


> 摘要：传统审计知识库只能查条款，无法直接驱动工作流。本文介绍如何将知识库升级为"可执行知识库"，通过技能封装、Agent调度和RAG增强，实现审计程序自动执行、风险自动识别与报告智能生成。

## 一、为什么传统知识库不够用了

审计师的知识库建设已经走过两个阶段。

第一阶段是"文件柜时代"。准则、解释、案例以PDF形式散落在硬盘和网盘中，需要时靠记忆定位文件路径，打开后逐页翻阅。一个条款查询平均耗时45分钟，还常常找不到原文出处。

第二阶段是"检索库时代"。借助OCR、向量索引和语义检索，审计师可以快速定位准则条款。查询耗时从45分钟降到8分钟，这是巨大的进步。但检索库本质上仍然是"被动查询"：人提问，机器给答案，剩下的判断、执行、复核仍然依赖人工。

问题在于，审计工作的真正成本不在"查"，而在"干"。查到存货跌价准备的适用条款后，审计师还要执行减值测试程序、收集证据、编制底稿、撰写说明、交叉复核。这些环节占据了项目工时的80%以上。

**可执行知识库**试图解决这个痛点：让知识库不仅能回答"是什么"，还能直接执行"怎么做"。它的核心思想是把审计知识封装成可被Agent调用的原子技能，再由Agent根据任务目标自动组合这些技能，形成完整的审计工作流。

## 二、可执行知识库的三层架构

可执行知识库不是对检索库的简单升级，而是架构层面的重构。下图展示了我们实践中的三层架构：

![image.png](https://developer.qcloudimg.com/http-save/yehe-12479937/9af54a4db54d394b2b93f8aa03c34a15.png)

**第一层：知识资产层**

这是传统知识库的核心，包括准则原文、实务案例、程序模板、历史数据等。与过去不同的是，这些资产需要被进一步结构化：每条准则条款标注编号、适用场景、关联准则；每个实务案例标注行业、风险类型、处理结论；每个程序模板标注输入字段、输出格式、验证规则。

结构化的目的不是方便人阅读，而是方便机器调用。当Agent需要执行"应收账款坏账准备测试"时，它能自动找到对应的程序模板，读取输入要求，调用相关技能。

**第二层：技能封装层**

这是可执行知识库的关键创新。技能（Skill）是对审计程序的原子化封装，具有三个特征：

1. **输入明确**：每个技能定义清晰的输入参数。例如账龄分析技能需要"应收账款明细表"和"账龄区间"。
2. **输出规范**：每个技能输出标准格式的结果。例如账龄分析技能输出"分账龄金额表"和"应计提坏账准备"。
3. **可独立运行**：每个技能不依赖特定项目上下文，可以在任何符合输入条件的场景下复用。

常见技能包括：账龄分析、截止测试、抽样、异常检测、准则引用、脱敏处理、报告生成等。

**第三层：Agent调度层**

Agent是任务编排器。它接收审计任务目标，拆解为子任务，选择合适技能，按顺序调用，最后组装结果并提交人工确认。

例如，面对"复核应收账款坏账准备是否充分"这一任务，Agent会执行以下步骤：

1. 调用"准则引用技能"，获取CAS22关于预期信用损失的规定；
2. 调用"账龄分析技能"，计算历史迁徙率和预期损失率；
3. 调用"异常检测技能"，识别大额逾期、关联方欠款等异常；
4. 调用"底稿生成技能"，输出坏账准备测试底稿；
5. 将结果汇总，标注需要人工判断的关键点，提交审计师终审。

## 三、从文档到技能：知识萃取实战

把审计知识封装为技能，最大的挑战不是技术，而是"知识萃取"。一个资深审计师脑子里有很多隐性经验，但如何把这些经验转化为机器可执行的规则？

我们的做法是从具体项目出发，反向提炼通用模式。

以应收账款账龄分析为例。不同项目的明细表格式千差万别：有的按客户列示，有的按发票列示，有的账龄已经分好区间，有的只有发生日期。传统做法是审计师每次手动清洗数据，耗时且容易出错。

