大数跨境
首页
>
五个半天，把一家财务公司的判断力装进系统
>

五个半天，把一家财务公司的判断力装进系统

五个半天，把一家财务公司的判断力装进系统 AI驱动数字化转型
2026-10-15
1
导读：三天课，把人和组织里的判断力，变成系统里可以复用、可以追溯、可以积累的东西。本体负责谁连着谁、什么算对？智能体负责把判断执行下去，记忆负责越用越懂你们，知识库负责让这份判断力随时间增值。模型会换代，沉
日前，为某财务公司的大模型应用与智能体开发团队开发了一套课程，五个半天，课表排定。
五个半天加起来共两天半，每个半天的PPT差不多六十到七十多页。
不从概念讲起，开场就是财务场景：月末结账前，共享中心的会计收到一笔47.8万元的差旅报销。
经办人写的是总部出差，账挂在管理费用里，可差旅标准表上，这笔金额已经越过了副总审批线。
会计心里有三件事放不下：这笔钱算不算这个成本中心的期间费用，超标的那一截有没有按制度转到个人，同样的异常这个月还有几笔。
第一件她当场查得出来，后两件查不了，只能一张一张翻单子。
毛病不出在数据少，而是系统里有这条报销记录，却没有这条报销在业务上连着谁。
五个半天要讲的，就是让机器知道谁连着谁，以及这笔钱算不算对。
课的次序排得非常有讲究，先立骨架，本体讲清一家企业里有什么、彼此是什么关系。
再装手脚，智能体把判断一步一步执行下去。
接着攒经验，记忆让系统越用越懂这家公司。
还得备下资产，知识库把散落的资料收拢成能查得到的东西。
收尾用九个案例证明，前四样凑在一起能干活。
每个半天都留了至少一个能当场跑给人看的环节，讲一段，演示一段，不连着干讲。
六条原则从头贯穿到尾，能用规则算的，不交给模型猜，什么算做完由外部证据说了算。
给模型看的，是做完这一步真正需要的最小信息。
机器自动到候选为止，采用还是删除由人拍板。数据不出厂，每个结论都要能指回它的依据。

PART 01
第一天上午：本体——从哲学一路讲到工厂

开场从那笔报销开始，没讲概念。
接着才讲本体的来历，亚里士多德在《形而上学》里划出十类范畴，算是两千多年前最早的一份顶层分类。
到了计算机这一行，本体换了个问法，不问世界上真有什么，只问一个组织约定用哪些词、哪些关系来谈自己的业务。
一字之差，本体的性质就变了，它是这家公司的共识，能改，同时也能标上版本。
半天一真正的落点不在哲学上，在钱和制度这些具体的地方。
财务共享有六条主线，费用报销、应付应收、总账核算、资金支付、税务申报、报表合并。
课程逐条做了适配判断，费用的报销与稽核最适合先做，总账科目和应收应付也可以，资金支付只做确定性的校验，还有些场景压根不该交给本体。
财务跟制造业不一样的地方，课程也一条条摆开。合规要求更硬，规则更多，每一步都要留得下审计痕迹，数据分权限，账有期间，金额还讲精度。
国际上还有三个能参照的东西，FIBO、XBRL、REA，各自管什么、不管什么都交代了一遍。
收尾的案例是关联方识别，人工做这件事，要一层层追间接持股，再比对高管有没有重合，常常几个人查上好几天。
课程把控制关系具有传递性写成一条规则交给推理机，机器给出的不再是一句“这家是关联方”，它给的是一条能核对的路径，甲公司持乙公司60%，乙公司持丙公司55%，所以甲和丙构成关联。
这半天学完，人应该能判断出自己共享中心哪几件事值得做本体，该停在词表、加关系、加校验还是加推理这一档。

