做财务的人大概都经历过一种特殊的月度折磨。
每个月关账之后，要从不同系统导出五六个 Excel，手工对齐行列、替换外部链接、更新公式、校验数字，最终产出一份库存预测汇总报表。一整套流程跑下来，快则半天，慢则一整天。
最可怕的不是慢，是每个月都要重新来一遍，而且每次都可能出错。
一、Excel 地狱长什么样
先说背景。我接触到的这个真实场景，是一家消费品企业的供应链财务团队在做库存预测汇总。
每个月他们需要处理 5 个 Excel 输入文件：
- 库存实际报表：当月的实际在手库存、在途库存、破损和准备金数据
- 下月预测表：下个月的库存预测明细
- 全年预算表：剩余月份的预算数据
- 财务准备金表：特殊的财务调整项
- 偏差分析表：实际与预测的对比分析
这 5 个文件要汇总成一份结果表，包含「数据库底表」和「汇总分析页」。底表按 SKU 和品牌维度组织，涵盖在手库存（Onhand）、在途库存（In-Transit）、破损（Damage）、准备金（Provision）四大类。汇总页再从底表拉 SUMIFS 做品牌级汇总、趋势对比、移动平均。
痛点在哪？
第一，外部链接是噩梦。 结果模板里大量公式引用了输入文件的绝对路径。每个月文件名变了、路径变了，公式就全挂了，得一个一个手工修。
第二，计算规则藏在公式里。 不同行区有不同的取数逻辑：Onhand 从一个文件的 F 列取数量、I 列取金额再除以 1000；Damage 要取反；Provision 有特殊的梯度乘数规则。这些规则分散在几百个单元格的公式里，没有文档，全靠老员工口传。
第三，每个月都是一次性工作。 上个月做完的结果没法直接复用，因为月份版本变了——3 月实际 + 4 月预测 + 5-12 月预算，到下个月就变成 4 月实际 + 5 月预测 + 6-12 月预算。结构不变，但数据来源全变。
一个老练的财务分析师做完这套流程需要 8 小时以上，其中超过一半的时间花在「对齐」和「校验」上——不是在分析，是在当人肉 ETL。
二、用 AI 重新搭这套流程
我的思路不是从零造一个 BI 系统，而是贴着现有工作流做最小改造。
核心设计原则：模板驱动 + 固定规则计算 + AI 问答调整。
整套系统用 Python 搭建，前端是轻量 Web 页面，后端处理 Excel，LLM 负责自然语言理解。
第一步：智能识别，不靠文件名
传统做法要求文件名严格规范。但现实中财务人员导出的文件名五花八门。
我的做法是按页签结构识别文件角色，而不是靠文件名。系统扫描每个 Excel 的内部页签名称和关键字段，自动判断它是库存报表、预测表还是预算表。同时从文件名和页签中推断当前的月份版本——比如看到「RP-Apr」就知道这是 4 月滚动预测版本，据此自动推算哪些月份是实际数、哪些是预测、哪些是预算。
第二步：模板驱动，不从零生成
现有结果模板包含大量公式、图片、样式和历史对比数据。从零用代码生成一份等价的 Excel 几乎不可能，且极易和现有口径不一致。
所以系统直接复制现有模板作为底稿，只替换输入文件的外部链接指向，然后重新计算需要更新的数据区域。保留了模板中所有历史月份的冻结数据、公式结构和展示格式。
第三步：自动计算 385 行底表
这是最核心的工程量。系统按物料编码逐行遍历，从对应的输入文件中提取数据：
- Onhand 区（约 74 行 SKU）：从库存实际报表取 3 月数据，从预测表取 4 月数据，从预算表取 5-12 月数据
- In-Transit 区：同样逻辑，但取不同列
- Damage 区：取数后统一转为负值
- Provision 区：含特殊的梯度乘数规则
每一行的数量、金额、单价都要计算，然后做区块汇总和四合一总计。最后重建汇总页的 SUMIFS 公式，按品牌维度重新统计。
整套计算从上传到输出，跑完大约 2 分钟。 过去 8 小时的手工活，压缩了 240 倍。
第四步：自然语言调整
这是 AI 介入最深的环节。
财务人员经常需要在初始结果基础上做微调——比如「把 4 月某品牌的在途库存减少 500 箱」。传统做法是找到对应单元格，手动改数字，再手动更新所有受影响的汇总公式。
现在用户直接用中文输入调整意图，系统调用 LLM 将自然语言解析成结构化动作：月份、品牌、指标、方向、数量。然后自动写回底表、按 SKU 占比分摊、同步更新金额和汇总。
关键设计：AI 不直接改 Excel，而是先转成明确的结构化动作，经过规则校验后才写回。 防止模型幻觉导致数据被改坏。每次调整都有完整的审计日志——改了哪些单元格、改前什么值、改后什么值。
