我在一家二十来人的小公司负责技术。会计姐姐每到月底对账就头疼——银行流水几百条，系统订单也几百条，一条一条核对至少三天。
这不就是AI最擅长的事吗？花了一个周末搞了一套自动化对账系统。
技术方案
Python脚本 + Claude API + Excel处理。流程：读取银行流水和系统订单Excel → 第一轮精确匹配（金额+日期） → 没匹配上的交给Claude做模糊匹配 → 生成对账报告。
精确匹配能搞定60-70%。关键是模糊匹配——比如银行流水「张三公司货款」5000元，系统里「订单2024031501」5000元日期差一天，Claude能理解备注语义做出判断。
三层匹配策略
- 精确匹配：金额相等+日期相差1天内，置信度最高
- 模糊匹配：金额差异在手续费范围内+日期3天内+备注关键词，Claude语义分析
- 异常标注：匹配不上的标为异常，Claude给出原因分析
效果
432条交易：精确匹配298条，模糊匹配112条，22条异常需人工确认。三天压缩到2小时。
关键细节
数据安全：只发脱敏数据给API，公司名人名替换为编号。更高安全要求可用本地模型。
容错：AI匹配结果标注置信度，<80%自动归入异常项让人工确认。
成本：开发一个周末，API每月十几块。
你们公司有哪些工作可以用AI自动化？评论区聊聊~
做财务系统的来说两句。楼主这个方案思路很好，但在实际财务场景中要注意几个细节：
-
金额精度问题。财务对账要求分毫不差，Python浮点数计算会有精度问题。建议用Decimal类型或者直接用分（整数）来做金额计算，千万别用float。
-
银行流水格式不统一。不同银行导出的Excel格式差异很大，工行、建行、招行各有各的列名和格式。建议做一个预处理层，把不同银行的格式统一转换成标准格式。
-
审计合规。财务数据的处理需要留痕。建议每次对账都生成一份完整的日志，记录每条匹配的依据和AI的判断理由。万一审计查账，你得能说清楚为什么这两条被匹配到了一起。
-
楼主说只发脱敏数据给API，这个做法很好。但要注意，即使脱敏了金额和日期本身也可能包含敏感信息。如果公司合规要求严格，建议用本地部署的模型。
类似的场景我们公司也有。不过我们做的是发票匹配——采购发票和入库单的自动匹配。原理差不多，也是精确匹配+AI模糊匹配的两层策略。分享一个经验：对于金额不完全一致的情况（比如含税和不含税），可以在匹配规则里加一个税率换算的逻辑，这样能多匹配上10-15%的记录。
想请教楼主一个具体问题：Claude做模糊匹配的Prompt是怎么设计的？是把所有未匹配的记录一次性发过去让它配对，还是一条一条发？
我自己试过把100多条未匹配记录一次性发给AI，效果不太好，AI容易遗漏或者配错。想知道你是怎么处理的。
我的做法是分批发的。每次发10条银行流水 + 20条候选系统订单（按金额和日期预筛的），让AI在这个小范围内做匹配。这样上下文短、AI判断更准确。全部处理完大概调用20-30次API，总耗时10分钟左右。一次性发太多AI确实容易搞混。