PART 02
第一天下午：智能体——从能聊天到能干活

课先把两件事分开，聊天式的人工智能给你方法，而智能体给你结果。
大模型缺四样东西，它没有状态，没有工具，没有记忆，也不会自己停下来。
缺的四样，都得靠模型外面的工程化补上。业界把补上的这一层叫作harness，直译是马具，其实就是给模型套的一层壳，管它读文件、调工具、管上下文、守权限。
同一个模型，套上不同的壳，干出来的活可能差出好几倍。
再往上一层是循环，让智能体自己走几步还能走得住。
一次循环分五段，观察、决策、执行、校验、更新。
停下来的条件也要三条同时具备，目标达成、预算耗尽、或者是没有新进展，少一条就容易停不下来，或者早早收工。
课程点了三种失败的样子，原地打转、过早收工、假完成，其中假完成最难防，它说自己做完了，其实没做完。
这节课安排了三个实操，当场跑给人看。
头一场是派个活看它自己跑，任务是把费用明细里超标的条目挑出来，生成一张带依据的清单，人要盯的是它会不会主动报告自己没做到的部分。
第二场拿同一件工具写两版说明做对照。差的那版只写“会计期间”，好的那版写清“要查的会计期间，格式像2026-03，不传默认当期”，结果前者常常传错，或者干脆不传，后者一次就过。
第三场是故意给它一件看着能做、其实缺数据的活，看它怎么判断自己干完了。
三场实操要说的是同一件事，智能体干得好不好，主要差别落在工程设计和验收标准上，模型只是零件。
PART 03
第二天上午：记忆——智能体从能用变好用的分水岭

没有记忆的智能体，每一回都是在从零开始。
要解决的是四类事，换个会话它还认得你，换个任务它带得走，对这家公司有越来越细的了解，和前后说法能对得上。
课程给出的是一套在本机真实跑着的体系，每一项指标都能复现，做法按层级和用途分两块，叫三层两域。
先按时间分三层，热的那层放每轮都要用到的东西，你是谁，哪些事不能碰，地方最小。
温的那层放按需检索的事实和场景，是记忆的主战场。
冷的那层放历史会话和完整文档，只在回溯的时候才翻。
一句话记住这套分法，越热的地方越小越精，越冷的地方越大越全。
底下再分四块地方，温层分事实层和场景层，冷层分会话层和内容层，四块各管一段，写入只有一条路，取的时候一层一层往下钻。
课程讲清了三件事，什么时候该写，看三个月后还需不需要；什么时候该读，任务开始、遇到歧义、要做判断这三个节点；写错了怎么办，冲突不覆盖，旧条目留在库里，只把被取到的机会压下去一点。
实操同样具体，先往库里写一条“差旅住宿上限五百元”，再换个说法问“出差住宿能报多少”，看它能不能命中。
在甲会话说定一件事，新开一个会话再问，看它记不记得，也看它说不说得出这条结论是哪次会话定下的。
库里留着半年前的旧结论，这时候给一条冲突的新事实，看它怎么处理。
还有一个跨方对账的案例，说的是同一件事三方各执一词。三份记录里，同一个通道一份说通、一份说断、一份说没这个通道，最后逐条列出哪一方该改、改成什么，这样的对账建议每个季度做一次。
这半天的后半程专门反驳一个说法，只要把全部资料塞进窗口，就等于有了长期记忆。
课程用四组公开证据，把里面藏着的三个假设逐个打掉，其中一组评测覆盖17个模型、13类任务，另一组针对18个主流模型做对比，在表述含糊的冲突场景里，参评模型正确率最高的也只有五成多。

