利用AI手搓《风险评估与客户环境RACE》底稿自动生成工作流
审计作业中以往依赖于人去判断选择什么工具，进行怎样的处理。
如：网页搜索，阅读资料，Excel数据处理，材料编写等。
在使用传统代码编写时难以做到通用性，
而 AI 可以代替人的大脑，自主选择工具，进行相应的处理。
这样，审计过程中的很多工作的自动化将变成可能。
本文，我们以相对容易的《风险评估与客户环境RACE》底稿为例，
来进行探索如何利用 AI 手搓一个底稿自动生成工作流。
下面以信永中和的底稿样式为例：
第一性原理思考
总结起来，这张底稿主要干的事情，通过搜索引擎搜索网络资料，阅读整理，风险分析。
无非就是有几十个不同的问题需要进行操作。
那我们就可以将整个工作流设计如下：
- 底稿拆分成几十个小问。
- 每个小问调用通用的“网络搜索工作流”，得到每个问题的答案。
- 将几十个问题答案整合成结构化数据。
- 将结构化数据执行 Python 代码，填充入Word模板文件，生成底稿。
怎么样，我们这样就将一个看似复杂的问题，转化成了一个可执行的问题。
对于理工科来说，只要你把问题拆分得足够小，就没有什么解决不了的问题。
网络搜索工作流的搭建
我们利用 n8n 来搭建一个基础的网页信息搜索的工作流，
后面拆分出的每一个问题，我们都是通过它来获取答案：
下面是我在 AI Agent 节点中输入的 system prompt:
你是一个网络信息搜索助手，根据用户提问，获取网络信息回答用户问题：
必须进行网络搜索，不能直接回答用户问题，因为用户需要最新的、准确的网络信息。
## 操作步骤：
- 使用 `date` 工具获取当前日期，并在搜索时优先选择近期资料（建议限制在最近一两年），以保证信息的时效性。例如，在搜索查询中加入时间范围，如“过去一年”或“最近两年”。
- 复杂问题先调用sequential-thinking工具进行任务规划。
- 利用 Searxng 进行网络信息搜索。搜索时，使用中文关键词，但在涉及专业术语时保留英文（如“machine learning”），以兼顾搜索的广泛性和准确性。建议使用关键词、短语或问题形式构造查询，以提高结果的相关性。
- 使用 `fetch` 获取网页详细信息。从搜索结果中选择最相关、最可信的网页进行提取。如果某个网页无法获取，请尝试其他相关网页，或通过 Searxng 扩大搜索范围，直到找到足够信息解答用户问题。
- 在回答用户问题时，基于搜索到的信息，提供准确、简洁的答案，并引用来源（如网页链接或出处）以增加可信度。
- 如果搜索结果不足或无法回答用户问题，请诚实地告知用户，并建议他们尝试其他搜索关键词或来源。
需要说明的是，这里主要是利用了 “SearXNG” 节点，来访问我本地搭建的服务，去获取浏览器搜索的信息，
它会返回搜索文章的链接和概述。
其次是在 “MCP Client” 节点中，我用到了 fetch mcp 将上面搜索出的网页链接获取内容文本。
为方便理解，例如，当我们输入一个问题“万科公司主营业务”，
AI Agent 收到问题后，会自动用 SearXNG 搜索“万科公司 主营业务 过去一年”，
将搜索到的网页链接交给 fetch 工具获取网页详细内容，
整合后就返回我答案。
这就是我们最主要底层功能，搭建起来也非常简单。
底稿拆解为小问题
如下图标红节点，就是我们将底稿拆解成一个个小问题，
每个小问题对应一个单独的 prompt ，
每个小问题的 prompt 都会调用前面我们的“网页搜索工作流”，
生成我们想要的答案。
这样拆分也有一个好处，就是你可以通过控制提示词（ prompt ），
来精准控制 AI 回答你的结果。
当然，有些相似的问题你也可以结合在一起。
比如，这三个小问题：
- 被审计单位业务
- 经营环境
- 内部控制或主要变化
我发现它搜索的时候经常都是搜索到年报，这个消耗 token 比较大，可能合并在一起比较节约。
我们就以这节为例，看看提示词：
{{ $json.chatInput }}的总体情况了解，请搜索并回答以下问题：
1.1 所属行业分类（如果有细分行业用细分行业，优先用证券交易所的行业分类），客户群体，主要产品。组织成一段话，不加任何引导语或额外说明。
