财务智能体开发：Content驱动的工作台方法论详解

从ERP到AI：财务人的技术变革之路

在这场关于财务智能体开发的分享中，主讲人回顾了自己二十年前参与ERP系统实施的经历，为理解当下的AI转型提供了一个耐人寻味的参照系。

ERP（Enterprise Resource Planning，企业资源计划）系统是20世纪90年代至21世纪初企业信息化的核心载体。ERP实施的本质是将企业的财务、采购、生产、销售等业务流程固化到信息系统中，其成功率长期徘徊在30%-50%，失败的主要原因往往不是技术问题，而是业务流程梳理不到位、组织变革阻力大、基础数据质量差等管理层面的挑战。

无论是当年在大连港实施金蝶EAS（金蝶软件面向大中型企业推出的企业级管理套件），还是在皮口企业落地Oracle EBS（甲骨文公司的旗舰级ERP产品，代表国际ERP的典型方案），实施团队的核心工作其实从来不是敲代码——八人团队里六人是财务出身，没有一个计算机专业人员。他们真正做的事情是：梳理管理流程、整理历史数据、建立标准化模板。用主讲人的话说，传统SaaS软件的实施过程，本质上是「资源整理和管理规范化的过程」。

这个观察在AI时代依然成立，只是资源的形态发生了根本变化。ERP时代整理的是结构化数据——统一编码、关系型表格，即那些能够存储在关系型数据库中、具有明确字段定义和数据类型的信息，如会计科目编码、财务报表数字、交易记录等。而在人工智能转型中，需要处理的还包括大量非结构化信息——合同文本、会议纪要、政策法规原文、扫描件图片等。据IDC估计，企业中80%以上的数据属于非结构化数据，传统ERP系统主要处理结构化数据，而AI大模型的核心突破恰恰在于对非结构化信息的理解和处理能力，这使得原本"沉睡"在企业中的海量文档、制度和经验知识有了被系统化利用的可能。国际咨询公司在为主权财富基金（由国家政府管理的投资基金，如挪威政府养老基金、阿布扎比投资局等，管理资产规模通常在数千亿至上万亿美元）做AI战略咨询时，把这一切统称为一个核心词：Content（内容）。这类机构因其投资决策的复杂性和信息处理量之大，成为AI转型的先行者，而咨询公司为其制定的AI战略核心观点是：数据资产和知识内容的质量决定了AI系统的上限，而非模型算力本身。

Content：决定垂直领域智能体性能的核心因素

主讲人抛出了一个颇具启发性的判断：决定垂直领域智能体性能的，往往不是AI模型本身，而是Content。

「只要我们做的不是高精尖的科研，AI性能上的差异在管理场景里基本可以忽略掉。为什么我做的会比你做的好？就是因为我的content比你做的好。」

这个观点解释了一个常见的困惑：为什么让一千名老师去开发医疗行业智能体会一事无成，而一家医院却能轻松产出大量应用？答案在于——他们拥有医疗领域的Content，而外行没有。

Content可以被理解为「能够给公司当前和未来产生收益的一切信息内容」，它既包括结构化的数据资产，也包括制度、法规、工作流程、非结构化文本等。财务垂直领域的智能体开发，本质上就是要把这些庞杂的Content有效组织起来，转化为能驱动开发的专业技能。

正是基于这个认知，才诞生了「智能体开发工作台」这一核心工具。据介绍，在约一个月的培训周期内，团队带领学员开发出了两万多个智能体，覆盖了财务实务领域不同类型企业90%以上的开发需求。

