Skip to content
Published on

自动化的三个部族 — Zapier·Make·n8n、RPA，以及 2026 年的智能体化自动化

🇰🇷KO🇺🇸EN🇯🇵JA🇨🇳ZH
필사 모드
分享
Authors

引言 — 为什么自动化常常从错的工具开始

「帮我自动化一下这个重复性工作」这句话听起来像是一件事，但背后站着 三个完全不同的部族。分不清这三者，就会出现拿 RPA 硬啃 Zapier 就能搞定的活儿，或者反过来在需要 RPA 的场景硬要挂上 API 工具而撞墙的情况。用一句话概括这三个部族：

部族                做什么                                核心问题
─────────────────  ──────────────────────────────────  ──────────────────────
工作流自动化         连接应用的 API 让数据流动             "有没有 API?"
RPA                 像人一样点击、输入没有 API 的画面      "没有 API、只有 UI 吗?"
AI 智能体           自主判断该做什么                       "能不能用规则定死?"

本文将分别解剖这三个部族，梳理 2026 年的格局，最后以「该在什么时候用什么」的决策树收尾。

第一部分 — 工作流自动化：连接 API 的人们(Zapier·Make·n8n)

这是最常见的自动化形式。像「新邮件到达 → 把附件存进网盘 → 通知 Slack」这样的流程，是靠 把应用公开的 API 编织成触发器和动作 来搭建的。三大代表工具的定位十分清晰：

工具      优势                          适合谁                    计费单位
───────  ────────────────────────────  ──────────────────────  ─────────────
Zapier   7,000+ 个集成，最容易上手      非开发团队、广泛连接      任务(1 个动作)
Make     可视化多步骤逻辑，性价比高     高级用户·中小企业        操作
n8n      唯一可自托管、开源             技术团队·受监管行业       执行(工作流 1 次)

区分这三者的实务要点有两个。第一，计费模型的陷阱。Zapier 按 每个任务(工作流里的每一个动作)计费，而 n8n 按 每次执行(整个工作流算作 1 个单位)计费。一个 10 步的工作流每月跑 1 万次，Zapier 要算 10 万个任务，n8n 却只算 1 万次执行 — 规模越大，n8n 就能便宜到 80~90%。第二，数据主权。只有 n8n 支持自托管，在医疗、金融这类数据不能离开自家服务器的场景里，它事实上是唯一的选项。

2026 年最大的变化，是三个工具都把 AI 当成了一等公民。Zapier 推出了能用自然语言创建 Zap 的 AI Copilot，以及能在 8,000 个应用之间自主行动的 Zapier Agents。n8n 在 2.0 版本(2026 年 1 月)中加入了 AI Agent Tool 节点(多智能体编排)、原生 LangChain 集成与 70 多个 AI 节点、跨执行持续存在的智能体记忆、面向 RAG 的向量数据库支持，以及沙箱代码执行。工作流自动化正在从「静态的管道」转向「会做判断的流水线」。

第二部分 — RPA: 当没有 API 的时候(UiPath·Power Automate)

问题在于，这世上有一半的系统不会给你 API。用了 20 年的内部 ERP、只有画面的老旧系统、登录后点击才能看到的报表 — 这时候登场的就是 RPA(机器人流程自动化)。RPA 机器人会像人一样 看着屏幕、点击按钮、往字段里输入内容。它走的不是 API 的后门，而是 前门(UI) 的自动化。

工具                 定位
──────────────────  ──────────────────────────────────────────────
UiPath              最大的 RPA 生态·市场，大企业的标准选择
Automation Anywhere  云原生，AI 优先
Power Automate       以微软为中心，靠授权捆绑做到便宜
Pega                流程编排 + RPA

用 RPA 时务必牢记的原则是：RPA 是最后的手段。模仿 UI 的自动化本质上是脆弱的 — 按钮位置一变，或者界面一改版，机器人就会停摆。所以成熟团队的规则是「有 API 就用 API，没有才用 RPA」。实际上，2026 年业界的说法已经把这两者视为一体 — 擅长连接 API 的工具被归为工作流自动化，擅长操作画面的工具被归为 RPA。RPA 市场去年增长了 18%，达到 38 亿美元 的规模，但这一增长的方向不是「机器人单打独斗」，而是指向下一章要讲的故事。

第三部分 — 2026 年的大转向: 智能体化自动化

今年，自动化行业的每一位领军人物讲的都是同一个故事 — 「从 RPA 走向智能体化自动化」。核心在于角色的分工：

  • AI 智能体 = 判断层。 该做什么、下一步采取什么行动，由模型自主决定。它擅长应对无法用规则穷举的非结构化情形(例如「读这封投诉邮件，恰当地分类并回复」)。
  • RPA / 工作流 = 执行层。 这是确定性的、值得信赖的「手」。智能体一旦决定「做这件事」，它就精确地重复执行。

用一句话说：AI 决定「做什么」，RPA/工作流负责「在哪里(尤其是没有 API 的地方)」执行。 二者不是竞争关系，而是分层关系。确定性的机器人不会消失 — 反而会在 goal-driven 的 AI 智能体之下，巩固自己作为「可信执行基座」的地位。

第二个趋势是 「单打独斗的智能体式微，多智能体崛起」。不再是一个万能智能体包办一切，而是走向由多个分工明确的智能体协作、被编排的结构(n8n 2.0 的 AI Agent Tool 节点正是指向这个方向)。不过，自主性越大，治理 就越是命脉所在 — 只有把策略写成代码、把公民开发(citizen development)标准化、并在系统与 API 层面做好集成，自动化才不会失控，才能保持安全与合规。如果想亲手搭一个智能体试试，可以用提示词工程工具找找感觉，也可以在AI 模型开发生命周期一文里看到更大的图景。

第四部分 — 决策树: 该在什么时候用什么

拿不定主意时，按这个顺序问自己：

① 想连接的系统有 API 吗?
   └ 是  → 工作流自动化 (Zapier / Make / n8n)
            └ 非开发团队·追求最大集成量 → Zapier
            └ 逻辑复杂·追求性价比        → Make
            └ 自托管·数据主权·AI 智能体   → n8n
   └ 否 ↓

② 没有 API、只有画面(UI)吗?
   └ 是  → RPA (UiPath / Power Automate)
            ※ 但要认清这是"权宜之计" — 尽可能同时争取拿到 API

③ 需要无法用规则穷举的判断吗?
   └ 是  → 把 AI 智能体"叠加"在上面的执行层之上
            (智能体 = 判断，RPA/工作流 = 执行)

而且不管选哪个工具，都要先定好两件事 — 「一旦失败，怎么知道(监控·重试)」 和 「谁来维护这套自动化」。自动化真正的成本不在于搭建，而在于 坏了以后要修。

结语

自动化不是一项单一的技术，而是三个部族的联合体。有 API 就用工作流自动化，没有就用 RPA，需要判断就上 AI 智能体 — 而 2026 年的大图景，是这三者正合并为「判断(AI)在上、执行(RPA·工作流)在下」的分层结构。工具的潮流会变，但问题始终不变：这件事有没有 API，没有的话又能不能用规则写下来。 有了这三个问题，大多数自动化都能从正确的第一个工具开始。

参考资料

Discuss on Twitter • View on GitHub