三、撞到的墙和学到的事
做完这套系统，最大的感受不是「AI 真厉害」，而是财务领域的自动化，难的不是技术，是业务规则的显性化。
硬编码的噩梦
底表的行区范围是固定的——Onhand 占第 3 到 76 行，In-Transit 占第 80 到 153 行。输入文件的取数列也是固定的。这意味着一旦业务新增了 SKU 或者导出报表的列位置变了，程序就会出错。
这不是代码写得烂，而是现有的 Excel 流程本身就是硬编码的——只不过硬编码在人的脑子里，人能灵活适应变化，代码不能。把这些隐性规则全部挖出来、文档化、代码化，花的时间比写计算逻辑本身还多。
数据敏感性
财务数据极其敏感。系统设计上，原始明细不会发送给 LLM——只传递必要的汇总信息、字段定义和用户问题。自然语言调整也不是让模型去猜应该改什么数字，而是让模型理解用户意图，转成结构化指令后由确定性代码执行。
AI 做理解，规则做执行。 这是我在这个项目里摸出来的最核心的边界划分。
模板复用 vs 全量重建
我在开发早期纠结过要不要用代码全量重建 Excel。最终选择了模板复用，原因很实际：现有模板的公式逻辑、样式、图片是多年积累的结果，任何遗漏都会导致财务口径不一致。在财务领域，「结果和以前一模一样」是最基本的验收标准。
四、AI 在供应链财务的更大图景
这个项目只是起点。往远了看，AI 在供应链财务领域的提效空间远不止「加速 Excel」。
第一阶段：自动化（正在发生）。 把重复的手工流程用代码固化，用 AI 理解自然语言，大幅压缩执行时间。这就是我这套系统做的事。
第二阶段：智能化（正在探索）。 不只是自动执行，还能主动发现异常——为什么这个月某品牌的在途库存突然飙升？是供应商发货节奏变了，还是数据录入有误？AI 可以在汇总完成后自动做归因分析，把「这些数字变了」和「为什么变了」一起呈现。
第三阶段：预测化（尚未到来）。 基于历史数据训练预测模型，在月初就给出库存预测的初始版本，财务人员只需要审核和微调。从「人算完让 AI 查」变成「AI 算完让人看」。
供应链财务自动化的终局不是替代财务人员，而是让他们从"数据搬运工"变成"决策分析师"。当 80% 的时间不再花在数据对齐上，他们才有精力去思考真正重要的问题——库存策略该怎么调、预测偏差背后的业务原因是什么。
五、对普通人的启示
做完这个项目，我越来越确信一件事：AI 提效的最大红利，不在那些已经数字化程度很高的领域，而在那些还困在 Excel 和手工流程里的传统岗位。
这些岗位的特点是：流程固定但复杂，数据量不大但规则多，人力成本高但难以规模化。财务、采购、运营、供应链——每一个领域都有大量「Excel 地狱」等着被重新设计。
而做这件事不需要大团队。我这套系统的全部代码——后端服务、Excel 处理引擎、LLM 客户端、前端页面——是用 AI Agent 辅助一个人完成的。从需求理解到第一版交付，不到一周。
这和我做 Zaokit 的逻辑是一样的：不是用 AI 替代人，而是用 AI 把一次性的人力服务变成可复用的能力模块。 每做一个项目，都在往自己的能力库里沉淀一层。
写在最后
这篇文章的内容做了脱敏处理——具体的公司名、品牌名、SKU 编码和财务数据都已经替换或概括。但工程逻辑和设计决策是完全真实的。
如果你也在做类似的事——用 AI 改造传统财务流程、搭建自动化工作流——我最大的建议是：别一上来就想做全量智能化。贴着现有流程，用最小改造证明价值，再逐步迭代。 财务是一个对「结果一致性」极度敏感的领域，任何花哨的功能都抵不过「算出来的数字和老方法一模一样」。
先跑通，再跑快，最后才跑远。
我是 Jason，一个独立打造 AI 产品的创业者。如果这篇文章对你有启发，欢迎转发给关注 AI 与企业提效的朋友。
我一个人打造的 Zaokit AI 产品（https://zaokit.app）已融入企业工作流，2026 年 5 月 31 日前 1000 名用户赠送价值 150RMB 的 Pro 计划，助力大家高效完成图文创作和 PPT 生成，唯一网站：https://zaokit.app
最后，如果你认可 Zaokit AI 的产品理念，欢迎后台留言加入我们的社群。我们不卖课、不割韭菜，只聚焦 ToB 企业场景的 AI 落地实战。 希望在这里，能给你带来不一样的思维火花和真实的商业碰撞。
相关阅读：