从代码范式到Prompt工程范式的转变

主讲人清晰地区分了两种开发范式的差异。

代码开发范式的困境

传统的信息化战略遵循「编写—编译—调试—部署—上线—维护—迭代」的代码开发路径。这条路对财务人几乎是封闭的：

「这两年大家都教财务人学Python，学来学去有没有人真正做出一个像样的系统来？没有。学得再好，充其量能写Python爬取点数据、对文本做简单处理，仅此而已。」

Prompt工程范式的可行性

工作台遵循的是提示式工程（Prompt Engineering）范式。Prompt Engineering是指通过精心设计输入给大语言模型的指令文本，来控制模型输出质量和方向的技术方法。它不需要编写传统程序代码，而是通过自然语言描述任务目标、提供上下文信息、设定输出格式和约束条件来实现功能。其核心技术包括零样本提示（Zero-shot）、少样本提示（Few-shot）、思维链（Chain of Thought）、角色扮演（Role Playing）等，核心挑战在于如何将复杂的业务逻辑和专业知识有效编码为模型能理解的指令结构。

无论是Coze（字节跳动推出的AI Bot开发平台，允许用户通过可视化界面配置AI智能体，支持插件调用、知识库管理和工作流编排）、Workbody还是近期热门的开发工具，其本质都是把指令交给大模型API去执行并输出结果。这些平台的共同特点是降低了AI应用的开发门槛，但其通用性设计也意味着在垂直领域的深度应用上存在局限——它们提供了"工具"，但不提供"专业内容"和"领域知识"的系统化组织方法。因此，工作台最终输出的产物，就是一个系统性的Prompt工程。

这个工程的基本逻辑链条是：需求对话 → Prompt编写 → 效果评估 → 迭代应用。工作台正是在这个基础流程上，通过持续迭代，内嵌了大量专业资源与关键技术，让财务人得以绕过代码门槛，直接产出可用的垂直应用。

针对「为什么用了Workbody还需要工作台」的质疑，主讲人给出了明确回答：直接使用Workbody很难做出真正可用的垂直系统。只有通过工作台，才能把集团公司复杂的Content结合具体需求，转化为专业技能并嵌入Prompt工程——这正是工作台不可替代的价值。

智能体三层架构与四层配置机制

财务智能体的标准架构

财务智能体遵循智能体开发的通用架构，分为三个层级：

• 感知层：负责信息采集。核算型会计的典型技术是OCR（Optical Character Recognition，光学字符识别），即将图片中的文字转换为可编辑文本的技术。在财务场景中，OCR主要用于发票识别、银行回单解析、合同关键信息提取等。随着深度学习的发展，现代OCR已从简单的字符识别进化为"智能文档处理"（IDP），能够理解票据的版式结构、自动提取关键字段并与会计科目映射，在规范票据上准确率已超过99%。管理型会计则依赖Excel模型的自动化。
• 推理层：包括企业制度、公共政策法规，以及内嵌的约1300多个工作流程，这些流程本身就是一种推理机制。
• 行动层：从传统的报告、图表、文字输出，扩展到对本地文件的直接操作（新建文档、写入信息等）。

AI驱动的四层配置机制

工作台的智能应用有一个明确的判断标准：必须在过程中消耗token，让API帮助你的大脑解决问题，而不仅仅是帮助鼠标解决问题。Token是大语言模型处理文本的基本单位，中文中大约每1-2个字对应一个token。当应用在运行过程中"消耗token"时，意味着它实际调用了大模型的推理能力来理解、分析或生成内容，而非仅执行预设的规则逻辑。这个标准将"真正的AI应用"与"披着AI外衣的传统自动化"做了明确区分——后者可能只是用预设脚本完成固定动作，而前者则利用AI的理解和推理能力辅助人的认知决策。

围绕这一点，工作台设计了四层配置机制：

1. 专业知识配置——发挥财务专业知识，这也是外行「看不懂」的核心壁垒；
2. AI能力与交互配置——确定哪些AI能力与该智能体相关；
3. 外观形态配置——追求「看上去简单、用起来强大」，而非堆砌复杂界面；
4. 渲染交互表单配置——如用可交互网页替代PPT进行汇报，实现现场实时交互。

