大模型赋能财务实训

Optimization Path

面向课堂实训的轻量化优化路径

执行摘要

面向课堂真实任务，优化路径不宜走“更大模型、更多参数、完全自动化”的单一路线， 而应走“结构化输出 + 外部知识 + 会计规则 + 轻量适配 + 分层路由”的组合路线。 这条路径的目标不是让模型替代教师，也不是让学生跳过思考过程， 而是在有限成本下把模型从通用回答器收敛为课堂实训助手： 能生成草稿、能引用依据、能暴露不确定性、能被规则校验、能让教师复核。

第一步：把规范性做成硬约束

会计分录和凭证草稿不应由自由文本直接承接。系统应先规定稳定的输出 schema， 把日期、摘要、会计科目、借贷方向、金额、原始凭证数量、证据引用、置信度和是否需要复核写成明确字段。 生成后再用规则引擎检查科目白名单、借贷平衡、金额合法性、税额一致性、字段完整性和依据缺失。 这样即使模型语义理解出现波动，系统也能在进入教学环节前把明显不合规的结果拦截下来。

1. 01结构化输出把分录、依据、置信度和复核状态固定为可校验字段。
2. 02规则校验用科目白名单、借贷平衡、税额一致性约束模型草稿。
3. 03知识检索把教材、准则、量规、题库和错题案例外置到课程知识库。
4. 04分层路由低风险任务用轻量模型，高风险任务升级到强模型或教师复核。

第二步：把知识从参数中拉回系统

会计知识更新频率不一定最高，但其规范性和可追溯性要求很高。 因此，准则条文、教材章节、课程题库、标准答案、评分量规、科目表和典型错题不宜全部压进模型参数。 更稳妥的做法是建立分层知识库：稳定层放会计准则和制度口径，半稳定层放教材、课程规范和评分 rubric， 易变层放本学期案例、教师补充材料和学生常错点。 模型负责读取、组织和解释，系统负责提供依据、记录命中来源和支持教师追溯。

第三步：用轻量适配提升领域习惯

在模型层，项目可以采用可控基座模型作为高能力内核，再用 QLoRA、LoRA 或 SFT 学习会计课堂的输出习惯。 适配的重点不应只是让模型“更像会计老师说话”，而是让它稳定遵守票据描述方式、分录格式、 复盘表达结构、评分解释口径和拒答/升级条件。 这些样本必须来自经过规则校验和教师抽检的真实教学数据，否则微调只会把偶发错误放大为系统习惯。

第四步：用分层路由控制成本

课堂系统里并不是每一次请求都需要最强模型。低风险、高频率、强模板化任务可以由轻量模型或缓存承担， 例如字段抽取、格式整理、标准题复盘提示和已审计答案复用。 当任务涉及复杂业务判断、多凭证关联、低置信度、规则校验失败或学生答案与依据冲突时， 系统再升级到更强模型或教师复核。这样的混合架构可以把大模型能力用于真正高价值的环节， 同时降低平均成本和课堂等待时间。

第五步：建立可复现评测闭环

优化不能只看一个“准确率”。会计实训需要把效果拆成可复现指标： 分录正确率、科目合法率、借贷平衡率、税务处理正确率、格式合规率、依据匹配率、教师复核通过率、 首 token 时间、完整响应时间、单次请求成本和审计回放完整度。 这些指标要进入版本评测、课程回归和教学运营看板，让每一次模型更新、知识库更新或规则调整都能被比较。

最终形态：可治理的教学工作流

最终，本项目应呈现为一个受约束的会计教学工作流，而不是一个普通聊天机器人。 学生上传真实票据，系统生成可校验草稿；学生围绕草稿完成复盘，系统给出分项评分和依据； 教师复核评分、讲评薄弱点，并把高质量样本回流到知识库、规则库和领域数据集中。 这条链路让大模型保留复杂语义理解能力，让小模型承担可控高频任务， 让规则和证据承担可追溯约束，最终形成“模型生成—规则校验—评分解释—教师复核—课堂反馈”的闭环。