第一次去这家公司，是 2025 年 10 月的一个周五晚上，晚上九点半。写字楼其他层都黑了，只有他们那层还亮着。
推开门，两个会计坐在电脑前，桌上堆着半人高的票据——那是 300 多家客户这个月的进项发票、销项发票、银行回单。一个人在对票，一个人往系统里录入，录一会儿要停下来揉眼睛。
老板李总（化名）给我们倒了水，说了一句很实在的话：
这不是个案。**代账行业的商业模式天生有个坎**：客户越多，人力成本线性上涨，但收费涨不上去。300 家客户要配 2-3 个会计，500 家就要 5 个，利润率反而越来越薄。
他们试过几个办法：
所有办法都试过之后，李总意识到：问题不在工具，在工作方式本身。人工识别票据、人工做分录、人工填申报表——这三件事占了这个团队 70% 的时间，而这恰恰是 AI 最擅长的。
正式谈需求的那次，李总没聊功能，先问了三个问题。这三个问题也是几乎所有老板都会问的。
这是最关键的。我们的回答很明确：AI 只做"预填"和"建议"，最终申报前必须由人工确认。系统会生成做账分录和申报表草稿，标注每个数字的来源（哪张票、哪个科目），会计一眼能看出对不对，确认后才提交。
换句话说，AI 是给会计配了个"不知疲倦的助理"，不是替会计签字。
财税数据是最敏感的。我们的方案是：整套系统部署在他们自己的内网服务器上，数据不出门。AI 模型调用走内网代理，只传票据识别请求，不传客户名称、税号等敏感字段（做脱敏映射）。
李总最怕的是"开发半年、上线半年、习惯半年"。我们给的时间表是 5 周，并且明确：第 3 周就能用最小版本跑通一个客户的完整流程。
因为账务处理有强烈的标准化特征——票据类型固定、分录规则固定、申报表格式固定。这类"规则明确但量大"的业务，是 Agent 最容易出效果的场景。反而那种"全靠人判断"的业务，我们不敢承诺工期。
签约后第一件事不是写代码，是我们两个人去他们办公室坐了三天，跟着会计干活。
三天下来，发现了很多"需求文档里不会写"的东西：
本以为最耗时的是录入，实际观察发现：花时间最多的是"这张票是谁的、这个月还有谁的票没到"。会计要打开微信、翻群聊、去客户群里催票，还要比对哪些客户已经交齐、哪些还差。
我们当场调整方案：原计划的"票据录入 Agent"要先生成客户票据台账，让会计一眼看到"谁还没交票"，催票自动化。
问"这笔业务该怎么做分录"，每个会计的说法略有不同。深追下去发现，规则确实存在，但从来没写成文档——都是"师父教的"。
我们花了两天时间，把两位会计的判断逻辑一条条问出来，整理成 127 条分录规则。这份规则表后来成了 Agent 的核心知识库，比任何技术都重要。
300 家客户里，有 240 家是小规模纳税人，业务简单、票据类型单一、处理方式几乎一样。真正复杂的是那 60 家一般纳税人。
这个发现直接决定了架构：不能做一个"统一的大 Agent"，要拆成按复杂度分层的多个 Agent——简单客户走全自动，复杂客户走"AI 预填 + 人工重点审"。
这是整个项目最关键的设计决策。一开始我们想得很简单：做一个"代账 Agent"，输入票据，输出申报表。但驻场后发现行不通。
业务链条太长：收票 → 识别 → 分类 → 做分录 → 生成申报表 → 提醒申报。任何一环出错，整条链就断了，而且很难定位问题出在哪。
更麻烦的是不同环节的失败后果完全不同：识别错了可以重识别，分录错了可以改，但申报表填错了直接导致漏报罚款。风险等级不一样，就不能放在同一个黑盒里。
| 设计 | 原因 |
|---|---|
| 拆成专职 Agent | 每个 Agent 只做一件事，出错好定位、好回滚、好单独优化。识别不准就调识别，不影响分录逻辑 |
| 主控编排层 | 按客户复杂度路由：简单客户全自动，复杂客户自动转人工审核。这是"风险分级"的落地点 |
| 规则库独立存 | 127 条分录规则是业务资产，必须能从代码里剥离，会计自己能维护，不用每次找开发改 |