六大工作模式与技能库资源体系

工作台经历了从九个模式精简到六个模式的迭代，体现了「越简单越好」的设计哲学。这六大模式分别为：工作事项、岗位助理、财务模型、财经资讯、财经科研、财快教学。

之所以要区分模式而非统一处理，是因为不同模式所需调研的信息、配置的资源各不相同。各模式的资源配置堪称庞大：

• 工作事项模式：内建五类技能库；
• 岗位助理模式：在五类技能库基础上增加54项制度；
• 财务模型模式：195个企业工作表单和底稿模型；
• 财经资讯模式：整合514个财务实务领域网站；
• 财经科研模式：内置数据库、专业字典及20项研究方法技能；
• 财快教学模式：内置800多张财快类教具。

仅工作事项模式的技能库就包含25个后端数据库、54项企业制度、涵盖各岗位的302项工作流程，以及公共财经数据库和文本库。

主讲人特别强调了梳理Content的真实难度：制度之间可能相互矛盾、部分制度实际无法执行、工作流程未必能与信息系统映射、后台数据可能存在「线上线下两套账」的问题。「但凡这里面有一粒老鼠屎，这锅粥就用不了了。」 这也是为什么为大型集团做AI转型需要专业咨询团队长时间梳理的原因。这一挑战与二十年前ERP实施中"基础数据治理"的难题如出一辙——技术从来不是瓶颈，数据和制度的质量才是。

设计理念：理解业务、确定资源、AI生成

工作台的整体设计理念遵循三个步骤：

1. 理解业务——通过前置的「任务广场」帮助用户理解业务需求；
2. 确定资源——识别需求会用到哪些公共资源和企业内部资源；
3. AI辅助生成Prompt工程——将需求与资源整合为专业的开发指令。

为解决「开盲盒」式的不可控感，工作台新增了侧边栏智能助手，具备三大功能：实时记录用户的需求与配置（项目记录）、提供专业指导解析、增强Prompt工程的可控性。

这里体现了一个重要理念：AI不应替用户做选择。因为很多决策本身没有最优解，需求根植于每个人的具体工作场景，AI无法代替。以预算编制方法为例，弹性预算（Flexible Budget）根据实际业务量水平动态调整，能更准确评估成本控制绩效；固定预算（Static Budget）基于预设的单一业务量水平编制，编制简单但在业务波动时评估失真。制造业季节性波动大可能适合弹性预算，政府机关支出相对稳定则适合固定预算——这类决策必须结合具体组织环境判断，是AI无法替代人类专业判断的典型场景。智能助手的作用是帮助用户「理解自己的需求」，而非直接给出答案。

从单项任务到综合智能体的进阶路径

主讲人建议从「财务单项任务」入手——任何复杂事情都由简单事情组成。若每天完成一个单项任务智能体，一个月便可积累30个，随后整合为强大的岗位助理。

关于整合方法，操作路径也很直接：将多个带有开发工具「记忆文档」的项目文件放入同一文件夹，再给AI一个指令，让其将多个项目功能整合到一个智能体中即可。这种"模块化组装"的思路与软件工程中的微服务架构理念相通——先保证每个单元功能的可靠性，再通过编排实现系统级能力。

最后需要厘清的是：此次开发的财务智能体面向实务界使用，而非财务教学。教学场景仅体现在「财快教学」这一个模式中，并非本轮开发的重点。

结语

这套方法论的价值，或许不在于技术本身有多前沿，而在于它清晰地指出了财务AI转型的关键路径——以Content为核心，以Prompt工程为载体，以工作台为组织工具。当行业普遍纠结于「学不学代码」时，这条路径提供了一个更务实的答案：财务人的核心竞争力，始终在于对业务、数据与制度的深刻理解，而AI时代放大了这种理解的价值。

从更宏观的视角看，这也印证了技术变革的一个规律：每一轮新技术浪潮中，真正的赢家不是最先掌握技术工具的人，而是最深刻理解业务本质、并能将业务知识与新技术有效结合的人。二十年前ERP时代如此，今天AI时代亦然。