当前，DeepSeek正逐渐成为提升企业生产力的关键因素，尤其在智能财务领域展现了巨大潜力。为具象地呈现 DeepSeek 为代表的AI大模型在财务各领域的落地效果，元年科技推出“DeepSeek财务数智化场景系列”专题，上一篇详细解析了DeepSeek 如何重塑企业差旅和费用报销体验。本文将围绕大模型在智能财务领域落地的技术架构和路径展开讨论。
挑战：企业大模型落地最后一公里的3大困境
随着DeepSeek的火热，越来越多的企业在探索大型语言模型（LLM）的数智化应用场景。然而，要实现LLM与企业运营的深度融合并最大化其效能，需系统性构建七项关键能力，并直面三大核心挑战。
首先，精准理解需求是基础。通用大模型无法识别企业私有术语和特定场景语境，需要通过知识库的建立，确保其能准确捕捉员工与客户的需求细节，为后续决策提供可靠依据。
其次，知识体系的构建需兼顾通用性与私有性。模型既要覆盖跨领域的通用知识库，又需深度学习企业特有的组织、战略、业务流程、产品特性等私有知识，以在具体场景中输出贴合实际的解决方案。
企业私有数据访问能力是发挥大模型价值的关键。企业需建立安全高效的数据获取机制，确保模型能实时调用内外部数据资源，尤其需通过加密与权限管理保障敏感数据的合规使用。此外，模型需具备与企业现有计算资源的无缝对接能力，实现复杂任务的自动化处理；同时，其动态决策与任务拆解功能应能适应市场变化，提供科学策略支持；对内部系统的深度理解则可推动流程优化与任务高效执行。
在能力建设过程中，企业面临三大挑战：首先是数据安全与隐私问题，企业在利用模型时，必须确保数据的合规使用，防止信息泄露。其次是成本问题，模型部署、推理以及应用场景开发需要高额投入，同时由于应用效果难以预估，企业可能会面临高投入低回报的情况，导致投资回报率（ROI）不足的问题。第三是模型幻觉问题，大模型有时会输出看似合理但与事实不符的信息，这些信息有时很难辨别，如果企业将这些不准确信息用于决策或业务运营，可能导致错误决策和不良后果。
元年方舟GPT：大型企业大模型落地的专属解决方案
虽然有众多困难和挑战，积极拥抱大模型所提供的新型能力，并将其转化为企业生产力，为企业运营与决策创造价值，仍然是大型企业不能回避的课题。元年科技的方舟GPT平台，提供了体系化的大模型落地的技术架构，为企业安全、低成本、可靠的接入大模型保驾护航。
方舟GPT有基础设施层、数据层、能力层、应用层四层架构构成。
基础层：大模型的算力支撑
基础层是为大模型提供算力支撑的基础设施，对于大型企业而言，通常有两种主要选择，一是可以通过公有云平台接入大模型服务商提供的模型API，二是可以私有化部署企业自己的大模型。
公有云上的大模型服务提供了强大的计算资源和存储能力，适合于对数据敏感性不高，需要快速试错的场景。它能够帮助企业以较低的成本访问最新的技术和服务，但也可能带来数据安全和隐私保护方面的风险。
私有化部署则为企业提供了更高的控制权和安全性，所有的资源都部署在企业内部的数据中心中。这种方式更适合对数据保密性要求较高的企业尽管初期投入较大，但它可以提供定制化的解决方案，并确保数据的安全性和合规性。
数据层：企业的私有知识、数据与系统的对接
在数据层，企业需要构建自己的私有知识库，并对内部数据进行语义描述以便大模型能够理解和访问这些数据。这包括但不限于：
私有知识库：企业的内部知识库为智能体提供企业的财务政策、业务流程和操作规范等信息。这些知识涵盖财务制度、会计准则、税务法规、业务流程、操作手册等。通过访问私有知识库，大模型可以实现专业的问答能力，能够理解和回答员工提出的财务问题，提供实时的财务信息与建议。
数据语义描述：为了让大模型能够访问企业内部系统纷繁复杂的数据，需要通过元数据、标签等方式对内部数据进行标注，建立大模型能够理解的数据含义描述体系，从而准确的访问内部数据，做出更精准的决策。企业典型的财务数据，包括历史账目、财务报表、业务数据、市场数据等。建立针对这些数据的语义描述和访问通道是大模型开展财务分析和决策的基础。
系统接口访问（API）：企业内部通常有大量的财务业务系统，包括费控系统、财务共享系统、司库系统、预算系统、合并报表系统、ERP、CRM等。大模型可以利用API调用能力，实现对这些内部系统的访问和操作，实现大模型驱动的业务流程自动化。企业的大模型落地实施，需要结合具体的业务场景，梳理并开发各类内部系统的API接口，并将其接入智能体开发平台，从而实现大模型对业务系统的有效访问。
企业内部是知识库、数据和系统接口，是限定大模型准确理解用户需求并精准完成任务的重要基础，对克服大模型幻觉挑战的至关重要。
能力层：大模型、小模型与智能体快速开发
能力层是整个架构的核心，包含大模型、基于科学计算的算法模型及智能体开发平台等功能模块：