我们萃取出的通用模式是：

1. 读取任意格式的应收账款明细；
2. 识别日期字段和金额字段；
3. 按资产负债表日倒推账龄区间；
4. 应用迁徙率模型或固定比例法计算坏账准备；
5. 输出标准化结果和异常提示。

这个模式被封装为"账龄分析技能"，核心代码如下：

```python
import pandas as pd
from datetime import datetime
from dateutil.relativedelta import relativedelta

class AgingAnalysisSkill:
    """应收账款账龄分析技能：输入明细，输出账龄分布与坏账准备"""

    def __init__(self, report_date: str):
        self.report_date = datetime.strptime(report_date, "%Y-%m-%d")
        self.buckets = [(30, "1个月以内"), (90, "1-3个月"),
                        (180, "3-6个月"), (365, "6个月-1年"),
                        (730, "1-2年"), (9999, "2年以上")]

    def run(self, detail_df: pd.DataFrame,
            date_col: str = "invoice_date",
            amount_col: str = "amount",
            provision_rates: dict = None) -> dict:
        """
        执行账龄分析
        :param detail_df: 应收账款明细表
        :param date_col: 日期字段名
        :param amount_col: 金额字段名
        :param provision_rates: 各账龄段计提比例，如 {"1个月以内": 0.005, ...}
        :return: 包含账龄分布、坏账准备、异常记录的字典
        """
        if provision_rates is None:
            provision_rates = {
                "1个月以内": 0.005, "1-3个月": 0.02,
                "3-6个月": 0.05, "6个月-1年": 0.20,
                "1-2年": 0.50, "2年以上": 1.00
            }

        detail_df = detail_df.copy()
        detail_df[date_col] = pd.to_datetime(detail_df[date_col])
        detail_df["days_overdue"] = (self.report_date - detail_df[date_col]).dt.days

        def classify_bucket(days):
            for threshold, label in self.buckets:
                if days <= threshold:
                    return label
            return "2年以上"

        detail_df["aging_bucket"] = detail_df["days_overdue"].apply(classify_bucket)

        # 账龄分布
        aging_summary = detail_df.groupby("aging_bucket")[amount_col].sum().reindex(
            [b[1] for b in self.buckets], fill_value=0
        ).reset_index()
        aging_summary.columns = ["账龄区间", "金额"]
        aging_summary["计提比例"] = aging_summary["账龄区间"].map(provision_rates)
        aging_summary["坏账准备"] = aging_summary["金额"] * aging_summary["计提比例"]

        # 异常识别：逾期超过180天且金额大于10万元
        anomalies = detail_df[
            (detail_df["days_overdue"] > 180) &
            (detail_df[amount_col] > 100000)
        ].copy()

        return {
            "report_date": self.report_date.strftime("%Y-%m-%d"),
            "aging_summary": aging_summary.to_dict("records"),
            "total_provision": aging_summary["坏账准备"].sum(),
            "anomaly_count": len(anomalies),
            "anomalies": anomalies[[date_col, amount_col, "days_overdue"]].to_dict("records")
        }


# 使用示例
if __name__ == "__main__":
    sample = pd.DataFrame({
        "invoice_date": ["2026-05-10", "2026-02-15", "2025-08-20", "2024-12-01"],
        "amount": [50000, 120000, 300000, 80000]
    })
    skill = AgingAnalysisSkill(report_date="2026-08-09")
    result = skill.run(sample)
    print(f"应计提坏账准备: {result['total_provision']:.2f}")
    print(f"异常记录数: {result['anomaly_count']}")
```

这段代码的关键在于：它不接受固定格式的输入，而是通过参数化日期字段和金额字段来适配不同项目。同时，它输出的是结构化字典，而不是仅供人阅读的表格，这让它可以被Agent进一步调用。

