pbottleRPA

场景切入：当重复点击成为效率瓶颈

在企业办公场景中，有大量重复性操作：每天定时登录某个内部系统抓取数据、将 Excel 报表内容逐行填入网页表单、自动下载邮件附件并重命名归档。这些操作看似简单，却吞噬了大量人力——一位财务人员每天可能要花 2 小时反复点击同一套流程，而 RPA（机器人流程自动化）正是解决这类痛点的技术。

传统的 RPA 工具往往价格昂贵、部署复杂，适合大型企业而不适合个人用户或小型团队。pbottleRPA 正是瞄准这一空白：它是一款面向专业用户的轻量级 RPA+AI 软件，通过 JavaScript 或 Python 脚本驱动，可以同时自动化浏览器网页应用和桌面客户端应用，且完全免费开源。

项目背景与作者

pbottleRPA 由独立开发者 leoxiaoping 创建并维护，项目创建于 2022 年 11 月，至今保持活跃更新（2026 年 7 月仍有提交）。作者同时运营 officetool.online 官方网站，提供完整的文档门户和软件分发。项目采用 MIT 许可证，代码完全开放。

从 GitHub 提交记录来看，该项目持续迭代了多个版本，核心能力从早期的基础键鼠模拟，逐步扩展到 AI 图像识别、大模型调用、浏览器增强插件等高阶功能。目前最新版本（V2025.2）已支持浏览器元素选择器测试工具和 jQuery 风格的选择器语法。

类比解释：给电脑装上数字之手

可以把 pbottleRPA 理解为给电脑装上了一双"数字之手"：它能模拟人的鼠标点击、键盘输入、截图识别等操作，但速度比人快得多，而且可以 24 小时不知疲倦地运行。区别于宏录制工具，它支持用 JavaScript/Python 编写真正的脚本逻辑（条件判断、循环、函数封装），从而实现复杂的自动化流程。

而 RPA+AI 的结合则更进一步：内置的 AI 图像识别（OCR 文字识别、AI 对象检测）和大模型调用（LLM）接口，让自动化不再局限于"重复点击"，而是扩展到"看懂屏幕内容、理解业务意图"的层次。

核心功能详解

1. 键鼠底层模拟

pbottleRPA 提供了最底层的键盘和鼠标操作 API，包括键盘按键（keyTap、keyDown、keyUp）、组合键、鼠标点击/移动/拖拽等。这不是操作系统级的模拟事件（容易被反作弊检测），而是真正的硬件级 HID 模拟输入，甚至支持 HID 硬件设备直连。企业版还提供了专门的 HID 硬件键盘鼠标演示，支持在游戏或特殊场景下的精准操控。

2. 屏幕视觉识别

内置 AI 图像识别模块，分为本地模式和云端模式：

• OCR 文字识别（aiOcr）：输入截图路径，返回 JSON 格式的文字识别结果，包含置信度分数和文字位置坐标，可精确定位屏幕上的任意文字。
• 找图定位（findText）：在屏幕指定区域内搜索文字，返回匹配坐标，实现"看到文字才点击"的智能化操作。
• 图像相似度匹配（findScreen）：在屏幕上搜索模板图片，支持相似度阈值设置，找到目标后执行后续操作。
• AI 对象检测（aiObject）：从经典算法升级为 AI 模型预测，企业版支持纯离线运行，适用于复杂 UI 场景下的精准识别。

3. 浏览器增强插件

pbottleRPA 提供了专用的 Chrome 浏览器插件，大幅简化网页自动化操作：

• jQuery 风格选择器：告别繁琐的 XPath，用 $('button:contains(登录)') 这样的方式直接定位元素，学习门槛低，语法自然。
• 元素选择器测试工具：内置的可视化工具帮助用户在浏览器内直接调试和验证选择器是否正确，并提供"背景闪烁"功能直观显示元素位置。
• 批量数据抓取（WEB Enhanced - Data Batch Scraping）：支持批量从网页提取结构化数据，适合爬虫和数据采集场景。

4. 大模型与 AI 云端能力

pbottleRPA 集成了 AI 大模型调用能力（企业增值服务），支持通过 API 接口调用云端 LLM，在自动化流程中嵌入自然语言理解、生成和决策能力。例如可以结合 OCR 识别屏幕内容后，调用 LLM 判断下一步操作，实现"看到什么就做什么"的智能自动化。

5. 丰富的办公文档和工具支持

通过第三方模块（bat 脚本一键安装），支持 Excel 和 Word 的读写操作：读取/写入 Excel（.xlsx 格式）自动化报表处理，读取/写入 Word 文档自动化文档生成。此外还提供了：文件压缩/解压、SMTP 邮件发送、剪贴板操作、截图/录屏、发送手机通知、文件上传下载等常用工具封装，覆盖了办公自动化的方方面面。

6. 全局快捷键

• Ctrl+Shift+Q：停止当前脚本执行，同时结束鼠标录制操作
• Ctrl+Shift+R：重启当前脚本执行

这些快捷键让脚本调试和运行控制非常便捷。

上手门槛

入门极简：3 行代码即可完成一个自动化脚本。以下是打开 Google、粘贴内容、回车的经典示例：

pbottleRPA.openURL('https://www.google.com/')
pbottleRPA.paste('Pbottle RPA')
pbottleRPA.keyTap('enter')

进阶能力：pbottleRPA 内置了大量 Demo 示例，涵盖了键鼠操作、文件处理、浏览器增强、AI 识别等各类场景。用户可以在这些 Demo 基础上修改，快速定制自己的自动化流程。文档门户（officetool.online/pbottle-rpa/docs/）提供了完整的 API 文档和开发指南。

注意事项：Web 增强功能需要先安装浏览器插件；第三方模块（Excel/Word）需要运行安装脚本；AI 云端功能需要付费订阅。

争议与局限

1. 仅支持 Windows：pbottleRPA 是一款 Windows 独占软件，macOS 和 Linux 用户无法使用，这是最大的平台局限性。
2. 企业功能付费：AI 图像识别（企业版离线模式）和大模型调用属于付费增值服务，限制了部分高级功能的使用。
3. 无容器化支持：作为桌面客户端软件，项目未提供 Dockerfile 或 docker-compose，不支持服务器端或云端自动化部署，更适合本地机器的日常办公自动化。
4. 浏览器插件依赖：Web 增强功能依赖 Chrome 插件，安装配置有一定门槛，对非技术用户可能造成困扰。

行业意义与增长趋势

pbottleRPA 所在的 RPA 市场正快速增长。传统 RPA 市场被 UiPath、Automation Anywhere、Blue Prism 等国外巨头把持，价格高昂且实施周期长。pbottleRPA 的出现填补了个人用户和小型团队的空白：以开源免费的方式提供专业级 RPA 能力，配合 AI 能力（OCR+LLM）实现了差异化的竞争壁垒。

从项目数据来看，156 stars 虽然在开源社区中规模不大，但考虑到这是一个垂直领域的工具类产品（非通用框架），且作者持续维护超过 3 年，已具备一定的社区认可度。随着 AI 和自动化的深度融合，RPA+AI 的结合将成为未来办公自动化的重要方向。