1.2 经营环境（不需要财务情况），分为内部环境和外部环境。不加任何引导语或额外说明。
1.3 内部控制及业务经营重大变化事项。组织成一段话，不加任何引导语或额外说明。
输出结果示例： ## 1.1、 被审计单位业务 {回答} ## 1.2、经营环境 {回答} ## 1.3、内部控制或主要变化 {回答}
注： {{ $json.chatInput }} 为用户输入的公司名称。
我们这三个问题执行后的答案如下：
包含了回复答案和检索来源：
为了更好阅读，我将答案显示下：
特殊逻辑的处理
虽然整个底稿大部分问题，都是通过网页搜索来获取信息。
但也有些特殊的，我们只需要针对其做一些变动。
还是那句话，当我们将问题拆分得足够小，就一定可以解决。
比如，财务报表分析，我并不希望它通过网络文章的零碎信息中去总结，
而是想获取准确的财务报表数据。
这里其实又可以再分成两类：
- 上市公司，获取公开财务报表数据。
- 非上市公司，企业提供未审报表数据。
我们以上市公司为例，我首先通过爬虫将历年的上市公司财务报表数据存到 mysql 数据库中，
以供工作流调用。
财务报表分析这几个问题，我就单独给他配一个处理 AI agent，
区别就是能够获取我 mysql 数据库的数据。
set 节点（上图左1）中的提示词（ user prompt ）如下：
{{ $json.chatInput }}根据最近两年的主要财务指标进行分析，以注册会计师的审计视角进行风险评估，回答以下问题：
- 财务资料初步分析、多期报表对比分析
- 与行业关键数据对比分析（先搜索找到该公司的可比公司或主要竞争对手，需要是上市公司），用“财务报表mysql”工具获取财务数据，再将最近一期进行对比分析。
数据分析不要依赖网络搜索，直接使用获取到的数据进行分析。
输出结果示例： ## 1、2、财务资料初步分析、多期报表对比分析： {回答} ## 3、与行业关键数据对比分析 ## 总体评价
工作流对该问题执行后的输出：
( 注：下方显示了来源 source 为：财务报表数据来源于财务报表mysql工具，行业对比数据基于searxng-search工具获取的可比公司信息和财务报表mysql工具获取的最新财务数据。）
我们将其更友好的显示下：
类似的，像券商研报等，它依然可以通过浏览器获取，阅读，分析，整理。
你需要做的就是提示词精准控制。
整理成结构化数据
前面我们是将一个底稿都转成了小问题，
得到了几十个答案，
为了最后生成 Word 底稿（按所里格式要求），
我们需要先将整理成结构化数据。
其实最简单就是写成类似下面表格结构：
| 编号 | 回答 | 来源 |
|---|---|---|
| 1 | xxx | xxx |
我们可以用 set 节点和 code 节点完成，
输出成一个 Excel 文件。
生成 word 报告
我们可以专门写一个 python 文件，
用来将 Excel 中的回复根据编号填充到 Word 指定位置。
在 n8n 中我们只需要用 Execute Command 节点就可以执行这个 Python 文件，
生成最终的 word 底稿，供用户下载。
结语
需要说明的是，上述步骤，你都可以手工利用 DeepSeek ，通义千问，达到相同效果，
只是你得每个问题写提示词，不停复制粘贴。
而这个 AI 工作流的意义，就在于省去这个人工步骤，
只需要输入公司名称，就等着运行结束拿报告。
当然，后续还需要你人工进行修改调整。
其实通过这个例子，也可以看出了，AI 在我们审计工作中是可以落地的，
有无数有小场景是可以做的。
当然，本文中面临一个严峻的问题就是 token 数的消耗，
比如，它如果检索出一篇年度报告，阅读下来就会消耗个 10万 token ，
整个底稿下来，消耗的 token 数可能巨大，
有待评估其一份底稿下来的综合成本。
不过目前 token 的成本越来越便宜，
目前 100 万 token 也就10 元钱，
就算消耗个200万 token ，也就 20 元（目测消耗不到那么多）。
可以预见的未来，
AI 会对审计效率极大的提升，
也会对审计组织模式和作业模式带来巨大的改变，
这一天越来越近。