先说结果：
用户上传上期财报 + 本期银行流水，AI 自动生成资产负债表、利润表、现金流量表，下载即用。
整个过程不需要用户懂任何财务知识，不需要注册登录，打开网页就能用。运行成本？零。
这篇文章是一个项目复盘——我会分享需求怎么来的、核心难点在哪、我是怎么解决的、以及几点感悟。
如果你也在研究 AI 落地，想知道"AI 到底能做什么实际的事"，这篇应该能给你一些启发。
01
需求从哪来我身边有个朋友开了一家小公司，做技术咨询的。公司就他一个人，没什么业务，银行流水一个季度就十来笔——工资、社保、公积金、偶尔股东打点钱进来。
但每个季度要报税，就得有财务报表。他请了个代理记账，一个月 300 块。
有一天他跟我说："我公司流水就那么几笔，代账一年收我三千六，能不能用 AI 搞？"
我当时觉得这事不难——不就是"把银行流水分分类、填到表里"嘛。
然后我就开始研究了。结果发现，真没那么简单。
02
为什么"看起来简单"的事其实不简单财务报表有三张：资产负债表、利润表、现金流量表。
最大的坑在于：这三张表用的不是同一套记账逻辑。
? 核心难点：权责发生制 vs 收付实现制
资产负债表和利润表采用权责发生制——费用在"应该承担"的时候确认，而不是实际付钱的时候。
现金流量表采用收付实现制——只看银行实际收了多少、付了多少。
举个例子：3 月的工资 4 月才发。利润表上，3 月就要确认这笔费用；但现金流量表上，4 月才有这笔支出。
这意味着你不能简单地把银行流水加加减减填进表里。三张表之间存在复杂的勾稽关系，任何一个数字错了，整张表就对不上。
除此之外还有很多细节问题：
? 银行流水的每一笔交易需要精确分类到对应的会计科目
? 管理费用不能直接用银行支出金额，必须通过 T 账户公式转换
? 跨年度（比如 Q4→Q1）的年初余额和累计金额需要特殊处理
? 三张表必须通过四项勾稽验证，确保数据一致
这些规则看似每一条都不复杂，但组合在一起就是一个环环相扣的系统。这也是为什么小公司老板自己做不了，必须请专业会计的原因。
03
我是怎么做到的研究了一段时间后，我找到了一个核心思路：
核心设计思路
让 AI 做它最擅长的事（理解语义、识别分类）
让代码做它最可靠的事（数学计算、格式输出）
让验证确保不出错（四项勾稽自动校验）
简单来说，整个系统分成几个部分：
文件解析层——用户上传的是 PDF 或 Excel，系统需要把文件内容提取为结构化数据。这一步完全不依赖大模型，用的是确定性的解析工具。
智能分类层——对银行流水的每一笔交易进行分类。大部分交易通过规则引擎直接匹配（比如"代发工资"就是工资，"公积金"就是公积金），只有少量无法确定的交易才交给大模型判断。
计算引擎——根据分类结果，按照《小企业会计准则》的规则生成三张报表。这一步全部用代码完成，不让大模型碰任何数字。
验证层——自动执行四项勾稽验证，确保资产负债表平衡、现金流量一致、净利润匹配。验证不通过就重算，直到对上为止。
? 为什么不直接让大模型生成整个报表？
我一开始就是这么做的——把财报和流水丢给大模型，让它直接输出三张表。
结果？数字经常对不上。大模型做语义理解很强，但做精确的数学计算很不可靠。一个数字错了，整张表就废了。
所以我最终采用了"混合架构"：大模型只做分类，计算全部用代码。这个架构是整个工具准确率能达到 100% 的关键。
至于具体的 Prompt 怎么写、规则引擎怎么设计、三表计算的公式怎么实现、各种边界情况怎么处理——这里面有非常多的细节和 know-how。
如果你对这些感兴趣，欢迎联系我们，我们提供 1v1 的 AI 项目辅导，可以手把手教你怎么把一个 AI 想法变成一个真正能用的产品。
04
踩过的坑（选几个说）?️ 大模型输出被截断
财报数据量大，三张表加起来一百多行。第一次测试时，大模型输出到一半就断了——因为输出长度超了限制。
解决方案：优化输出结构，去掉冗余数据，只输出最终结果需要的字段。同时调整模型参数，确保输出完整。
?️ 深度思考模式反而更慢
