报销审核、合同比对、简历初筛,这些重复活最适合先交给 AI 做初筛,人只管判断。文中给了可对照的做法。

🦩 第 47 篇 · 2026 年 3 月 22 日
职能部门是公司效率的"隐形瓶颈"——财务忙着审报销,法务忙着看合同,人力忙着筛简历。这些工作重复性高、规则明确,但就是占用了大量人力。AI 赋能职能部门,核心是把"人肉流水线"变成"AI 自动处理",让职能部门从繁琐的事务性工作中解放出来,做更有价值的判断性工作。
一句话
职能部门 AI 赋能有三个代表:财务 Agent(报销审核、发票核对、财务报表)、法务 Agent(合同审查、风险识别、法规查询)、人力 Agent(简历筛选、面试辅助、员工服务)。三个 Agent 把职能部门的高重复性工作自动化,让人去做人擅长的事——判断、沟通、决策。
财务 Agent:从报销噩梦到自动审核
报销审核的现状
员工:贴发票、填报销单、等财务审批
财务:逐张核对发票、逐条审核是否符合政策、逐个计算税额
老板:等财务审批完才能打款
痛点:
- 发票核对耗时(人工逐张看,容易出错)
- 政策判断耗时(差旅标准、招待标准、品类限制)
- 报销周期长(平均 5-7 天)
报销自动审核 Agent
技术实现:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
def auto_review_expense(expense_report):
"""AI 自动审核报销单"""
# Step 1:OCR 识别发票
invoice_data = ocr.extract(expense_report.invoices)
# Step 2:发票验真(国税局 API)
for invoice in invoice_data:
verified = tax_api.verify(invoice)
if not verified:
return RejectReason("发票验真失败", invoice)
# Step 3:政策合规检查
violations = []
for item in expense_report.items:
if item.category == "招待费":
if item.amount > 500:
violations.append("招待费超标,单笔限额500元")
elif item.category == "差旅":
if item.hotel > 400:
violations.append("酒店超标,限额400元/晚")
elif item.category == "礼品":
if not expense_report.has_approval("礼品采购"):
violations.append("礼品采购需单独审批")
if violations:
return RejectReason("政策不合规", violations)
# Step 4:税额计算
tax_amount = calculate_tax(invoice_data)
# Step 5:自动通过 or 提交人工复核
if risk_score < 0.3:
return AutoApproved(tax_amount)
else:
return SubmitForReview(pending_items)
报销 Agent 的能力矩阵:
| 能力 自动化程度 备注 | 发票 OCR 识别 全自动 识别率 > 95% | 发票验真 全自动 对接国税局 API | 政策合规检查 全自动 规则明确,100% 覆盖 | 异常检测 半自动 高风险提交人工 | 报表生成 全自动 月报/季报自动生成
财务报表自动生成
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
def generate_financial_report(period):
"""AI 自动生成财务报表"""
# 读取数据
transactions = db.query_transactions(period)
budget = db.query_budget(period)
# 生成资产负债表
balance_sheet = {
"assets": calculate_assets(transactions),
"liabilities": calculate_liabilities(transactions),
"equity": calculate_equity(transactions)
}
# 生成利润表
income_statement = {
"revenue": calculate_revenue(transactions),
"cost": calculate_cost(transactions),
"profit": calculate_profit(transactions)
}
# AI 分析异常
anomalies = analyze_anomalies(transactions)
# 生成分析报告
report = {
"period": period,
"balance_sheet": balance_sheet,
"income_statement": income_statement,
"anomalies": anomalies,
"summary": ai_generate_summary(balance_sheet, income_statement, anomalies)
}
return report
法务 Agent:从合同地狱到智能审查
合同审查的现状
法务:收到合同 → 逐条阅读 → 标记风险点 → 修改条款 → 回复
销售:等法务审核 → 等修改 → 等确认 → 等签合同
痛点:
- 合同阅读耗时(一份合同平均 30-60 分钟)
- 风险点容易遗漏(人工看多了会疲劳)
- 版本对比麻烦(改了哪几处容易搞混)
- 合同量大(每个销售每月 10-20 份合同)
合同智能审查 Agent
