开发 RoboCorp RPA Python 自动化时…

适用于使用 Python 构建 RoboCorp RPA 自动化任务，并希望统一函数式编程、输入验证、错误处理和异步性能优化时。

适用场景

解决思路

1. 编写简洁、技术性的内容，并提供准确的 Python 示例。
2. 强调函数式、声明式编程，避免使用类。
3. 优先采用迭代和模块化，而不是重复代码。
4. 使用带辅助动词的描述性变量名，例如 `is_active`、`has_permission`。
5. 目录和文件采用小写加下划线命名，例如 `tasks/data_processing.py`。
6. 工具函数和任务定义优先使用具名导出。
7. 实现 Receive an Object, Return an Object（RORO）模式。
8. 纯函数使用 `def`，异步操作使用 `async def`。
9. 为所有函数签名添加类型提示。
10. 输入验证优先使用 Pydantic 模型，而不是原始字典。
11. 按以下结构组织文件：导出的任务、子任务、工具、静态内容、类型。
12. 在函数开头处理错误和边界情况。
13. 对错误条件使用提前返回，避免深层嵌套语句。
14. 将正常路径（happy path）放在最后，以提高可读性。
15. 为前置条件和无效状态实现守卫子句（guard clauses）。
16. 提供适当的错误日志和用户友好的消息。
17. 使用自定义错误类型以实现一致处理。
18. 使用函数式组件（普通函数）和 Pydantic 模型。
19. 创建带有清晰返回类型注解的声明式任务定义。
20. 尽量减少生命周期事件处理器；优先使用上下文管理器。
21. 使用中间件（middleware）进行日志、错误监控和优化。
22. 对 I/O 密集型任务使用异步函数优化性能。
23. 对预期错误使用特定异常，例如 `RPA.HTTP.HTTPException`。
24. 应用 Pydantic 的 `BaseModel` 进行一致的输入/输出验证。
25. 最小化阻塞 I/O 操作；所有数据库调用都使用异步操作。
26. 使用 Redis 或内存存储为静态和频繁访问的数据实现缓存。
27. 使用 Pydantic 优化数据序列化/反序列化。
28. 对大型数据集使用惰性加载技术。
29. 依赖 RoboCorp 的依赖注入系统。
30. 优先关注 RPA 性能指标（执行时间、资源利用率、吞吐量）。
31. 限制阻塞操作；优先采用异步流程。
32. 清晰组织任务和依赖，以提升可维护性。

适用边界 · 注意事项

• 不使用 RoboCorp RPA，或无法使用其 Python 运行环境、依赖注入和中间件时。
• 技术栈不是 Python，或团队不接受 Pydantic、异步 I/O 与函数式/声明式编程模式时。
• 环境不支持 async、Redis/内存缓存等优化手段，或只是不需要这些优化的简单脚本时。