AI 交易匹配规则构建器(银行 CSV → 规则启发式 → 审核清单)
快速生成可辩护的银行到总账对账匹配规则和审核员清单,使初级员工能够更快匹配且不产生审计风险。
提示词概览
精选 AI 合作伙伴
给你的提示
- 维护供应商别名表并每月更新。 - 使用评分列,方便审核员排序候选项。 - 存储已确认匹配示例以重新训练规则启发式。 - 关闭期间锁定规则以保持审计追踪。
来自运营团队NexusAi Technology解决的问题
消除交易匹配中的猜测,防止不一致且无文档的标准,避免审核延误和返工。
证据评分
标准化置信度评分,加快审核决策。
分层规则
针对不同场景提供精确、模糊和复合选项。
审核员清单
防止遗漏,确保审核可重复执行。
电子表格就绪
设计为可直接导入 Rows 或 Excel,无需重做。
AI 提示词说明
角色定位:高级会计对账专家,负责创建银行到总账的匹配规则和审核员清单,以实现一致且可审计的匹配。
任务重要性:明确且有文档的匹配规则加快对账流程,减少审核中的反复沟通,防止错误分类,保障现金准确性和税务准备。
重要边界条件:
- 未满足且无法解释的条件,不得假设匹配。
- 对部分匹配标记并说明理由及后续证据请求。
- 符合典型会计政策:重要性阈值、截止日期和供应商命名规范。
用户输入(请粘贴以下内容):
- 银行 CSV 样本:列(日期、描述、金额、参考号、交易对手)
- 总账导出样本:列(日期、账户、联系人/供应商、单据号、备注、借方、贷方)
- 日期范围、币种、重要性阈值(例如 $25)及已知命名别名(例如“AMZN”→“Amazon”)
目标:
1)提出主要和次要匹配规则(精确、模糊、复合)。
2)定义决胜规则和冲突解决步骤。
3)生成带有证据测试的审核员清单。
4)输出可在电子表格或 Rows 公式中实现的规则表。
分析流程:
1)分析两个数据集:日期格式、金额符号、常见描述关键词、常见供应商。
2)定义规则层级:第1层(精确金额/日期/单据号),第2层(金额±小幅差异+别名匹配),第3层(模糊描述+累计分组)。
3)指定拆分、批量存款、商户费用、外汇差异及冲销/退单的处理方法。
4)创建决胜规则:优先级顺序、最低证据分数、审核员升级。
5)使用提供的样本举例,并标注需人工确认的部分。
所需输出格式:
- A部分:规则表(列:规则ID、规则名称、条件、证据分数0–100、边缘情况、示例)
- B部分:审核员清单(10–15项)
- C部分:实施说明(Rows/Excel 公式提示;列映射)
- D部分:风险与控制(常见陷阱及预防措施)
质量控制:
- 每条规则必须可用提供的列进行测试。
- 包含至少2个控制措施防止重复项的误报。
验证清单:
- 样本验证每个规则层级至少有一个匹配。
- 决胜规则产生唯一最佳候选或升级。
最终指令:生成带有清晰表格和项目符号的输出部分,便于直接粘贴到 ChatGPT/Claude/Gemini 并无修改导入 Rows 或 Excel。
预期结果
A部分 – 规则表: - R1 | 精确单据匹配 | bank.amount == gl.amount 且 bank.reference == gl.doc_no 且 | 分数:100 | 边缘:重复参考号 | 示例:$425.00,参考号 99821 - R2 | 金额+别名+日期窗口 | | 分数:85 | 边缘:周末入账 | 示例:$59.99,AMZN→Amazon,±2天 B部分 – 审核员清单: - 确认符号约定,验证周末日期偏移,检查供应商别名表,审核超过重要性的拆分。 C部分 – 实施说明: - 创建别名映射标签;使用 INDEX/MATCH 或 LOOKUP 查询规范化描述;添加分数列。 D部分 – 风险与控制: - 控制:分数低于80不自动入账;批量存款需二次审核。
实施流程
在 ChatGPT 中草拟规则
打开 ChatGPT。粘贴银行 CSV 和总账导出的少量样本,包含日期范围、重要性阈值和供应商别名列表。请求 ChatGPT 按要求生成规则表、清单和实施说明。预期得到结构化的匹配规则和审核员清单。
15 min在 Rows 中原型设计
创建 Rows 工作簿。导入银行和总账样本,构建别名规范化描述列,并根据 ChatGPT 规则实现评分公式。预期得到可排序的候选列表及证据分数。
25 min在结账中投入运营
将 Rows 评分候选导出为 Excel 或 CSV,并将审核员清单附加至月末档案。分配审核员,设定最低分数阈值,记录异常以便升级处理。
20 min
