票据审核Agent交付复盘:准确率怎么写进合同,阈值怎么定在0.93

一次真实的交付复盘
每月12万张票据、6个审核员、上线四个月,最终方案不是全自动,而是自动通过加阈值转人工。
据一位承接票据审核智能体项目的行业从业者2026年11月12日发布的交付复盘,该项目服务的是一家集团财务共享中心,票据量为每月约12万张,涵盖差旅、办公、餐饮三类,原有6名审核员。系统上线四个月后落地的方案,并非通常宣传的"全自动",而是"自动通过+阈值转人工"。
这份复盘值得关注的地方,是它把项目里真正会吵架的部分摊开讲了:这东西到底该按什么计价、按什么验收。对正在评估同类项目的企业,这些细节比功能清单更有参考价值。
先把职责拆成三段
识别、匹配、规则校验三段各用其长,出错才能定位到具体环节。
实施方的做法,是把智能体的职责拆成三段,而不是把"审核"整个丢给模型:
- 票据抽取:从发票图像里取代码、号码、金额、税额、日期、购方销方、税号等字段;
- 三单匹配:发票、报销单、审批单三个单据的关键字段对齐;
- 规则校验:抬头是否本单位、税号是否正确、金额是否超预算、日期是否在行程内、是否重复报销。
拆分的理由很实在:抽取属于识别能力,匹配是确定性代码能解决的问题,规则校验才轮到模型判断。如果一开始就把三段混在一个提示词里,出错之后根本无法定位是哪一环的问题。这一点在财务场景尤其关键——财务要的不是"大概对了",而是"错了能查出错在哪"。
验收:把"99%"拆成四个有口径的指标
客户提的"准确率99%以上"没法写进合同,因为没说清是什么准确率。
这是整份复盘里最值得企业借鉴的一段。客户最初的要求是准确率99%以上,实施方的回应是:这句话无法作为验收依据。于是拆成四个指标,每个都配了抽样方法:
- 字段抽取准确率:抽500张票逐字段比对,目标95%以上;
- 匹配召回率:人工造200组"半对半不对"的单据,看系统能不能报出来;
- 规则误报率:把历史上被判有问题的300单重跑一遍,看有多少被误判回去;
- 转人工率:目标不超过两成,否则省不下人力。
最终写进合同的表述是"自动通过部分的人工复核差错率不超过千分之五"。这个改法很关键:它同时固定了验收依据与风险责任的边界。对采购方来说,这类条款比笼统的准确率表述更有约束力,也更接近真实使用状态。
阈值0.93是怎么试出来的
阈值定高了转人工太多,客户觉得没省事;定低了错单漏到账上,后果更重。
模型对每一单都会给出一个置信度分值,阈值是整套方案里最难调的一个参数。实施方的做法是:拿3000单历史数据,把阈值从0.80到0.99逐级试算,统计每一级的自动通过量和错判量,0.93是错判率达到合同红线之前的最后一个台阶。
当前的表现是约82%自动通过、18%转人工。值得注意的是转人工的设计——转出去的单据会带上具体原因,例如"税号与供应商主数据不一致",审核员看一眼就能处理,比重新核一遍快得多。这一点容易被忽略:转人工本身不是失败,转得不清楚才是。如果系统只是把单子打回人工、不给理由,人力节省效果会大打折扣。
三个绕不过的工程细节
复盘里提到的三处细节,都是上线后才会真正暴露的问题:
其一,去重。 同一张票可能被三个同事分别拍照上传。做法是把发票代码、号码、金额拼成哈希做去重索引,重复的直接拦掉、不送模型。这一条上线后直接省下约一成的调用量——去重看似是小事,实际影响的是成本结构。
其二,留痕。 每一单必须存"判断依据":命中了哪条规则、识别的原文长什么样、模型给的置信度是多少。财务审计时需要逐单解释,而模型本身解释不了自己。
其三,防幻觉。 模型偶尔会在税号字段"补全"出一个看起来合理的号码。解决方案是在后面加一道白名单校验,与供应商主数据对不上的标红、不允许自动通过。仅这一项检查,就拦下了十几单。
报价逻辑与两次上线波折
计费方式也值得一提。客户一开始想按"节省的人力"分成,实施方没有接受,理由是节省多少人力取决于客户自己的流程改造,而不取决于软件。最终定的是基础年费加自动通过单量计费,单价比人工审核一张票据的综合成本低约四成。对客户来说用多少付多少,对实施方来说自动通过率越高收入越高,双方目标一致。
上线四个月的数据:审核周期从平均三天缩短到当天,自动通过部分的人工复核差错率为千分之六点八,略高于合同约定的千分之五,后来靠补规则拉回;报销人投诉量下降。
复盘还坦白了两次波折。一是模型升级:供应商换了版本,字段抽取看起来更准了,但一批境外发票的税率字段开始错位,由于没做版本回归就直接灰度,第二天财务发现三十多单税额对不上。此后定规矩:模型版本变更必须重跑固定评测集,不达基线不准上。二是版式变更:有供应商换了发票模板,备注栏从右下角移到中间,抽取直接返回空值,靠字段完整性校验当天发现并告警。
给企业的三个参照点
这份复盘最有价值的一句判断是:这类项目最容易谈崩的地方,不是技术能不能做,而是"什么叫做好了"没人说清楚。落到企业在评估同类方案时,可以对照三点:
- 验收口径是否具体到抽样方法:没有抽样口径的准确率数字,基本无法作为付款依据;
- 转人工是否有原因标注:能说明"为什么转",人工才可能真的减少,否则只是把活挪了个位置;
- 交付是否包含版本回归与版式监控:识别类系统的问题大多不在首次上线,而在后续的模型升级与外部单据变化。
一句话总结这份复盘的态度:客户想要一个不会错的人,而供应商能给的是一个会犯错、但知道什么时候该求助的系统。前者不存在,后者的边界划清楚了,项目才走得下去。
(据行业从业者2026年11月发布的交付复盘整理,涉及企业主体与供应商名称未作披露;本文只讨论工程方法与验收口径,不构成税务或财务意见。)








