财务经营分析：月结看板与费用问数

财务月结经营分析拖期，原因常在于取数环节。把散落在多个业务系统的收入、费用重新对齐口径、拼成一张能看的报表，耗时可能较长。自然语言问数把这套取数动作自动化：业务人员用中文提问，系统生成可执行的 SQL，只读取授权字段，把结果直接变成看板和图表。财务的精力应从拼表转向解释数字。

月结报表的卡点在取数

多数企业的财务数据不在一个库里。收入在销售系统，费用散在报销与总账。毛利要跨成本与收入两张表计算，合并前先把三套编码对齐。月结后财务登录多个系统，各自导出 Excel，再按科目和期间进行合并。

口径靠人记是需要关注的风险之一。毛利率用收入减成本再除以收入，还是直接取系统字段，不同人算法不同。管理层拿到的两张表数字对不上，争议落在财务身上。

元数据管理把业务词钉到字段

早期数据仓库靠人工维护一张“表名对应业务含义”的文档，字段较多时维护难度会上升。自动抽取改了这件事：系统读取财务库的表结构和字段注释，把营业收入、毛利率等业务词，映射到具体的库表与字段。

自然语言问数生成可执行 SQL

自然语言问数脱胎于语义解析。早年的做法把问题限定在固定模板，用户通常只能选预设问法。大模型接入后，中文问题直接翻译成 SQL 成为可行路径，这类能力通常被称为 NL2SQL。

翻译成 SQL 只是第一步，可执行是重要环节。系统拿到生成的语句后，先做语法与字段校验：引用的表和列是否在白名单内，时间条件是否完整。校验不通过就回到模型重生成，把报错信息带回去，形成自检循环。

只读约束让账务数据碰不到

财务数据怕误写。系统在执行前给 SQL 加上只读限制，事务设为只读模式，增删改语句在提交前被拦下。字段白名单再补一道：查询列只能是登记过的业务字段，未登记列不进返回结果。

这两道约束同时留下操作日志。每次问答的提问内容与生成的 SQL，都对应到具体的人和时刻，可形成审计记录。私有化部署下，日志和账务都在企业内网，有助于满足审计留痕与数据主权的要求。

看板与异常自动出结论

单时间维度的指标自动出折线图。系统识别查询里含月份这类时间轴，就把结果按时间排成趋势线，有助于减少手工画图。收入、费用等序列，月结看板一屏看完走势。

异常点由大模型补结论。系统把当前值与预算或去年同期比较，差距超阈值的点标红，再让模型结合科目与期间写出一句解释，比如"差旅费超预算主因是展会集中在本月"。图表加结论可导出 Excel，财务把它贴进月报，有助于减少重写工作量。

小艾智能体把上述能力打包

小艾智能体可将自然语言问数配置为报表。核心链路是中文问题经编排引擎转为 SQL，落到财务库查询，结果可输出为看板和 Excel。编排引擎可基于 LangGraph（LangChain 团队开发的工作流编排框架），工作流用 JSON 或 YAML 配置，预置节点可覆盖取数、摘要，并可接入邮件发送，财务月报可一键串联从下载、处理到发送。

文档引擎可读取 PDF、Word、Excel，用语义切分和 BGE-M3（北京智源研究院发布）进行向量化，存入 Milvus（Zilliz 开源向量数据库），让制度文件也可被检索到。Neo4j（Neo4j 公司图数据库）知识图谱可将科目、部门等实体的关系构建为网络，追问“这个科目归哪个业务线”时可提供路径。系统可支持 DeepSeek、GPT-4 等主流模型按场景切换，自学习机制可将高质量问答转为新条目，有助于持续优化口径