大模型中台：大模型是应用的核心，它负责理解需求、拆解复杂任务、处理业务逻辑、提供决策。目前国内大模型市场上群雄逐鹿，不同的模型有各自擅长的领域，根据应用场景，选择适当的大模型才能保障应用效果。因此企业需要大模型中台的能力，提供各类主流模型一致性的访问能力，可以在场景开发过程中快速切换模型进行效果评估。
科学计算算法模型：算法模型专注于解决特定领域的数学问题，如预测分析、风险评估等，支持企业做出更加准确的决策。大模型和小模型（传统算法）结合的模式，是降低落地成本，提高准确性对抗大模型幻觉的可行模式。
智能体开发平台：用于编排、管理和保证智能体（agents）的安全运行。该平台支持开发者创建、测试和部署智能体，并提供必要的安全保障措施。智能助手和数字员工通过这一层统一访问大模型、算法、数据、系统和知识库，在权限保障和安全的前提下，实现对企业资源的有效利用。
DeepSeek等大模型是能力优异的“大脑”，具备强大的语言理解、推理和生成能力，但要真正在企业内部落地，尤其是财务领域落地，完成具体的功能和任务，还必须依赖智能体来提高“五官“和”手脚“。
智能体是一种具备自主性、交互性、目标导向和持续进化的智能系统。智能体通过调用大模型的能力，实现交互、规划、行动、反思和记忆等核心能力。
（1）交互能力使智能体能够与人类员工进行多轮交互，理解并回应员工的需求和指令；
（2）规划能力使智能体能够根据企业的财务目标和规则，制定合理的财务计划和策略；
（3）行动能力使智能体能够执行具体的财务任务；
（4）反思能力使智能体能够对自身的行动进行评估和调整，不断优化自身的性能；
（5）记忆能力使智能体能够存储和管理大量的财务数据和信息，为企业的财务管理提供支持。
智能体通过访问和整合企业的知识、数据和工具（系统API），能够实现具体的财务任务和决策。
元年方舟GPT和智能助手通过整合DeepSeek等大模型，智能体开发平台，帮助企业构建知识库，接入内外部数据、业务规则，与现有系统进行集成和融合，提供完整的大模型在企业内部落地的能力。
元年方舟GPT在企业财务领域，提供技能、助手和数字员工三层能力，与人类员工协同工作，显著提升财务管理的价值。
AI技能：大模型赋能的原子级能力。在智能体平台中，技能是最小可复用的能力单元，属于原子级能力。这些技能包括知识问答、OCR（光学字符识别）、填单、审核、记账、对账、时序预测、杜邦分析、风险识别和动态规划等。这些技能是智能体的基础，能够独立完成特定的财务任务。
智能助手：人机协同释放潜能。智能助手是基于技能构建的多技能整合体，能够与人类员工进行多轮交互，实现跨系统的规则驱动任务。例如，问答助手可以回答财务相关的问题，报销助手可以处理报销流程，审单助手可以审核单据，合同助手可以管理合同，记账助手可以记录账目，对账助手可以进行账目核对，预测助手可以进行财务预测，分析助手可以进行数据分析，风控助手可以进行风险控制，规划助手可以进行财务规划等。智能助手通过整合多种技能，能够完成更复杂的财务任务。
数字员工：虚拟劳动力重塑效率。数字员工是智能体平台的最高层能力，能够作为虚拟劳动力，端到端地完成闭环任务，进行认知推理和自主决策。数字员工可以担任费用会计、应收会计、应付会计、资产会计、薪酬会计、总账会计、业务财务、合并专员、预算专员、风控专员等角色，实现财务流程的自动化和智能化。
通过智能体平台，企业可以将技能、助手和数字员工三层能力与人类员工进行协同，提升财务管理的效率和准确性，降低人工成本，实现财务流程的优化和创新。智能体平台不仅能够处理常规的财务任务，还能够进行复杂的财务分析和决策，为企业提供更全面、更智能的财务管理支持。
应用层：集成助手和数字员工提升生产力
在应用层，各类企业应用系统中集成了智能助手和数字员工，大大提升了工作效率和生产力。例如，在客户服务中，智能助手可以自动回答常见问题；在财务管理中，数字员工能够协助完成报销审批等日常事务。这种集成不仅减少了人力成本，还提高了响应速度和服务质量。此外，随着技术的发展，这些助手和数字员工还将不断进化，提供更加个性化和智能化的服务，助力企业在竞争激烈的市场中脱颖而出。
方舟GPT平台通过四层架构，支撑企业快速接入大模型，并在智能财务众多场景中快速落地，实现低成本接入大模型的目标。
元年科技是国内唯一兼具卓越管理咨询能力和软件产品技术平台的数字化转型综合服务商，是数据应用领航者。元年科技深耕管理会计领域20余年，以管理会计思想为指导，以技术领先的PaaS平台为支撑，以数据驱动为主线，率先应用大模型等人工智能技术，为企业提供管理会计、业财税共享、数据智能应用等财务数字化和企业数字化转型解决方案。元年致力于围绕数据治理、数据模型、数据智能、数据资产和数据服务等全链条数据应用，以数据驱动企业发现经营问题、溯源归因、解决问题，实现管理更智能、运营更高效、风险更可控，助力企业管理改善与智慧运营，帮助客户成就数据驱动型企业。
