LMDeploy 在财务人员工作中的实用玩法与边界
上海人工智能实验室开源的模型压缩与部署工具——这是 LMDeploy 最主要的用途，也是本文讨论的前提。
这篇写给财务人员：围绕单据识别录入、报表说明与分析和制度问答这几类日常工作，说明它能帮上什么忙、怎么用、哪些地方必须自己把关。
财务人员的三个高频用法
1. 单据识别录入
提示词示例：
从这批报销单据中提取日期、金额、类别和事由，整理成表格，与报销单汇总金额核对，不一致的标红，不要自行修正金额。
把关：合计与单据核对一致。
2. 报表说明与分析
可直接复制到 LMDeploy 里修改：
根据这份月度报表写一段管理层说明：收入、成本、利润的主要变化及原因，原因中不确定的标注「待业务确认」。
把关：数字与报表完全一致。
3. 制度问答
在 LMDeploy 中可以这样提：
根据公司费用制度回答：客户招待费的标准和审批流程是什么？引用制度条款编号，制度没有规定的说明需要向谁确认。
把关：回答引用了制度条款。
也可以试试：接入现有应用
这是「本地与开源」类工具的通用任务，财务人员同样用得上。
通过兼容 OpenAI 格式的接口把本地服务接入现有系统，设置超时和并发上限，先在测试环境跑通。
边界与合规
财务数据属于敏感信息，优先使用企业版或本地方案，结果需复核。
- 产出由财务人员本人负责，AI 只是草稿和辅助。
- 对外内容发布前至少看一遍。
- 如单位有规定的工具清单，优先在清单内选择；LMDeploy 的同类还有 vLLM、SGLang。
一周试用建议
选一个最常做的任务连续用 5 个工作日，记录每次节省的时间和需要修改的地方，再决定是否把 LMDeploy 纳入日常流程。
补充练习
模型对比测试
输入：两到三个候选开源模型。
用 20 个真实业务问题测试候选模型，记录回答质量、速度和资源占用，选出最适合的模型。
交付前确认：测试问题相同。
小规模微调
准备材料：几百条高质量问答数据。
用这批数据做一次 LoRA 微调：划分训练集和验证集，记录训练参数，微调前后用同一批问题对比效果。
交付前确认：有前后对比。
私有知识问答
准备材料：一批不能上传云端的内部文档。
在本地搭建问答：本地模型负责回答，文档向量化存储在本机，回答时注明出处段落，断网情况下验证仍可使用。
验收标准：断网可用。
常见问题：中文效果不理想
优先选择中文训练数据充足的模型。
常见问题：升级后不兼容
固定版本号，升级前在测试环境验证。
常见问题：显存不足无法加载
换用更小的模型或更低的量化等级，或启用 CPU 卸载。
概念补充：GGUF
llama.cpp 生态常用的模型文件格式。
概念补充：LoRA 微调
只训练少量附加参数的低成本微调方法。
适合人群：咨询顾问
咨询顾问可以用 LMDeploy 处理行业研究、访谈整理等工作。需要注意：客户机密遵守保密协议，研究结论注明来源。
注意事项
涉及个人信息、商业机密或受监管数据时，先确认 LMDeploy 的数据处理条款，再决定能否使用。
文中提示词和示例仅作示意，实际效果取决于你的材料和 LMDeploy 当前版本，重要内容请人工核对后再使用。