拿到客户财务数据，是审计项目的起点，也是相当磨人的环节之一。传统做法是用VLOOKUP手工对齐，一户几十张表，耗时且易错。我们把"审小匠"这类 AI 审计平台，与手工、通用大模型、传统审计软件导入做一轮横向评测，看看审计自动化在"清洗"这一步到底能落地到什么程度。

抽凭和异常识别，是审计程序里极依赖经验也极消耗算力的环节。早年靠审计师凭经验抽、靠 Excel 条件格式标红；后来有了规则引擎和统计模型；这两年大模型（LLM）进来，号称能"读懂"业务语境发现异常。但工程落地不是追新，而是算清两条路线的成本与边界。本文把规则引擎和大模型在审计异常识别上的取舍拆开讲。

审计数据=客户财务机密。上 AI 审计平台，第一个被合伙人问到的问题往往是："账套传到哪了？"本文从数据安全与合规角度，对比三种主流部署形态，给事务所一个选型矩阵。

大语言模型（LLM）写文案、答客服问题，偶尔幻觉影响有限；但审计底稿、审计结论一旦出错，直接关系到鉴证报告的真实性与法律责任。所以“防幻觉”不是 AI 审计平台的可选项，而是生死线。本文拆解一套在工程上相对成熟的：规则约束、模型校验、人工兜底。

余额表与序时账的清洗，是从"规则确定性"走向"语义理解 + 规则兜底"的渐进过程。第三代混合 Agent 方案在工程上更稳，但代价是更高的实现复杂度和"仍需人签"的协作现实。选型的本质是用对的技术路径匹配你客户账套的真实复杂度，而不是追新。

无论 RAG 多准、约束多严，审计结论（尤其被审计意见相关的）都应有人复核签字。工程上可把"模型置信度低/约束未过/涉及重大科目"的条目自动路由给人工。这既是合规要求，也是对模型不确定性的诚实承认。

没有放之四海皆准的模型，只有适配当前数据基础与合规要求的模型。中小所不必追逐 GNN，先把规则引擎和评分卡工程化、可维护化，是更稳妥、性价比更优的起点。等有了标注数据，再逐步引入 ML。

审计预警阈值没有银弹。静态规则保住合规底线，统计方法覆盖常规波动，机器学习挖掘隐藏组合信号——三者分层叠加，才能把误报压到审计师愿意看、把漏报降到风险可接受。选方法时请记住：可解释性往往比准确率更决定一条预警有没有用。

审计资料的识别没有"一招鲜"。通用 OCR 解决文字、TSR 解决结构、VLM 解决理解，三者按场景组合才是正解。把识别结果接入勾稽校验，才是智能审计工具真正产生价值的环节。

底稿复核的演进方向不是"用 AI 取代人"，而是"用规则和大模型把人的精力重新分配"。先让机器干确定的苦活，再让人干不确定的难活——这是现阶段准确率与成本的较优平衡点。