技术实现:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
def review_contract(contract_text):
"""AI 自动审查合同"""
# Step 1:合同类型识别
contract_type = classify_contract(contract_text) # 采购/销售/租赁/服务
# Step 2:关键条款提取
key_clauses = extract_clauses(contract_text)
"""
提取结果示例:
- 合同金额:¥500,000
- 付款方式:预付30%,交付后70%
- 交付时间:2026-04-01
- 违约责任:单方终止赔合同额20%
- 争议解决:甲方所在地法院
"""
# Step 3:风险点识别
risks = []
# 风险一:付款方式风险
if "预付" in contract_text and "%" in contract_text:
prepayment_ratio = extract_prepayment_ratio(contract_text)
if prepayment_ratio > 50:
risks.append({
"clause": "预付款条款",
"level": "high",
"suggestion": "预付款超过50%风险较高,建议降低至30%以内"
})
# 风险二:违约责任不对等
if contract_text.count("甲方违约") > contract_text.count("乙方违约"):
risks.append({
"clause": "违约责任",
"level": "medium",
"suggestion": "甲乙双方违约责任不对等,建议补充乙方违约条款"
})
# 风险三:争议解决地点
if "甲方所在地" in contract_text:
risks.append({
"clause": "争议解决",
"level": "low",
"suggestion": "争议解决在甲方所在地,建议改为被告所在地或中立地点"
})
# Step 4:修改建议
suggestions = generate_modifications(contract_text, risks)
return {
"contract_type": contract_type,
"key_clauses": key_clauses,
"risks": risks,
"suggestions": suggestions,
"overall_score": calculate_risk_score(risks)
}
合同比对 Agent
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
def compare_contracts(original, revised):
"""AI 自动比对合同版本差异"""
diff = text_diff(original, revised)
changes = []
for section, change in diff.items():
changes.append({
"section": section,
"before": change.before,
"after": change.after,
"impact": assess_impact(change) # high/medium/low
})
# 按影响程度排序
changes.sort(key=lambda x: {"high": 0, "medium": 1, "low": 2}[x["impact"]])
return {
"total_changes": len(changes),
"high_impact": [c for c in changes if c["impact"] == "high"],
"medium_impact": [c for c in changes if c["impact"] == "medium"],
"low_impact": [c for c in changes if c["impact"] == "low"]
}
人力 Agent:从招聘内卷到智能筛选
招聘的现状
HR:收到简历 → 逐份阅读 → 判断匹配度 → 安排面试
面试官:准备面试 → 面试 → 写评价 → 等下一轮
痛点:
- 简历筛选耗时(一份简历平均阅读 3-5 分钟)
- 简历水分难辨(简历写得漂亮,实际能力一般)
- 面试安排繁琐(协调时间、发送通知、跟进提醒)
- 员工问题重复(入职流程/假期政策/报销流程反复问)
简历智能筛选 Agent
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
def screen_resume(resume, job_requirements):
"""AI 自动筛选简历"""
# Step 1:简历解析
parsed = parse_resume(resume)
"""
解析结果示例:
- 姓名:张三
- 学历:本科(985)/ 某大学计算机科学
- 工作年限:5年
- 最近职位:某科技公司高级工程师
- 技能:Python/Java/Go/AWS/项目管嗔
- 项目经验:电商平台重构(1000万用户)
"""
# Step 2:JD 匹配度计算
job_skills = job_requirements.required_skills
resume_skills = parsed.skills
skill_match = len(set(job_skills) & set(resume_skills)) / len(job_skills)
# Step 3:经验匹配度
if job_requirements.experience_years:
experience_match = min(parsed.work_years / job_requirements.experience_years, 1.0)