## 四、RAG增强：让技能知道"为什么这么做"

技能封装了"怎么做"，但Agent还需要知道"为什么这么做"。这就是RAG（检索增强生成）发挥作用的地方。

以坏账准备测试为例。账龄分析技能可以计算出结果，但它不会解释"为什么采用迁徙率模型而不是固定比例法"、"什么情况下需要单独计提"、"CAS22对预期信用损失有哪些具体规定"。这些知识存储在知识资产层中，通过RAG在运行时动态注入。

具体流程是：

1. Agent接收到"复核应收账款坏账准备"任务；
2. 先调用RAG检索器，查询"CAS22 应收账款 预期信用损失"；
3. RAG返回相关准则条款、解释公告、历史案例；
4. Agent把这些上下文作为参数，调用"准则引用技能"生成引用说明；
5. 同时调用"账龄分析技能"计算数据结果；
6. 最终把"数据结果+准则依据+风险提示"组装成完整底稿。

这种模式的优势在于：知识库中的任何更新都会立即反映在所有调用它的技能中。例如，当财政部发布新的金融工具解释公告时，只需要更新知识资产层，所有涉及坏账准备测试的技能和Agent都会自动使用最新依据，而不需要逐个修改代码。

## 五、Agent调度：从单一技能到完整工作流

单个技能只能完成原子任务，真正的价值在于Agent对多个技能的编排。下面是一个简化的Agent示例，展示如何调用上述技能完成"应收账款坏账准备复核"任务：

```python
class AuditAgent:
    """审计Agent：理解任务目标，编排技能执行完整审计程序"""

    def __init__(self, knowledge_retriever):
        self.retriever = knowledge_retriever
        self.aging_skill = None

    def set_report_date(self, report_date: str):
        self.aging_skill = AgingAnalysisSkill(report_date)

    def review_receivable_provision(self, detail_df: pd.DataFrame) -> dict:
        """执行应收账款坏账准备复核工作流"""
        # 步骤1：检索准则依据
        standards = self.retriever.search(
            "CAS22 应收账款 预期信用损失 计提方法",
            top_k=3
        )

        # 步骤2：执行账龄分析
        data_result = self.aging_skill.run(detail_df)

        # 步骤3：生成审计结论草稿
        conclusion = self._draft_conclusion(data_result, standards)

        return {
            "准则依据": standards,
            "数据分析结果": data_result,
            "审计结论草稿": conclusion,
            "需人工判断事项": self._flag_manual_items(data_result)
        }

    def _draft_conclusion(self, data_result, standards):
        total = data_result["total_provision"]
        anomalies = data_result["anomaly_count"]
        return (
            f"截至资产负债表日，应收账款按账龄组合计提坏账准备合计 {total:,.2f} 元。"
            f"识别出 {anomalies} 笔重大逾期款项，建议单独进行减值测试。"
            f"依据包括：{', '.join([s['metadata']['source'] for s in standards])}。"
        )

    def _flag_manual_items(self, data_result):
        items = []
        if data_result["anomaly_count"] > 0:
            items.append("重大逾期客户是否需单独计提坏账准备")
        return items
```

这个Agent没有使用任何大模型，完全依靠规则和结构化知识完成工作。它的价值在于把原本需要审计师手动串联的多个步骤自动化，同时保留人工判断的入口。

## 六、效率对比：从"人找知识"到"知识找人"

可执行知识库带来的效率提升，不仅体现在查询速度上，更体现在整个审计工作流的缩短上。下图对比了人工模式与可执行知识库模式在四个核心环节的耗时：
![image.png](https://developer.qcloudimg.com/http-save/yehe-12479937/663b8c8a2ae1ea5a4aea77d09346a92d.png)

| 环节 | 人工模式 | 可执行知识库 | 提升幅度 |
|------|----------|--------------|----------|
| 准则条款查询 | 45分钟 | 6分钟 | 87% |
| 审计程序执行 | 90分钟 | 18分钟 | 80% |
| 风险点识别 | 60分钟 | 10分钟 | 83% |
| 三级复核检查 | 90分钟 | 15分钟 | 83% |

