ├─ 打开目标平台（如TikTok Shop）后台
    ├─ 填写标题、价格、描述
    ├─ 循环SKU列表逐个填写规格
    └─ 点击发布

这种架构保证了业务的极度灵活性——货源平台改版了，只改Extract模块；目标平台规则变了，只改Load模块。

常见问题/易错速查

1. API Key放在哪里最安全 → 不要硬编码在流程里。用影刀的“应用参数”功能管理，或者存到本地配置文件里动态读取。

2. AI返回的内容不是JSON格式 → 在System Prompt里明确要求“必须输出严格的JSON格式”。同时在代码里做异常处理，解析失败时重试或记录日志。

3. 调用API超时 → 大模型API响应时间不稳定。在requests里设置timeout=60，超时后记录日志并跳过该条数据。

4. Token消耗太快，费用超预算 → 用更便宜的模型（如DeepSeek比GPT-4便宜很多）；减少max_tokens；批量处理减少调用次数。

5. AI Power和Python代码方案怎么选 → 简单对话用AI Power（零代码），复杂逻辑用Python代码（更灵活）。

6. 社区版能用AI功能吗 → 可以。AI Power和“执行Python代码”指令社区版都支持，不消耗运行时长。但调用大模型API本身需要付费。

7. 并发调用子流程的参数怎么传 → 使用字典格式传入参数。输出结果通过传入的可变对象（字典） 来获取。

推荐资源

1. DeepSeek开放平台：https://platform.deepseek.com/
2. 影刀AI Power官方文档（影刀帮助中心搜索“AI Power”）
3. 影刀官方社区搜“AI大模型”有大量实战案例
4. 影刀RPA与ChatGPT联动实战（CSDN）：完整5个实战场景
5. 影刀接入AI大模型的常规方法步骤及实操（影刀社区）

#影刀RPA #RPA自动化 #AI大模型 #DeepSeek #数据清洗 #电商自动化

作者：林焱

本文为《影刀RPA学习手册》系列文章之一，内容源于实操经验的整理与分享。