一个人 + AI = 财务审计团队

主题

第35课 · AI 复核审计报告 ​

逆行的狗把审计报告撕成两半，一半交给 AI 云朵看结构，一半交给 CODE 齿轮机器算数，再用放大镜终审误报

本节要点 ​

  • 审计报告复核为什么难：报表之间要勾稽、表和附注要对上、附注内还要横加竖加——人工核对 50-150 页报告又累又容易漏
  • 旧工具的问题：让 AI 直接做数字加减会算错；附注表格结构复杂（其中项、跨列、两期并列）容易产生大量误报
  • 核心思路：AI 做语义，代码做算术
    • AI（Claude / DeepSeek）负责：识别报表结构、定位四表、理解附注归属、判断哪些字段要加减
    • 代码负责：把数字抽出来、统一走 calculator 做加减核对、结果可复现可审计
  • 用 OpenSpec 推进：把整个大需求拆成一个个可控变更（语义索引 → 表注勾稽 → manifest 结构契约 → DeepSeek 并发加速），每一步有范围、有验收、可追溯
  • 三层架构：理解层（AI 生成 manifest.json + note_map.json）→ 执行层（代码抽数、计算、批量检查）→ 复核层（AI 终审，剔除误报，保留真错）
  • 能查什么：四表间勾稽、表注勾稽、附注内变动表 reconcile、横加竖加、文本与格式
  • 最终输出：Excel 复核报告（按类别分 sheet）+ Markdown 复核报告（带页码和原文摘录），只读不改源报告

1. 审计报告复核：最累的不是判断，是「找数和算数」 ​

审计报告复核是财务审计里典型的高重复、高容错率工作。

一份年报动辄 50-150 页，里面涉及大量勾稽关系：

  • 四表之间要平衡：资产 = 负债 + 权益；利润表推导链；现金流量表三类净额合计；权益变动表期初 + 变动 = 期末
  • 表和附注要对上：报表里的「应收账款」要等于附注里的「账面余额 − 坏账准备」；「固定资产」要等于「原价 − 累计折旧 − 减值准备」
  • 附注内部要自洽：变动表里的「期初 + 增加 − 减少 = 期末」；账龄表的明细之和要等于合计
  • 文本格式也不能漏：公司名是否统一、金额单位是否一致、页码是否连续、有没有错别字病句

这些工作如果靠人工逐页核对，眼睛看花、手指按酸，还容易漏。所以很早之前我就在想：能不能让 AI 自动帮我做这件事？

2. 旧工具为什么不好用 ​

我之前做过一个「审计工具箱」，里面也有报告检查功能。它效率很高，3-4 分钟能跑完一份报告，但有一个致命问题：误报太多。

原因有两个：

第一，AI 不擅长做数字加减。

大模型可以帮你理解报表、提取字段，但你让它直接算「113,157,711.68 + 5,000.00」，它可能会算错。同样两个数问两次，答案可能还不一样。而且最关键的是：没有审计轨迹，出了问题无法追溯。

所以在审计场景里，算数这件事不能交给 AI。

第二，附注表格结构太复杂。

附注里经常有这种结构：

  • 「其中：」子项——明细下面还有子项，求和时不能重复计入
  • 百分比列——占比列不能参与金额加减
  • 两期并列——本年数和上年数混在一起，不能跨期相加
  • 表头不规范、跨页续表、嵌套层级

如果让 AI 自己判断「哪些行该加、哪些列该加」，它很容易猜错，产生大量误报。然后你就要花大量人力去筛查，反而更累。

3. 核心思路：让 AI 做它擅长的，让代码做它擅长的 ​

这次重新做这个 skill，我的核心思路特别简单：

AI 做语义理解，代码做确定性计算。

AI 擅长什么 ​

  • 看懂报告结构：四张报表在哪些页、哪里是合并口径、哪里是母公司口径
  • 理解附注归属：「附注三、货币资金」这个章节讲的是货币资金
  • 判断列含义：哪一列是项目名、哪一列是期末余额、哪一列是年初余额
  • 识别名称变体：「股东权益」其实就是「所有者权益」
  • 判断哪些字段需要做加减、哪些字段要核对

