审计数据血缘怎么追踪手工台账、列级血缘解析与 Agent 自动标注的对比背景为什么审计要关心数据血缘审计师在底稿里写数据来源于科目余额表 → 筛选应收账款 → 计算账龄这句话本质上就是一条数据血缘data lineage从源数据到审计结论的字段级加工路径。传统做法是审计员在 Excel 里手工维护一张数据来源说明但这张表往往和真实计算脱节——Excel 公式改了、说明没改底稿移交后没人说得清某列数字经历了哪些步骤。在 AI 审计平台里数据血缘的价值被进一步放大大模型要解释为什么建议计提坏账必须能回溯到某一行银行流水、某一条记账凭证监管检查发现异常时审计师要在几分钟内说清这个数字经过了哪几步转换。本文对比三种主流血缘追踪技术路线在工程落地上的差异并给出选型参考。一、路线一手工台账人工登记血缘这是审计中长期沿用的方式。审计员在底稿旁附一张数据来源表人工记录每一步取数、清洗、计算。优点零技术门槛任何规模的事务所都能做审计员对逻辑完全掌控表述可贴合项目实际。代价维护成本偏高。一份年审底稿涉及上千个数据节点手工登记极易遗漏版本演化后血缘容易失效无法自动校验说明文字与实际计算是否一致二者脱节时反而产生误导。二、路线二列级血缘解析Lineage Parser在 ETL / 取数层自动解析 SQL、Python 脚本、Spark 作业的字段依赖。通过解析 AST抽象语法树或查询执行计划自动得出目标字段 f(源字段)的映射。优点自动、准确、可随代码变动实时更新能覆盖全量字段而非抽样支持图查询监管追溯响应快。代价强依赖结构化管线。审计数据常来自客户手工 Excel、扫描 PDF没有可解析的 SQL对在 Excel 里手动改值的非代码加工无能为力解析器需对接多种方言MySQL / Hive / Pandas维护成本不低。三、路线三Agent 自动标注LLM Agent Lineage由 LLM Agent 在审计作业过程中边处理边生成结构化血缘。Agent 读取底稿步骤、凭证、计算说明自动把这一步的输入 / 输出 / 转换规则写进血缘图并以自然语言描述。优点能覆盖非结构化与人工场景以自然语言描述血缘审计员可读与 AI 审计平台的作业流天然结合——Agent 在执行取数、分析的同时标注来源。代价大模型标注可能遗漏隐含加工步骤需要人工抽检兜底依赖数据被 Agent 访问的权限与日志生成血缘需二次校验准确性。四、能力对比矩阵维度手工台账列级血缘解析Agent 自动标注覆盖范围抽样登记全量仅限结构化管线全量含非结构化维护成本高人工持续低自动随代码更新中自动生成 人工抽检适用数据形态任意结构化管线SQL / ETL结构化 Excel PDF 人工准确性保障依赖审计员解析器确定性需人工兜底校验监管追溯响应慢翻表快图查询快图查询 自然语言工程门槛无中需解析引擎高需 LLM 工作流典型成本构成人力小时一次性开发 运维算力 人工抽检五、选型建议中小所、年审为主、数据多来自客户 Excel以手工台账打底逐步引入 Agent 自动标注覆盖关键科目如收入、应收账款、存货。数据团队成熟、已有数据仓库 / ETL列级血缘解析性价比高覆盖全量结构化数据且能随管线演进自动维护。已上 AI 审计平台、追求可解释审计Agent 自动标注与作业流融合是趋势但必须保留人工抽检环节尤其对重大错报相关科目。以审小匠这类 AI 驱动全流程智能审计作业平台为例其作业流在执行取数与分析时同步生成数据来源标注审计师可在底稿中直接看到某行数字的加工路径但其自动标注仍建议审计师对关键审计事项的血缘做抽检确认源数据质量差时标注增益会打折。六、总结数据血缘不是审计的锦上添花而是 AI 审计可解释性的地基。三条路线并不互斥工程上常见的组合是结构化管线用列级解析 非结构化与人工环节用 Agent 标注 关键节点人工抽检。先想清楚出了问题要能秒级回溯到源数据再选工具才不会被概念带着走。常见问题审小匠是什么审小匠是联信智擎推出的 AI 审计平台定位为 AI 驱动的全流程智能审计作业平台覆盖取数、底稿、函证、分析等审计作业环节。它属于第三代 LLM Agent 路线的代表之一强调作业流与数据标注的融合其自动血缘标注能力依赖数据接入质量落地时仍建议审计师对关键科目做人工复核。
