Building AI Agents in Accounting¶

Ch04.004 Building AI Agents in Accounting¶

📊 Level ⭐ | 9.2KB | entities/building-ai-agents-in-accounting.md

核心要点¶

Skill 与 Config 分离：Skill 是可复用的工作流定义，Config 是业务参数配置，两者分离使系统易于维护和跨场景复用
MCP（Model Context Protocol）是 AI Agent 连接 ERP、云盘、Slack 等系统的标准协议，是实现端到端自动化的关键基础设施
人机协同模式：AI Agent 承担重复性操作，人工保留 Preparer 和 Reviewer 控制节点，符合会计内控要求
实践效果：预付账款对账从约 2 小时压缩至约 5 分钟，跨多个对账项目可节省整天的月末结账时间

深度分析¶

1. Skill-Config 分离架构的设计思想¶

文章中最核心的工程洞察是 Skill 与 Config 的严格分离。Skill（技能）是一个自包含的工作流，包含系统提示词（System Prompt）定义"做什么"、MCP 连接器定义"能操作哪些系统"、触发机制和驱动行为的配置。一个 Skill 一旦编写完成，就可以永久运行，无需每次手动调用。而 Config（配置）则是 YAML 文件，其中存放的是具体业务参数：预付账款 GL 账户代码、供应商编码映射表、重要性水平阈值、期末部分月 convention、以及路由规则（谁在哪个频道被呼叫）。当业务规则变化时，只需编辑 Config 文件，而不需要触碰 Skill 本体。作者指出这是他之前犯过的错误——把所有东西都塞进一个 Prompt 或一个 Skill 文件里，每当业务变化就必须更新整个 Skill，导致维护成本高且无法跨场景复用。分离之后，Skill 可以在多个对账(Entity/Entity 组)之间共享，只需替换 Config 文件。这与软件工程中配置与逻辑分离的原则一脉相承，与传统财务信息化中"科目表与核算逻辑分离"的思路也高度相似。从架构角度看，这种设计将 AI Agent 的能力边界（Skill）与业务上下文（Config）解耦，使得同一套 Skill 可以部署在不同的会计实体、不同的会计准则或不同的组织单元中——只要提供相应的 Config 文件即可。这大大提升了系统的可扩展性。

2. MCP 作为 AI Agent 操作系统级的连接协议¶

文章反复强调"MCP 是最大的解锁点"。MCP（Model Context Protocol）是一个标准协议，允许 AI Agent 插入到各种软件系统（Deel、NetSuite、Google Drive 等），读取数据、执行操作并在这些系统中代表用户采取行动。作者的核心洞察是：大量公司仍然把 AI 当作简单的聊天机器人使用。但如果不给 AI 系统级的可见性（visibility），它就无法完成真正端到端的工作。AI 需要"看到"完整的上下文，并有能力采取行动（哪怕是只读行动），才能真正有用。在具体实现中，作者的预付账款 Agent 通过 MCP 直连 ERP GL 模块，无需手动 CSV 导出/导入。工作底稿则通过 MCP 连接 Google Drive——Agent 读取上月工作底稿、创建新文件、写入当月新增预付及摊销数据，均由 Agent 自动完成。 Slack 是整个 Agent 的交互界面。用户通过slash command（/prepaid April）或自然语言聊天（"I want to kick off the prepaid recon for April"）触发 Agent。这意味着用户无需改变工作习惯，AI Agent 自然融入了现有的协作工作流。

3. 会计内控框架下的人机协同模式¶

文章的人机协同设计值得特别关注。AI Agent 完成工作后，并不自动过账（post JE），而是仍然保留人工 Preparer 和人工 Reviewer 两个控制节点。具体流程是：Agent 完成后生成摘要（含工作底稿、JE CSV 和 Preparer 标记），Post 到 Slack。Prepaider 负责管理 Agent、修复 Agent 标记的错误/Flag，并做一轮检查。Reviewer 则执行原有的复核程序，是最终的控制节点和签字确认人。当 Agent 标记出需要人工处理的问题时，Preparer 有两种应对方式：（1）打开工作底稿手动修复问题，然后 Slack 回复 ✅ 信号通知 Agent 重新读取文件并更新；（2）如果该问题会重复出现，则直接更新 Skill 或 Config 文件，使其在下个周期自动处理。这种设计形成了一个持续改进的正反馈循环——人工修复转化为自动化规则。这一设计体现了对会计职业本质的深刻理解：结账流程中的多层复核不是负担，而是防止错误传导的内在机制。AI Agent 的定位是"超级助手"而非"替代者"，它将人工从重复性操作中解放出来，让人聚焦于判断和复核。

4. 实施路径与演进规律¶

文章描述的演进路径并非一步到位。首次运行预付账款对账花费的时间更长，团队在此基础上持续迭代，不断改进 Skill 和 Config，最终实现 90%+ 的自动化率。这个"先让它跑起来，再持续优化" 的路径，与精益创业的 MVP（最小可行产品）思路高度一致。扩展路径也比较清晰：在预付账款对账验证可行性后，将同一套 Skill 复用到其他对账项目，最终实现整月月末结账的时间压缩。可以预见，当多个高频对账流程实现 Agent 化后，会计团队每月可节省的时间将非常可观。

实践启示¶

给财务领导者的建议¶

第一步：确认 ERP 是否有 MCP 连接器。作者明确指出，"如果你的 ERP 没有 MCP 连接器，那是第一个要解决的问题"。没有系统连接，AI 就是"盲人"，无法获取实时数据，也就无法实现端到端的自动化。在评估 AI Agent 路线图时，应优先评估现有 ERP/财务系统的 MCP 兼容性。 从小处着手，选择高频重复任务作为切入点。文章选择预付账款对账作为首个 Agent 场景并非偶然——它是月末结账中的高频重复任务，规则相对明确，且有清晰的可量化收益（2小时→5分钟）。财务团队在选择首个 Agent 场景时，应优先考虑：频率高、规则相对稳定、输出标准化的场景。 建立 Skill 资产库思维。当一个 Skill 在某个对账场景验证成功后，它可以复用到其他类似场景。财务团队应系统性地梳理月末结账流程中的各类任务，识别可复用同一 Skill 模板的场景，逐步建立内部 Skill 资产库。 不要把 AI 当聊天机器人用。真正的价值在于让 AI 连接到所有相关系统，拥有完整的上下文可见性，并能够代表用户执行操作。只有这样才能实现从"AI 辅助查询"到"AI 驱动的自动化流程"的跨越。

技术层面的关键原则¶

业务参数必须从 Skill 中剥离。GL 账户代码、供应商映射、重要性水平等业务参数应统一管理在 Config 文件中，而非硬编码在 Skill Prompt 里。这是实现 Skill 复用和降低维护成本的关键。 设计清晰的人机交互协议。当 Agent 发现无法自动处理的问题时，需要人工介入。应在设计阶段就明确：什么情况下 Agent 应主动标记问题、人工如何通知 Agent 已完成修复、Agent 在修复后如何确认并继续执行。Slack 的 ✅ 反应机制是一个简洁有效的参考。 会计 Agent 应保留完整的人工复核节点。即便 Agent 能完成 90% 的工作，Preparer 和 Reviewer 的复核角色仍应保留。这不仅是合规要求，也是持续改进的触发机制——人工修复的 Flag 应反向推动 Skill/Config 的优化。