代码擅长什么 ​

  • 精确求和、核对、reconcile
  • 处理千分位逗号、括号负数、全角字符、万元单位
  • 批量并发执行
  • 结果可复现、可核验

所以整个工具的流程就是：

AI 把数字和结构识别出来 → 代码把数字拿去算 → AI 再对结果做终审复核。

4. 用 OpenSpec 推进：把大需求拆成一步步变更 ​

这个需求非常大，不可能一次性让 AI 写一个完整工具。我用的是 OpenSpec，把整个过程拆成多个小变更，每个变更只解决一个具体问题。

这样做有两个好处：

  1. 每一步都可控：做砸了只回滚一个变更，不影响全局
  2. 需求可追溯：每个变更都有明确范围和验收标准

整个推进路线大概是：

阶段解决什么问题
语义索引让 AI 理解附注结构，生成「科目 → 附注表」精确映射
表注勾稽报表数 vs 附注数自动核对
结构契约 manifest不同报告格式列布局不同，用 JSON 声明而不是代码硬编码
DeepSeek 并发加速批量调用 DeepSeek API，把 AI 生成结构契约的速度提起来

后面我会专门讲 OpenSpec 这个插件，它比之前的 Superpowers 更适合这种「按开发流程推进变更」的场景。

5. 系统架构：三层分工 ​

整个工具可以分成三层：

第一层：理解层 ​

这一层由 AI（Claude）主导，只做一次：

  • 识别报告类型：合并报告还是单体报告？有没有母公司报表？
  • 定位四张报表：资产负债表、利润表、现金流量表、所有者权益变动表
  • 生成 manifest.json：声明四表的结构，比如项目名在第几列、期末数在第几列
  • 生成 note_map.json：声明每个报表科目对应附注的哪张表、取哪个字段

这两个 JSON 文件是整个工具的结构契约。后面所有计算都基于它们。

第二层：执行层 ​

这一层由代码机械执行：

  • apply_manifest.py：按 manifest 声明，把四表数据抽成 statements.json
  • calculator.py：所有数值计算的统一入口
  • run_check.py：按用户选的深度，批量执行检查

这里最重要的是：所有数值计算都走 calculator，AI 绝不手算。

bash
# 核对两个数是否相等
python3 scripts/calculator.py check "113,157,711.68" "113,157,711.68"

# 对一组数求和
python3 scripts/calculator.py sum "1,234.56 5,678.90 100.00"

# 验证变动表：期初 + 增加 - 减少 = 期末
python3 scripts/calculator.py reconcile "100" "50" "30" "120"

第三层：复核层 ​

代码批量检查完后，会产生大量结果，其中很多是误报。这时候需要 AI 做终审：

  • 把报错的项对应回原文
  • 判断这是真错还是特殊结构导致的误报
  • 把误报剔除，把真错保留

比如附注里「货币资金」明明明细求和是 900 多万，但合计行被你改成了一堆 9，AI 终审会发现差异巨大，确认是真错。

6. 关键困难点 ​

做这个 skill 的过程中，有三个主要困难点：

困难点 1：大模型真的不会算数 ​

这不是贬低 AI，而是客观事实。大模型做数字加减会出错，而且结果不可复现。

解法：所有计算统一交给 calculator.py，AI 只负责识别字段和传数。

困难点 2：报告格式千变万化 ​

不同公司、不同事务所出的报告，表格样式差别很大：

  • 有的期末数在第 3 列，有的在第 5 列
  • 资产负债表可能拆成两段，需要拼成一张完整表
  • 表头不写「合并/母公司」，需要 AI 语义识别
  • Word 里有嵌套表、合并单元格
  • 四表被做成图片嵌入 PDF

解法：

  • 用 manifest.json 声明每家公司的列布局，换格式只改配置
  • 用 python-docx 处理复杂 Word 表格
  • 图片报表用 MinerU 等 OCR 工具兜底
  • 缺失关键项目时输出诊断，不静默跳过

