1. 当 User Agent 遇上中文脚本一个真实卡住的场景User Agent 在 Computer Use 场景里最让人兴奋的一点是它能把「帮我把桌面上那个报表整理一下」这种自然语言翻译成真正能跑的自动化动作。但真动手做就会发现卡点往往不在模型理解能力而在最后那一公里模型吐出来的指令怎么变成操作系统能执行的脚本如果脚本还是英文关键字、Python 函数名那对非技术同事来说等于没打通。我试过把一条中文指令拆成「解析 → 生成中文脚本 → RPA 执行」三段中间用统一的大模型 API 通道做语义解析结果发现链路能跑通但配置环节最容易翻车Key 散落在多个文件、模型名写错、base_url 少个斜杠都会让整条链路静默失败。这篇就围绕这个最小可跑通链路把配置骨架和验证步骤摊开讲目标是你看完能自己复现一遍。核心检索词先对齐User Agent 是能感知屏幕、操作键鼠的智能体RPA 是流程自动化执行层Chinese Scripting Language 指用中文关键字描述动作的脚本层NLP 负责把自然语言映射到这些中文命令。适合谁做办公自动化、想给内部工具加「说人话就能跑」能力的开发者以及想理解 Computer Use 落地链路的同学。2. TaoToken 前置统一 Key 与 API 通道在整条链路里模型调用是最容易被配置细节拖住的部分。TaoToken 在这里扮演的角色是统一入口一个 Key、一个 base_url就能访问多种模型省去在多个平台之间切换和拼配置。官网入口在 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 根地址是 https://taotoken.net/api 注意这个地址不带查询参数。你需要先拿到 API Key入口在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi_keysutm_campaignrewrite 。拿到之后不要急着写代码先把下面两个配置文件建好后面所有步骤都依赖它们。注意base_url 末尾不要多加/v1之外的路径很多 404 都是路径拼接错误导致的。接入细节可对照 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。3. 可复制配置config.toml 与 settings.json 骨架先建config.toml它负责模型通道和 RPA 执行器的全局参数。下面这份可以直接抄把api_key换成你自己的即可。# config.toml [llm] provider taotoken base_url https://taotoken.net/api api_key sk-你的Key model gpt-4o-mini timeout 60 max_retries 2 [rpa] engine pyautogui script_lang zh-cmd dry_run false step_delay 0.4 [agent] screenshot_interval 1.5 max_steps 20再建settings.json它描述中文脚本关键字到 RPA 动作的映射表。这一步是「中文脚本语言」能落地的关键模型只负责输出中文命令执行器查表翻译成具体动作。{ mapping: { 打开: open_app, 点击: click, 输入: type_text, 截屏: screenshot, 等待: sleep, 切换窗口: switch_window, 保存: save_file }, params: { step_delay: 0.4, screenshot_dir: ./shots, log_level: info } }两个文件放同一目录执行器启动时先读config.toml拿通道再读settings.json拿动作映射。这样模型、通道、执行层三者解耦换模型不用改执行代码。4. 验证请求从自然语言到 RPA 执行配置就绪后写一个最小验证脚本。它做三件事把自然语言发给模型、拿到中文脚本、逐条执行。下面用 Python 演示依赖openai和pyautogui。import json, time, tomllib from openai import OpenAI import pyautogui with open(config.toml, rb) as f: cfg tomllib.load(f) client OpenAI( api_keycfg[llm][api_key], base_urlcfg[llm][base_url] ) with open(settings.json, encodingutf-8) as f: settings json.load(f) PROMPT 你是中文脚本生成器。把用户指令转成中文命令每行一条 只允许使用这些关键字打开、点击、输入、截屏、等待、切换窗口、保存。 不要输出解释。 def nl_to_script(text): resp client.chat.completions.create( modelcfg[llm][model], messages[ {role: system, content: PROMPT}, {role: user, content: text} ], temperature0 ) return resp.choices[0].message.content.strip().splitlines() def run_script(lines): for line in lines: line line.strip() if not line: continue cmd, _, arg line.partition( ) action settings[mapping].get(cmd) if not action: print(f[跳过] 未知命令: {line}) continue print(f[执行] {cmd} - {action} {arg}) if action sleep: time.sleep(float(arg or 1)) elif action screenshot: pyautogui.screenshot(f{settings[params][screenshot_dir]}/shot.png) time.sleep(settings[params][step_delay]) if __name__ __main__: task 打开记事本输入今天的日期然后截屏保存 script nl_to_script(task) print(生成的中文脚本) print(\n.join(script)) run_script(script)跑起来后终端会先打印模型生成的中文命令比如「打开 记事本」「输入 2025-01-01」「截屏」然后逐条执行。成功标志是记事本被拉起、文字被输入、截图文件出现在./shots目录。如果模型返回的是英文或多余解释说明 system prompt 约束不够把关键字列表再收紧。5. 本篇常见错排查第一类错误是 401。多数情况是api_key没替换或者 Key 前后带了空格。检查config.toml里那一行确认没有引号嵌套错误。第二类错误是 404。通常是base_url写成了https://taotoken.net/api/v1/chat/completions这种完整路径而 SDK 会自己拼/chat/completions。正确做法是只写到https://taotoken.net/api。第三类错误是模型返回中文命令但执行器不认。这多半是settings.json里映射表缺了关键字或者模型用了同义词。解决办法是在 system prompt 里明确「只允许使用以下关键字」并在执行器里对未知命令打印日志而不是静默跳过。第四类错误是 RPA 动作没反应。检查pyautogui是否有屏幕录制权限以及step_delay是否太短导致窗口还没起来就点击。把step_delay调到 0.8 再试。排障时建议先把dry_run设为 true只打印不执行确认脚本内容正确后再放开。6. 继续往下走模型对话与 Coding Plan链路跑通后你可以把验证脚本里的模型换成更强的对话模型用来处理更复杂的多步指令。模型对话入口在 https://taotoken.net/chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel_chatutm_campaignrewrite 适合先手动试几条自然语言看模型输出的中文脚本是否符合预期再固化到代码里。如果你打算把这条链路做成长期运行的编码或 Agent 任务比如让 User Agent 持续监听指令、自动生成并执行脚本可以看 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding_planutm_campaignrewrite 。控制台在 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 可以查看调用量和 Key 状态。最后给一个实用技巧把settings.json的映射表做成可热加载的执行器每次执行前重新读一次文件。这样你调试中文关键字时不用重启进程改完保存就能生效省掉大量重复启动的时间。