【建议】优化WPS多维表自动化流程的AI节点

一、增加"联网搜索"功能

现状问题

目前的AI节点不具备联网搜索功能，无法查询最新信息。这是一个致命的缺陷，因为很多实际应用场景都需要实时数据：

• ❌天气播报：想要AI每天提供天气预报，但AI根本不知道今天是何日、今日天气如何

• ❌新闻热点日报：想要AI每天生成新闻热点汇总，但AI无法获取最新的新闻信息

• ❌股票行情监控：想要AI定时推送股票/基金价格，但AI无法联网查询实时数据

• ❌汇率更新：想要AI自动更新汇率信息，但AI无法获取最新汇率

这些场景下，工作流根本无法奏效，因为AI缺乏实时信息获取能力。

竞品参考

同类竞品已经支持DeepSeek-R1(联网)字段捷径，可以实时联网搜索信息。用户可以直接在表格中配置联网搜索能力，让AI自动获取网页内容、总结分析、生成报告。

建议方案

在AI节点中集成联网搜索能力：

1. 提供联网搜索开关：在AI节点配置中增加"联网搜索"选项，用户可以自主选择是否启用

2. 支持多种搜索模式：

• 实时搜索模式：每次调用都实时联网搜索

• 缓存模式：在一定时间内缓存搜索结果，避免重复请求

3. 搜索结果结构化：AI能够自动解析网页内容，提取关键信息并以结构化形式返回

4. 时效性控制：允许用户指定搜索的时间范围(如"最近一周"、"最近一月")

二、增加"工具"功能

现状问题

当前WPS自动化流程虽然提供了一些工具类节点(如发送HTTP请求、执行脚本等)，但这些节点是独立于AI节点存在的，需要用户自行编排逻辑。这种设计存在以下问题：

1. 技术门槛高：用户需要理解HTTP API、编写脚本代码，普通业务人员难以使用

2. 逻辑复杂：需要手动串联多个节点，工作流变得冗长且难以维护

3. 缺乏智能性：工具的调用时机、参数传递都需要预先定义死，无法根据实际情况动态调整

而大模型的核心价值之一，正是其Function Call能力——模型可以根据用户的Query自动判断调用工具的时机与方式、判断执行技能时传递给技能的输入，让整体流程更加灵活智能。

竞品参考

同类竞品已经支持多种类型的工具，包括：

1. HTTP API插件：支持调用外部API接口

2. Python/JavaScript脚本：支持编写自定义脚本

3. MCP功能：支持模型上下文协议，连接外部工具

4. Agent Skill功能：支持预定义的技能模板

5. Agent智能体：支持自主决策、多轮对话、记忆能力

6. 知识库功能：支持接入企业知识库，实现RAG(检索增强生成)

这些工具功能让AI不再是一个孤立的"文本生成器"，而是一个能够自主决策、主动调用工具、深度理解业务的"智能助手"。

建议方案

为AI节点增加工具调用能力：

1. HTTP API插件功能

• 在AI节点配置中，允许用户预定义API接口(包括URL、请求方法、参数格式等)

