凌晨 2 点,财务群里有人发了张截图:跑了半年的对账机器人停在一个填了一半的表单上,报错"元素未找到",后台却显示"任务已结束"。
没有重试,没有降级,没有任何人收到告警。
这就是 RPA 流程的异常处理设计(重试、降级与告警)没做扎实的典型后果:自动化程度越高,半夜丢的数据越多。
这篇文章把三类异常的区分方法、重试的三个关键点、降级的三种姿势、告警的三个原则拆开讲,全部来自生产踩坑。
一、先把异常分对类
不分青红皂白全部重试三次、错了就报警,是异常处理最常见的开局错误。
实际流程里的异常至少分三类:
1. 瞬时异常------值得重试 网络抖动、页面加载慢、目标系统短暂无响应。特点是"过一会儿自己就好"。
2. 确定性异常------重试多少次都没用 账号被锁定、页面改版导致元素失效、数据本身不合法。特点是"条件没变,结果不会变"。
3. 业务异常------该让人来决定 对账差 3 分钱,系统判断不了是四舍五入还是录入错误。
判断标准只有一句话:上一次失败的原因,这次消失了吗? 消失了,重试;没消失,降级或告警。
二、重试:退避、幂等、死信
1. 指数退避,别固定间隔
固定 3 秒重试三次,遇到目标系统过载,你的重试本身就是压垮它的最后一根稻草。
ini
elapsed, ok = 0, False
for attempt in range(4): # 最多尝试 4 次
try:
submit(order)
ok = True
break
except TransientError:
wait = 5 * (3 ** attempt) # 5s → 15s → 45s → 135s
if elapsed + wait > 210: # 总预算 3 分半
break
sleep(wait)
elapsed += wait # 预算真正累计
if not ok:
dead_letter(order) # 重试耗尽 → 进死信 → 触发告警
2. 重试必须幂等
重试前流程可能已经点了"提交",只是响应超时。再点一次,单据就重复了。
对策:提交前生成唯一编号、重试前先查询上一步真实状态、涉及写操作的步骤宁可慢不可盲。
3. 死信:重试失败的单据去哪
重试耗尽后不终止流程,而是跳过该单据继续跑,最后生成失败清单。一笔失败,百笔不废------这份清单同时是告警的输入。
重试之前,还有一层防线:自愈
很多"元素未找到"其实走不到重试环节。蓝印RPA 的 Web 元素 AI 自愈是个省心的设计:页面改版导致选择器失效时,它能基于控件语义自动重新匹配,而不是直接抛错。把自愈放在重试之前,很多瞬时异常的处理成本能降一大截。
三、降级:流程断了,业务不能断
降级的本质是回答一个问题:这个步骤失败了,业务还能不能继续?
三种常见姿势:
1. 功能降级------开票接口超时?先把数据落本地 Excel,流程继续跑完,接口恢复后再补开。用户无感知,只是延迟。
2. 路径降级------流程 A(API 直传)挂了,切流程 B(模拟人工录入)。性能差一点,交付不断。
3. 人工接管------把当前上下文截图、数据快照打包推给负责人,等人工处理后从断点续跑。
这里有个硬性前提:流程必须"步骤可恢复" 。
css
[采集] --落状态--> [校验] --落状态--> [写入] --落状态--> [回执]
崩溃重启后从最近的状态位继续,而不是从头再跑一遍
设计状态机时,"每个步骤完成后写状态"是铁律,降级才有落点。
补充一个现实问题:流程做好后往往要交给别的团队甚至客户用。这种交付场景下,全离线内网部署方案比较顺手------EXE 加密打包加授权管理发出去,数据不出本地,对方拿到的是成品而不是源码。现在不少工具还支持 AI 生成脚本一键转流程,交接和测试都能省不少事。
四、告警:分级、收敛、闭环
告警做得不好的团队,两周后所有告警都会变成"已读不回"。
1. 分级
P0 流程整体失败 / 核心数据写不进去 → 电话或短信
P1 死信数量超过阈值(如 10 条) → IM 消息
P2 重试次数偏多 / 耗时异常 → 日报汇总
2. 收敛 同一错误码 5 分钟内只报一次,后续合并成"已发生 N 次";重试中的异常不报,重试耗尽才报。告警是给人看的,不是给流程看热闹的。
3. 闭环 每条告警带三样东西:发生了什么(错误码+上下文截图)、影响什么(哪几笔单据)、去哪处理(死信清单链接)。处理完一键标记,告警才关闭。
告警规则本身也可以让 AI 参与设计------AI 负责思考,蓝印RPA 负责稳定落地:AI 从历史失败日志里归纳阈值建议、甚至直接生成脚本,流程引擎负责把脚本转成流程并按时执行。说穿了就是 AI 写代码、蓝印RPA 跑代码。规则不用手写死,执行不会打折扣,这比纯手写规则靠谱。
五、几个容易忽略的坑
日志要够细:每次重试记录第几次、等了多久、失败快照。事后排查全靠它。
不要吞异常:catch 之后什么都不做继续跑,是生产事故的头号来源。要么重试,要么降级,要么上报,三选一。
异常路径也要测:断网、页面改版、数据为空、目标系统 500,写进测试用例。只测正常流程等于没测。可以让 AI 生成一批异常注入脚本做混沌测试,把流程放进脏环境里跑一遍。
六、一句话
重试解决"再试一次",降级解决"换条路走",告警解决"找人来看"。 三层各管一段,再叠加自愈和 AI 辅助设计,流程才能在半夜两点自己把坑填上。
工具层面记住三个词就够了:离线更安全,自愈更稳定,成本透明。