PART 04
第二天下午：知识库——怎么建起来，又怎么查得到

知识库不是文件夹，也不是网盘，它其实分四层，原始素材、结构化知识、本体与关系、成稿与产品，各管各的，不能混着放。
从一堆资料到能查，要过四个动作，清洗、切分、标注、关联。
这四步里，切分最容易被低估，后面对不对得上，一半看它。课程建议拿本单位的数据来测，准备二三十个有明确答案出处的问题，拿两三种切法各跑一遍，看有多少道题的出处被检索到。
只看平均值不够，还要看哪些问题在哪一种切法下失败。
这节课有一半篇幅都在讲检索的边界，讲它管什么、不管什么。
课程把RAG，也就是检索增强生成，放在一个不神话也不小看的位置。模型自己不知道的、知识过期的、要给出来源的、要压成本的，它能解决。
多跳推理、全局性的问题、精确匹配、该不该答，它解决不了。
有一份实证研究把RAG出的错分成三类，切分、检索、生成，各占大约三分之一，把前两类优化好之后，生成那一类基本没动。
检索这件事，关键词检索到今天仍是难越过的底账。向量检索的强项是把同义的说法归到一处，碰到否定词和数字就不太灵。
两路结果合并有两种算法，按名次来融合更稳，倒数排名融合这个老办法的原始结论，在多数测试里优于其他融合方式。
重排模型零样本效果最好，代价也更贵。
课程还讲到多跳检索，用推理链引导检索，检索指标最多能多出21个点，问答指标最多能多出15个点。
财务场景还要另加四条约束，第一条就把出处卡死。出处要溯源到条款和凭证，数字走结构化查询，答不上来的时候必须老实说不知道，检索过程还要能审计，也就是能回放当时查了什么。
课的实操落在同一件事上，多路召回和单路放在一起跑，看清每一路在解决什么问题。
半天里的实操是问一个库里没有答案的问题。关掉拒答机制的那一版，会给出一段看着合理、其实编造的答案。
打开之后，它明确说没找到依据，并列出自己检索过的范围。
这个开关在财务团队手里必须打开，而且得能证明它是打开的。
PART 05
第三天上午：最硬核部分，案例与落地

剩下的时间讲案例和怎么落地。
这半天里摆了九个真实场景，工厂本体知识库、本体决策、本体舆情、轻量交付工具箱、企业内训、获客飞轮、人工智能原生人才管理、代码智能体、垂直视觉模型。
九个案例共用同一个内核，本体管关系和规则，模型管把话听懂、把结论讲成人话，记忆管沉淀。
换一个业务域，引擎不用换，只补这个域的语义。
有两对共用得最彻底，几乎是一套东西换了个门牌。企业内训和人才管理干脆共用同一套能力点，一头记着谁学过什么、错在哪、多久没复习，一头把候选人和岗位放到同一套能力坐标上比。
数据不出厂在案例里落了四层，从模型放在哪里开始往上收。模型放在本地，数据留在内网，读写权限分开，危险动作要人确认，每一步都有记录可以回放。
收口还是那份台账，现场用一份脱敏的费用明细，从台账一路走到能问答，依次问三类问题，本月管理费用合计多少，这笔超标了吗，这笔费用是哪个项目的。
第三类最能说明问题，纯检索答不出“哪个项目”，得靠本体里的关系。
再故意问一个超出台账范围的问题，看它拒答。
前四个半天的东西也收拢成给财务公司的落地建议，先做三件，电子凭证结构化、制度问答带出处、财务共享的智能审核。
公开的参照也摆在台面上，讲到这里已经不是猜想。财会〔2025〕9号那份文件把电子凭证会计数据标准的全国推广定了下来，会计软件要在三年内完成升级。
一家咨询机构的公开实践里，智能审核每天自动跑四万多条合规检查，退单率从12.9%降到3%。
另一家工程机械企业下属的财务公司，把上千份报告和底稿注进本地系统，用本企业的语料做了调优，报表工作从三天压到五分钟。

PART 06
五个半天的收获

说说会让听课人得到的东西。
能判断的事有几件，自己单位哪几件事值得做本体，哪些场景不该碰，该拦住错的还是该推出新的，轻重取舍到哪一档，停在词表型也已经是能用的本体，不算半成品。
能动手的事也有几件，拿现成的表格台账起步，列变成属性，跨表编号变成关系，挂上词表就能用大白话提问，把出现频繁、代价又高的判断写成最小的一套规则，对着建设检查表看自己的项目走到了哪一步。
五个半天讲的是同一件事，把人和组织里的判断力，变成系统里可以复用、可以追溯、可以积累的东西。
本体负责谁连着谁、什么算对？智能体负责把判断执行下去，记忆负责越用越懂你们，知识库负责让这份判断力随时间增值。
模型会换代，而沉淀下来的企业语义资产不会。

【声明】内容源于网络
0
0
AI驱动数字化转型
专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
内容 1105
粉丝 1
AI驱动数字化转型 专注AI，促进智造行业数据衍生，服务智能制造企业的数字化、智能化，聚焦大模型私域部署、大模型微调、数据清洗、AI模型训练、私域知识库及agent技术延展等。行业智能，落地为先。
总阅读13.3k
粉丝1
内容1.1k