有些大模型提供"深度思考"模式，听起来更强。但实际测试发现，开了深度思考后处理时间翻倍，甚至超时失败。
解决方案：关掉深度思考，用精确模式。因为我的 Prompt 已经把每一步的规则写得非常详细，模型不需要"想"，只需要严格"执行"。结果反而更快更准。
? 启发：Prompt 写得越详细，对模型能力的要求反而越低。一份好的 Prompt 本质上是一份"操作手册"——模型只需要照着做，不需要自己推理。这意味着你可以用更便宜、更快的模型，达到同样好的效果。
?️ 文件格式千奇百怪
用户上传的 PDF 和 Excel 格式五花八门——有的列对不齐、有的有合并单元格、有的 PDF 是扫描件。文件解析这一步看起来简单，实际上花了很多时间做兼容。
解决方案：做了多层的容错处理——解析失败时自动尝试其他策略，实在识别不了就明确告诉用户"这个文件格式不支持"，而不是悄悄给出错误结果。
05
最终效果用真实数据测试，生成的报表和专业会计手动做的完全一致——每一个数字都对得上。
✅ 四项勾稽验证全部通过
☑️ 资产合计 = 负债合计 + 所有者权益合计（误差 0.00 元）
☑️ 期初现金 + 净增加额 = 期末现金
☑️ 资产负债表货币资金 = 现金流量表期末余额
☑️ 未分配利润变动 = 本期净利润
用户体验上，就三步：
? 上传两个文件 — 上期财报 + 本期银行流水
⏳ 等待 1-2 分钟 — AI 自动完成分类、计算、验证
? 下载 Excel — 三个 Sheet，格式和税务系统标准报表一致
06
成本：零可能是这个项目最让人意外的地方——整个产品的运行成本是 0。
前端是纯静态页面，服务器用的是免费额度，大模型用的也是平台的免费额度，Excel 在用户浏览器里直接生成。
没有买服务器、没有买数据库、没有买 API。
当然，用户量大了以后肯定需要升级。但在早期验证阶段，能用零成本把产品跑起来、验证需求是否真实——这在以前是不可能的。
? 这说明什么？
现在做一个 AI 产品的门槛已经低到不可思议。你不需要会训练模型、不需要有 GPU、不需要大笔资金。你需要的是：一个真实的需求 + 把各种免费工具组合起来的能力。
07
几点感悟1. 不要让大模型做它不擅长的事
大模型擅长理解语义、做分类判断。但它做数学计算很不可靠。让对的工具做对的事——这是混合架构的核心理念，也是这个项目能成功的关键。
2. Prompt 工程比你想象的重要
这个项目的核心竞争力其实不是代码，而是那份经过反复打磨的 Prompt。它包含了所有的业务规则、计算逻辑、异常处理方案。写好 Prompt 的能力，本质上是把业务逻辑翻译成 AI 能理解的语言的能力。
3. 先跑通再优化
第一版很粗糙——界面丑、没有异常处理、没有安全防护。但先确保核心功能能跑通，再一步步完善。如果一开始就追求完美，可能到现在还在做。
4. AI 落地的关键不是技术，是找到真实需求
技术门槛越来越低，但发现一个值得解决的问题，这个能力永远稀缺。我这个项目不是因为技术多厉害才成功的，而是因为"小公司老板不想花冤枉钱做报表"这个需求是真实的、普遍的、持续存在的。
08
试试看 & 联系我们这个工具现在已经上线，限时免费：
? https://findaigo.cn/finance-report
适用于小企业会计准则 · 服务类小微企业
如果你也在做 AI 落地的项目，或者想学习怎么从零搭建一个 AI 产品，我们提供：
?️ AI 工具定制 — 根据你的业务场景，量身定制 AI 工具和工作流
? 1v1 AI 辅导 — 手把手教你从需求分析到产品上线的完整流程
⚙️ Prompt 工程咨询 — 帮你设计、优化面向具体业务场景的 Prompt
感兴趣的话，直接在公众号留言或者访问我们的官网咨询：
https://findaigo.cn
很多时候 AI 不需要多厉害的模型或多复杂的架构。关键是找到一个真实的需求，然后用最合适的方式把它解决。
这就是 AI 最有意思的地方。
方狗 AI — 你遛狗，定制 AI 替你打工
关注方狗 AI 公众号，获取更多 AI 实战案例