困难点 3：附注表定位容易「指错表」 ​

这是最容易出问题的环节。比如 AI 可能把「风险汇总表」当成「货币资金明细表」，或者把「养老保险表」当成「短期借款明细」。定位错了，后面一切计算都是错的。

解法：

  • Claude 语义定位生成 note_map
  • 代码做值校验：表合计值应该和报表值大致匹配
  • 排除汇总表（一张表含多个报表科目的那种）
  • 失败时 fallback 到 Claude 手动处理

7. 能检查哪些内容 ​

这个 skill 支持四类检查：

第一类：报表间勾稽 ​

  • 资产负债表：资产总计 = 负债合计 + 所有者权益合计
  • 利润表：营业利润推导链完整；利润总额 − 所得税 = 净利润
  • 现金流量表：经营 + 投资 + 筹资净额 = 现金净增加额
  • 权益变动表：期初 + 本期变动 = 期末

第二类：表注勾稽 ​

覆盖 41 个主要科目，例如：

  • 货币资金 = 库存现金 + 银行存款 + 其他货币资金
  • 应收账款 = 账面余额 − 坏账准备
  • 存货 = 各项目合计 − 存货跌价准备
  • 固定资产 = 原价 − 累计折旧 − 减值准备
  • 营业收入 = 主营业务收入 + 其他业务收入

第三类：附注内勾稽与横加竖加 ​

  • 变动表 reconcile：期初 + 增加 − 减少 = 期末
  • 横加：账面余额 − 坏账准备 = 账面价值
  • 竖加：明细之和 = 合计行
  • 排除「其中：」子项、百分比列、两期列的误加

第四类：文本与格式 ​

  • 错别字、病句、前后矛盾、口径不一致
  • 公司名是否统一、金额单位是否一致
  • 页码是否连续、页眉是否统一
  • 审计报告类型识别是否正确

8. 最终输出：Excel + Markdown 复核报告 ​

检查完成后，会输出两个文件：

Excel 报告（6 个 sheet）：

  • 摘要：统计 + 按类别汇总
  • 报表内勾稽
  • 表注勾稽
  • 附注内勾稽
  • 横加竖加
  • 文本格式

Markdown 报告：

  • 按问题 / 存疑分章
  • 每条带页码定位
  • 带原文摘录，方便人工复核

这两个输出都是只读不改源报告，本身就是 audit-only 的复核底稿。

9. 使用要点 ​

9.1 检查前需要 DeepSeek API Key ​

这个 skill 会调用 DeepSeek API 做批量并发（默认 30 并发，可以改成 60、100）。运行前它会检查你有没有配置 API Key，没有的话要提供一个。

模型推荐用 DeepSeek V4 Flash 这种非推理模型，速度快、成本低。

9.2 检查深度分三档 ​

  • 快速检查：只做四表间勾稽 + 格式
  • 标准检查：+ 表内横加竖加 + 高频表注 + 文本
  • 深度检查：+ 全部变动表 reconcile + AI 全表标注

日常复核用「标准」就够了。

9.3 规则可以自定义 ​

skill 里有两个规则文件：

  • references/rules.md：内置规则库
  • references/user_rules.md：用户自定义规则

你不用自己写 markdown，直接列一个清单告诉 AI「我还想检查这些」，让它帮你更新规则就行。

9.4 这个 skill 不是完美的 ​

坦白说，这个 skill 目前还有不少局限：

  • 复杂表格的横加竖加仍然可能误报
  • 某些不规范的附注表，DeepSeek 可能提取不到目标值
  • 第一次解析文档的步骤没有代码固化，速度较慢

但好处是：它可迭代。你拿自己事务所的报告去跑，遇到问题让 AI 改规则、改提示、改代码，慢慢就能调教出适合你报告格式的版本。

10. 核心 takeaway ​

这节课最重要的三个认知：

  1. AI 擅长语义理解，不擅长精确计算。做审计工具，算数必须交给代码。
  2. 工程化比一次性 prompt 重要。用 OpenSpec 拆变更、用 manifest/note_map 把格式差异外部化，工具才能持续迭代。
  3. 复杂工具要分三层：AI 理解结构 → 代码批量计算 → AI 终审误报。

我会把这个 skill 放到课程网盘里，大家可以下载后基于自己的报告格式继续调教。

© 2025 逆行的狗