这是一个虚构但很典型的案例：阿美是一位负责记账、报销审核、对账和报表的财务人员，最近手头在忙“完成 9 月月结和凭证整理”，同时还要准备“准备季度税务申报资料”。这次阿美需要整理一份给财务经理的费用分析报告，决定试试大模型 API 调用。

背景

对阿美来说，月底对账、报表整理、费用分析和解释财务制度很费时间，表格操作多且容易出错。偏偏这次还遇到一个变数：一笔大额应收账款逾期，需要销售部门协助催收。费用分析报告需要尽快交给财务经理，时间并不宽裕。

第一次尝试：问题出在哪

阿美一开始只写了一句话：

帮我写一份关于“部门费用预算执行情况”的费用分析报告。

结果 AI 给出的内容四平八稳却用不上。复盘下来，主要有两个问题：

  • 把 API 密钥写在代码里。
  • 发送敏感数据。

改进后的提示词

阿美按照调用大模型 API 的思路重写了提示词，核心是创建 API 密钥：

请帮我写一段 Python 脚本，调用大模型 API 批量处理费用报销中的文本：
- 输入：CSV 文件，包含“费用类别”和一列待处理文本；
- 处理：对每条文本生成一句话摘要和一个分类标签（限定：[类别列表]）；
- 输出：在原 CSV 基础上新增两列；
- 要求：API 密钥从环境变量读取；单条失败时记录错误并继续处理；每次请求之间加入适当间隔；
- 请在代码中用注释标出需要我根据所用服务商文档修改的地方。

结果（示意）

下面的效果为虚构演示，用来说明这类改进通常带来的变化：

示例（虚构）：一位数据分析师需要给 5000 条用户评论打标签。她用 AI 写了一个调用 API 的脚本，先用 50 条测试，调整提示词后再跑全量。脚本把失败的 12 条记录到单独的文件中，她手动处理了这些异常，整个任务在一个下午内完成。

拿到结果后，阿美没有直接转发，而是先删掉不符合实际情况的内容，再补上 AI 不知道的背景。

复盘：这次用到的方法

  • 先用官方示例代码完成一次最简单的调用。
  • 设计系统提示词和输出格式，用少量数据测试。
  • 加入错误处理、重试和速率控制。
  • 使用环境变量保存密钥，并防止上传到公开仓库。

之后阿美发现，同样的方法也适用于另一类场景：需要稳定、可重复的处理流程。

复盘时阿美还想到一个问题：数据会被服务商使用吗？答案是：不同服务商的数据政策不同，使用前阅读相关条款，必要时选择企业服务或本地模型。

给财务的提醒

让 AI 写公式和处理步骤，而不是把含真实金额的表格整份上传。税务和会计处理以现行法规和公司制度为准，AI 的解读可能过时或不准确。另外，对话里不要出现银行账户、工资明细、发票信息和公司财务数据。

一个额外的小技巧：定期抽查结果，防止模型更新带来的效果变化。

换成你的场景

把案例中的费用分析报告换成你手头的材料，把财务经理换成你的读者，提示词结构基本不用改。真正需要花心思的是背景描述：写得越贴近实际，结果越可用。

相关阅读