else:
experience_match = 1.0
# Step 4:综合评分
overall_score = (
skill_match * 0.5 +
experience_match * 0.3 +
parsed.education_score * 0.2
)
# Step 5:亮点和风险点识别
highlights = []
risks = []
if "985" in parsed.education or "211" in parsed.education:
highlights.append("985/211 学历")
if parsed.stable_employment: # 每段工作超过2年
highlights.append("工作经历稳定")
else:
risks.append("部分工作经历较短,可能频繁跳槽")
if parsed.has_portfolio:
highlights.append("有作品集/开源项目")
return {
"candidate": parsed.name,
"overall_score": round(overall_score, 2),
"skill_match": f"{skill_match:.0%}",
"experience_match": f"{experience_match:.0%}",
"highlights": highlights,
"risks": risks,
"recommendation": "推荐" if overall_score > 0.7 else "待定" if overall_score > 0.5 else "不推荐"
}
员工服务 Agent(内部 FAQ)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
def handle_employee_question(question):
"""员工服务 Agent:回答员工日常问题"""
# 常见问题库
faq = {
"入职": {
"入职材料": "身份证、学历证、离职证明、体检报告",
"入职培训": "入职第一周 HR 会安排",
"社保": "入职当月缴纳,次月15日前办理"
},
"请假": {
"年假": "按入职年限,1-10天不等",
"请假流程": "OA系统申请 → 直属上级审批",
"销假": "返岗后 3 天内补交证明"
},
"报销": {
"报销周期": "每周三审批,周五打款",
"发票要求": "必须为增值税发票,抬头为公司全称",
"审批时效": "提交后 3 个工作日内"
}
}
# 意图识别
intent = classify_intent(question)
if intent == "policy_query":
return lookup_policy(question, faq)
elif intent == "process_query":
return lookup_process(question, faq)
elif intent == "unrecognized":
return "这个问题我不太确定,我帮您转接 HR 同事咨询"
三类 Agent 对比
| 维度 财务 Agent 法务 Agent 人力 Agent | 核心能力 发票识别、政策检查 合同审查、风险识别 简历筛选、FAQ 回答 | 自动化程度 80% 60% 70% | 人工介入点 异常/高风险 高风险合同 终面/关键岗位 | 落地难度 中(发票 API 成熟) 高(法律语义复杂) 低(FAQ 为主) | ROI 周期 3-6 个月 6-12 个月 2-4 个月
落地建议
Phase 1(Month 1-2):FAQ + 低风险场景
- 员工服务 Agent(FAQ 自动化)
- 简历初筛 Agent(降低 HR 工作量)
- 报销政策咨询 Agent
Phase 2(Month 3-4):核心场景自动化
- 报销审核 Agent
- 合同基础审查 Agent
- 财务报表自动生成
Phase 3(Month 5+):深度智能化
- 财务预测 Agent
- 合同智能谈判建议
- 人才发展 Agent
职能部门效率提升,公司的整体运转才会顺畅——AI 不只是对外赚钱的工具,也是对内省力的杠杆。
延伸阅读
- 办公 Agent 想落地,先啃会议和流程两座山
- 本地生活门店的 Agent 团队,一次真实复盘
- 本体论:让 AI 理解业务而不是背答案
- 别急着做 AI 早报,先核对落地三环
- 别再堆 MCP 和 Skills,工具越多越乱
- 不是急着做AI和人的分工不是谁,是先核对AI落地
- 不是一岗配一 AI,我收敛成几个 Agent
- 餐饮后厨前厅供应链,AI 让每环少操心
- 餐饮老板要的 AI,是少请几个帮工
- 从本体论到知识图谱,三层架构怎么搭
相关阅读
标签
双号关注
扫码关注「广说新零售」公众号 + 视频号
本地生活 AI 落地、Agent 实操、真实门店怎么跑起来。扫码关注公众号与视频号「广说新零售」,持续看可收藏的做法;有场景也可私信聊合作。

公众号

视频号
继续读
同栏目相关文章,方便对照着看。
AI 上线头一周,先盯紧这四件要事别放
AI 落地项目上线第一周别只看 demo。盯四件事:在不在跑、对不对、人的反应、出错怎么兜。
客户说 AI 不懂我,八成是这三种原因
AI 客服不懂客户,多半不是模型问题:不知道你是谁、没接准意图、不记得你们发生过什么。
AI 项目为什么大多死在第二个月就停
AI 落地项目第一个月有掌声,第二个月只剩没人愿意干的脏活:维护、接真业务、说服使用的人。
A2A 不只是连 Agent,门店之间也要协同
A2A 的价值不止让 AI 互相说话。A 店缺货、B 店有货,门店之间能对上话才是关键。先在一家店验证。
AI 当员工还是当工具,结果完全不同
AI 落地半年后差距很明显:有人越用越省事像多带个员工,有人越用越累只把它当工具。
