在「本地与开源」类工具里，MLC LLM 的定位是：把大模型编译部署到手机、浏览器等设备的开源项目。

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

可直接复制到 MLC LLM 里修改：

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

提示词示例：

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

提示词示例：

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：私有知识问答

这是「本地与开源」类工具的通用任务，财务人员同样用得上。

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。

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；MLC LLM 的同类还有 llama.cpp、MLX。

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 MLC LLM 纳入日常流程。

更多可以试的用法

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。

验收标准：测试问题相同。

接入现有应用

准备材料：一个已有的业务系统。

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。

检查点：超时与并发有限制。

小规模微调

输入：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。

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。

常见问题：生成速度很慢

检查是否使用了 GPU 加速，减少上下文长度。

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。

概念补充：LoRA 微调

只训练少量附加参数的低成本微调方法。

概念补充：许可证

规定能否商用、是否需署名等条件，部署前必须阅读。

适合人群：数据分析师

数据分析师可以用 MLC LLM 处理取数与 SQL、清洗与可视化等工作。需要注意：确认指标口径，敏感数据脱敏后再交给 AI 处理。

写在最后

涉及个人信息、商业机密或受监管数据时，先确认 MLC LLM 的数据处理条款，再决定能否使用。

本文基于 MLC LLM 公开的定位与通用用法编写，具体功能、套餐与可用地区以官方页面为准，产品更新后界面和名称可能变化。

延伸阅读