✦ 审计 SaaS 平台与 AI 映射智能体

问题

审计团队的工作全在 Excel 里。每家客户的科目表都不一样，把账套映射到审计标准既慢又容易出错；会计准则一有变化，就得在几百个工作簿里逐个改公式。

我做了什么

我联合创办了公司，带领 5 人团队从零搭建了一个审计 SaaS 平台：

• 每个审计科目一个微服务（货币资金、应收应付、存货、收入……），各自独立的代码仓库、数据库 Schema 和部署，底层共享平台服务：底稿引擎、勾稽校验规则和多租户权限。
• 规则即数据。 公式逻辑抽离成版本化的 DSL，新会计准则只需改配置，不用改代码。
• AI 映射智能体，基于 LangGraph 和 FastAPI，把每家客户的科目自动映射到审计标准。高置信度的结果自动应用，低置信度的交给审计师确认，审计师的修正再反馈给智能体。

← 左右滑动查看完整架构图 →

关键设计决策

1. 1每个科目一个服务：独立仓库、数据库和部署，互不影响。
2. 2规则即数据：公式写成版本化 DSL，换准则只改配置。
3. 3置信度分流：有把握的自动填进底稿，没把握的交给审计师。
4. 4反馈学习：审计师的修正写回向量库，下次映射更准。

左侧：审计师通过 Web、桌面和管理后台，经 API 网关访问各审计科目的独立微服务，它们共用共享平台（勾稽校验规则、底稿引擎、版本化规则 DSL、行级安全）。右侧：客户 ERP 导出数据经 ETL 与校验进入 AI 映射智能体，智能体到 Milvus 检索相似映射；高置信度结果自动填入底稿，低置信度结果交给审计师复核，修正写回 Milvus。科目服务通过 Kafka 事件触发映射任务。

结果

• 70% 的手工 SOP 流程实现自动化，整体手工工作量减少约一半。
• 会计准则更新现在只需修改配置。
• 压测验证：5 万用户、峰值 1 万 QPS。
• 2025 年 2 月移交给运营团队。

关键决策

• 分流，而不是全自动。 在审计里，一个自信的错误答案比没有答案更糟，所以智能体只在有把握时才自动处理。
• 每个科目相互隔离。 独立的服务让每个科目按自己的规则演进，互不影响。
• 规则版本化。 审计师可以准确知道每个数字是由哪个版本的规则算出来的。