需要强调的是，这里的"审计程序执行"耗时18分钟，不是AI替代审计师做职业判断，而是AI完成数据清洗、计算、底稿填充等重复劳动，审计师把精力放在异常识别和结论判断上。

## 七、落地避坑指南

在实际建设中，我们总结出五条关键经验：

**1. 先建技能清单，再写代码**

很多团队一上来就写代码，结果做出一堆无法复用的脚本。正确的做法是先用Excel或文档列出所有可封装的审计技能，明确每个技能的输入、输出、调用场景，再开始编码。

**2. 技能必须输出结构化数据**

如果技能输出的是Word或Excel文件，Agent就无法继续处理。所有技能都应优先输出JSON或DataFrame，需要生成文档时再由专门技能负责格式化。

**3. RAG检索质量决定Agent上限**

Agent能调用多少正确知识，取决于底层检索器能否精准召回相关条款。建议采用"关键词粗筛+向量精排+元数据过滤"的混合策略，而不是单一向量检索。

**4. 保留人工终审入口**

审计是责任行业，AI不能独立出具审计意见。每个Agent的输出都应明确标注"已自动执行"和"需人工判断"两部分，后者必须经注册会计师确认。

**5. 从高频、低风险的程序入手**

不要一开始就尝试把完整年报审计流程自动化。建议从账龄分析、截止测试、抽样、模板填充等高频、规则明确的程序开始，逐步扩展到更复杂的领域。

## 八、总结：五条行动要点

1. **知识库的下一代是可执行知识库**：从"能查"升级到"能干"，把审计知识封装为可被Agent调用的技能。
2. **三层架构是落地骨架**：知识资产层、技能封装层、Agent调度层缺一不可。
3. **技能设计遵循输入明确、输出规范、可独立运行三个原则**：这是Agent能够编排技能的前提。
4. **RAG为技能注入"知识上下文"**：让Agent不仅知道怎么做，还知道为什么这么做，并能在法规更新时自动同步。
5. **始终保留人工终审**：AI执行程序，专家承担责任，这是审计智能化的安全边界。

**本文涉及的主要技术栈**：Python 3.13、pandas（数据处理）、RAG检索、FAISS（向量索引）、sentence-transformers（语义编码）、Chart.js（数据可视化）

**作者背景**：从事审计、资产评估与财务咨询15年以上的资深专家，同时具备Python自动化开发能力。本文基于真实项目实践，代码示例可直接运行并扩展。

> 欢迎在评论区交流你的审计智能化经验。你认为审计工作中哪些程序最适合先被封装为技能？


摘要：传统审计知识库只能查条款，无法直接驱动工作流。本文介绍如何将知识库升级为"可执行知识库"，通过技能封装、Agent调度和RAG增强，实现审计程序自动执行、风险自动识别与报告智能生成。

审计知识库的Agent化改造：从"能查"到"能干"

合伙人

人工智能

开发工具

后端

传统审计知识库仅支持条款查询，无法驱动工作流。本文介绍可执行知识库的三层架构，通过技能封装、Agent调度与RAG增强，实现审计程序自动执行、风险识别与报告生成，效率提升超80%，并附实战代码与落地避坑指南。

数据可视化

结构化数据

数据分析

数据清洗

数据处理

代码解释

Python

Agent

JSON

2026上云采购 | AI焕新·智启新局

cloudaudit

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

审计知识库的Agent化改造：从"能查"到"能干"-腾讯云开发者社区-腾讯云

审计知识库的Agent化改造：从"能查"到"能干"

审计知识库的Agent化改造：从"能查"到"能干"

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