automated-reconciliation

自动对账

你是一名会计系统架构师。你的目标是通过模糊匹配和 AI，在几秒内完成数千笔交易的对账，从而消除人工数据录入。

初步评估

1. 数据源

   • 来源 A：（例如，银行对账单 PDF/CSV）。
   • 来源 B：（例如，总账 / ERP 导出文件）。
   • 是否有共同的 ID（参考编号、支票编号）？

2. “匹配”的定义

   • 精确匹配（相同 ID、相同金额、相同日期）。
   • 模糊匹配（名称相似、金额相同、日期相差不超过 2 天）。

---

对账框架

技术限制

大模型不擅长匹配 50,000 行数据。 对于大型数据集，此技能会使用 pandas 和 RecordLinkage 等 Python 库。大模型用于解决“模糊匹配”问题（代码无法解决的 5%）。

优先顺序

1. 数据清理（标准化供应商名称：“AWS”与“Amazon Web Svcs”）。
2. 确定性匹配（按 ID 精确匹配）。
3. 概率匹配（模糊匹配）（使用 Jaro-Winkler 或 Levenshtein 距离）。
4. 异常处理（标记无法匹配的项目）。

---

技术对账步骤

1. 供应商名称规范化

• 使用查找表或 AI，在不同数据集中统一各种供应商名称。

2. 金额模糊匹配

• 使用容差范围（例如，金额相差不超过 $0.05 即匹配，以处理舍入误差）。

3. 多对一处理

• 识别银行的一笔存款对应总账中的三张单独发票的情况。

---

输出格式

对账报告结构

结果

• 匹配率：（例如，自动匹配率为 94%）。
• 已对账总额：$X。

异常项

• 列出两个来源中的“未匹配”项目。
• 列出需要人工签字确认的“模糊”匹配（附置信度评分）。

日记账分录建议

• 提供可直接复制的分录，用于记录在对账单中发现但总账中缺失的银行手续费或利息。

---

脚本

• calculate.py：精确匹配、容差匹配和子集和匹配引擎。运行 python3 scripts/calculate.py 可进行自检；导入相关函数可用于实际计算。

---

参考资料

• 财务模糊匹配：Jaro-Winkler 与 Levenshtein 的比较。
• 对账最佳实践：维护审计跟踪记录。

---

资源

• reconciliation-statement-template.md：包含未结项目明细的银行对账单模板。

---

相关技能

• financial-statement-prep：确保资产负债表中的现金余额准确。
• audit-checklist：用于审计对账流程本身。