• AI模型根据任务需要，自动判断是否需要调用API、自动构造请求参数、解析返回结果

• 支持常用的API模板库(如天气API、新闻API、股票API等)，开箱即用

2. Python/JavaScript脚本功能

• 在AI节点中嵌入轻量级代码执行环境

• 用户可以编写自定义脚本，AI模型根据任务需要自动判断是否需要执行脚本、传递什么参数

• 支持沙箱执行，确保安全性

3. MCP(Model Context Protocol)功能

• 支持接入MCP协议，让AI能够连接外部工具和数据源

• 用户可以配置MCP服务器，AI模型自动发现和调用可用工具

• 实现与第三方服务的无缝集成

4. Agent Skill功能

• 提供预定义的技能模板库，如"数据清洗"、"文本分析"、"图像识别"等

• 用户可以一键添加技能到AI节点

• 支持用户自定义技能并分享到社区

5. Agent智能体功能

• 支持配置AI Agent节点，让AI具有记忆能力和多轮对话能力

• Agent可以自主规划任务、调用工具、根据反馈调整策略

• 适合复杂业务场景，如智能客服、数据分析助手等

6. 知识库功能

• 支持接入企业知识库或文档库

• AI节点可以基于知识库内容进行RAG(检索增强生成)，提高回答的准确性和专业性

• 特别适合企业内部FAQ、产品手册、政策文档等场景

三、增加"意图识别"节点

现状问题

WPS自动化流程目前有分支节点，但分支节点只能处理比较明确的是非判断或者条件筛选(如"字段A是否等于某值"、"数值是否大于某阈值")，无法胜任复杂的意图识别和类型划分场景。

例如：

• 用户提交的问题可能是"技术问题"、"售后问题"、"投诉建议"等不同类型，需要流转到不同的处理分支

• 用户反馈的内容可能是"产品咨询"、"功能建议"、"bug报告"等，需要不同的处理方式

• 工单内容可能是"紧急"、"一般"、"低优先级"，需要不同的响应策略

这些场景下，传统的条件判断节点无法处理，因为判断逻辑过于复杂，涉及语义理解、上下文分析等。

竞品参考

同类竞品的AI Agent节点支持智能意图识别，能够根据用户输入的内容，自动识别意图并流转到相应的分支处理。这让工作流变得更加智能和人性化。

建议方案

新增"意图识别"节点：

1. 基本功能

• 多分类支持：支持定义多种意图类型(如"技术问题"、"售后问题"、"投诉建议"等)

• 零样本识别：无需提供训练数据，AI模型根据意图描述自动识别

• 少样本学习：用户可以提供少量示例，提高识别准确率

2. 配置方式

• 用户在节点配置中定义意图列表及其描述

• AI模型根据输入内容，自动判断属于哪个意图

• 输出识别结果，供后续分支节点使用

3. 应用场景

• 智能客服：识别用户问题类型，自动分配给对应部门

• 工单分派：根据工单内容自动判断优先级和处理团队

• 反馈分类：自动分类用户反馈，便于统计分析

• 舆情监控：识别舆情类型(正面/负面/中性)，触发不同响应流程

4. 与分支节点的配合

• 意图识别节点输出识别结果

• 后续的分支节点根据识别结果，流转到不同的处理分支

• 实现"智能识别→自动分派"的完整流程

四、增加AI节点调试和日志功能

现状：目前AI节点的调试和日志功能不够完善，难以排查问题。有社区反馈"日志显示运行成功，但实际因'模型服务器繁忙'无法完成消息发送"的情况。

建议：

• 详细的日志记录：记录AI节点的输入、输出、执行时间、token消耗、错误信息等

• 调试预览：在配置AI节点时，提供"测试运行"功能，让用户可以实时预览AI输出

• 错误提示优化：当AI节点执行失败时，提供清晰的错误提示和解决建议

• 运行历史：查看AI节点的历史运行记录，便于问题追踪和优化

五、增强AI节点的上下文理解能力

现状：AI节点可能无法理解整个多维表格的数据结构和业务逻辑，导致输出不够精准。

建议：

• 表格上下文注入：AI节点能够自动理解当前表格的字段含义、数据关系

• 多表关联理解：支持跨表引用，AI节点能够理解表间关联关系

• 历史记录学习：AI节点能够学习历史记录中的模式和规律，提高预测准确性

六、提升AI节点的稳定性和响应速度

现状：AI节点存在"模型服务器繁忙"的问题，响应时间不稳定。

建议：

• 资源扩容：对AI节点对应的模型服务器进行资源扩容

• 负载均衡：优化AI节点的请求调度，避免单点过载

• 异步执行：对于耗时任务，支持异步执行，避免阻塞工作流

• 超时重试：设置合理的超时时间和自动重试机制