在信贷尽调场景中，客户提供的财报往往来自不同模板、不同年度，科目命名与口径不统一，人工录入后再做勾稽核对，单户耗时通常以小时计。金融AI实验室近期完成了一轮实验性验证，将工作拆成两步：先做科目到标准会计科目的映射，再做跨表勾稽与异常标记。
进展方面，我们采用「结构化抽取 + 规则校验」的分层设计，让模型只负责语义映射和摘要，勾稽关系交由确定性规则判断，两者结果都带置信度，低置信项自动进入人工复核队列。在约 300 份中小企业年报与审计报告的离线测试中，科目映射准确率约 92%，资产=负债+所有者权益、净利润与经营现金流背离等关键勾稽异常的召回率约 88%，单户解析时间压缩到分钟级。
要点：
- 实验表明，把「理解」交给模型、把「算账」交给规则，比端到端生成更可控，错误也更容易定位到具体科目。
- 下一步计划接入银行流水与纳税申报数据做交叉验证，并补充行业口径差异，重点观察映射准确率在非标模板上的衰减幅度。
当前结果仍属阶段性，尚未进入生产环境，所有自动标记仅作为尽调人员的线索提示。
评论