| 申报必须人工确认 | 合规底线。Agent 只生成草稿并标注来源，会计确认后才提交，责任清晰 |
| 内网部署 | 财税数据敏感，客户明确要求数据不出内网。技术上牺牲了便利，换来了信任 |
内网部署意味着不能用公有云的大模型 API。我们的做法是：在客户内网部署一个轻量模型做票据分类，复杂的识别请求通过加密代理转发到外部大模型，只传图像和脱敏后的字段，不传客户标识。这样既保证了识别准确率，又守住了数据边界。
讲实话，过程一点都不顺利。下面这些坑，是我们真实的经历。
第一个版本上线测试，识别率惨不忍睹。原因是客户传的票据五花八门：有的是手机拍的、有的是扫描的、有的甚至是截图转发的，角度歪、光线暗、还有水印。
我们怎么解决的：不是换更强的模型，而是先做图像预处理——自动纠偏、去噪、增强对比度、裁边。这一套做下来，识别率从 68% 提到了 94%。剩下的 6%，系统会标红让会计手工补录，反而比原来全手工快。
这件事教会我们：AI 项目的瓶颈，往往不在模型，在数据质量。
127 条规则整理出来，测试时发现有 9 条在不同场景下会冲突。比如"增值税进项转出"这条，两位会计的处理方式不一样。
我们怎么解决的：把两位会计拉到一起，逐条对齐。最后统一了规则，并且加了一条"冲突时转人工"的兜底逻辑。这个过程花了整整两天，但省掉了后面无数次返工。
到期提醒 Agent 需要自动在客户群里催票。第一版直接用机器人账号发消息，结果被微信判定营销，两个客户群把机器人踢了，还有客户投诉"你们怎么让机器人跟我说话"。
我们怎么解决的：改成"内部提醒 + 人工发送"——Agent 在系统里生成催票清单和话术，会计一键复制后自己发。虽然多了一步人工，但客户体验好，也不违规。这是合规上的底线，不能为了自动化牺牲信任。
系统上线第一周刚好赶上报税期。担心出问题，我们两个人直接驻场，跟着一起加班。
第一晚发现：Agent 生成的申报表某一行税率算错了，原因是某个客户有税收优惠，系统没识别到。紧急改逻辑，凌晨三点修复。
第二晚发现：有 12 家客户的票据一直显示"未到"，追下去发现是其中一家客户的会计改了微信昵称，系统按昵称匹配失效了。改成按客户编号匹配。
| 指标 | 改造前 | 改造后（第 3 个月） | 变化 |
|---|---|---|---|
| 月均处理客户数 | 300 家 / 2.5 人 | 300 家 / 1 人 | 人力 -60% |
| 单个客户交付工期 | 7 天 | 2 天 | -71% |
| 申报出错率 | 约 3%（含漏报） | 0.3% | -90% |
| 报税期加班天数 | 每月 10–12 天 | 每月 0–1 天 | 基本消除 |
| 客户投诉（申报相关） | 月均 4–6 起 | 月均 0–1 起 | -80% |
| 可承接客户上限 | 约 350 家 | 约 800 家 | +128% |
李总说，最有价值的不是省了多少人力，而是他终于敢接新客户了。
原来 300 家就是天花板，现在同一个团队能服务 800 家。按每家每年 4000 元代账费算，这是 200 万的增量收入空间。而系统的投入，不到这个数字的十分之一。
这个项目做下来，我们对代账行业有几个判断：
第一，纯人工代账的毛利率会持续走低。价格战已经打起来了，有的地方小规模代账已经杀到 2000 元/年。靠堆人做规模的路走到头了。
第二，AI 不会替代会计算，但会替代"只会录票的会计"。标准化部分被自动化之后，会计的价值会转向"客户财税顾问"——给客户做税务筹划、风险提示，这才是收费能涨上去的地方。
第三，先做的有窗口期。一个地区的代账市场是有限的。谁先做到"300 家客户只要 1 个人"，谁就能用更低的成本打价格战，或者用同样的价格提供更好的服务。
不管是代账、批发、门店还是服务型公司，我们都做过类似的诊断。
告诉我们你的业务和痛点，24 小时内给你一份可落地的方案建议。
需求沟通全程免费，不签约不收费。