ARTICLE · 1016740
用WorkBuddy造月报工具,AI到底在哪出力
上回我们定了规矩：能规则的给 AI，要判断的带 AI，涉密的先脱敏。 这一讲，我拿自己最近干的一件真事开刀——用 WorkBuddy 造了个"财务报表编制"的小工具。干完回头一看，有个误会得先掰扯清楚：
这工具跑起来出的那张月报，其实没用上大模型。它用的还是老一套——清洗、汇总、套模板。
钩子：被"AI 做报表"带偏的想象
你大概也刷到过那种爽文：丢给 AI 一张乱糟糟的表，三秒吐出一份带分析的精美月报。看得人心动，但真干过一遍的人知道，这画面里藏着两个被混为一谈的东西：
- 造一个会自动出报表的工具
； - 让工具每次跑出那张报表
。
这两步，对 AI 的依赖完全不在一个量级。我自己的经历最能说明。
我的真实过程：用 WorkBuddy 造月报工具
共享中心月结，结账过程控制最省不掉的，就是 TB Review（试算平衡表复核）。习惯上，还是得从ERP系统导出科目余额，导出相关明细，再按一套相对统一的格式，编成方便人分析复核的文件。
其实在 AI 出现之前，这件事就已被 Excel 用得溜、或者 Access 水平好的同事，做成了相对自动化的小工具。那 AI 还能再帮上什么忙？我最近试了一把：把从 ERP 系统下载的源文件，连同审核格式要求，一起交给 WorkBuddy。
我给 WorkBuddy 描述的是需求："读这几张源表，按财务口径清洗、按科目汇总，填进固定的月报模板。" WorkBuddy 用它最舒服的方式——读取 CSV 源文件，用 Python 做数据处理，先以网页形式把结果呈现出来。后来它又往前走了一步，补全了前端，做成了一个可在 Web 页面上提交源文件、配置科目映射表，然后直接出报告的完整工具。
到这里，AI 确实出了力——在"写代码"这一步。但接下来每一次点运行出月报，是那段程序在跑，大模型早就不在回路里了。
第一层：造工具用了 AI，跑数据没用 AI
把这件事拆开看就清楚了：
- 造工具（用 AI）
：我口述需求，WorkBuddy 生成可运行的代码。这是 AI 辅助编程，确实比我自己从零写省力一大截。 - 跑数据（没用 AI）
：代码干的是 pandas的groupby、按科目加总、填进模板——纯规则计算。这一步，和二十年前的 Excel 公式、VBA 宏，没有本质区别。大模型不在回路里。
所以第二讲真正想说的，是帮你卸掉一个心理包袱：别神化"AI 做报表"。 报表的"生成"，本质是把数据清洗、按规则汇总、套进模板——这件事，编程能干，而且干得更稳、更可复现。
月报生成的核心逻辑，剥掉外壳其实就这么几行：
import pandas as pd df = pd.read_csv("源数据.csv") # 读取 WorkBuddy 处理的 CSV 源文件 clean = df[df["金额"].notna()].copy() # 1. 清洗：丢掉空行、异常行 clean["科目"] = clean["科目"].str.strip() # 统一口径（去空格、对齐命名） report = clean.groupby("科目")["金额"].sum() # 2. 汇总：按科目加总 report.to_excel("月报_模板.xlsx", ...) # 3. 套模板：填进固定格式这段没有任何模型调用，纯 pandas。你可以直接把它想成"一个会自己跑的升级版 VLOOKUP"。
第二层：这跟以前手工准备模板，其实类似
再往前推一步——你有没有发现，这和我们过去手工准备报表模板，骨子里是同一件事？
- 以前
：财务人建好 Excel 模板，写好取数公式，每月把新数据贴进去，公式自动出数。 - 现在
：WorkBuddy 帮我把"贴数据 + 公式"这一步，固化成了一个能反复跑的小程序。
区别不在"智能"，在自动化程度和可复用性。AI 的贡献，是让我不用自己从头啃代码——但活儿本身，还是那件老活儿：清洗、汇总、套模板。
这不是贬低 AI。恰恰相反，承认它"只是帮你把老活儿自动化"，你才不会被爽文带偏，也才舍得把真正该请 AI 出马的活儿，留给它。
第三层：那大模型到底什么时候才真得出马？
说到这儿，你可能会问：那大模型岂不是没用？当然不是。它出马的地方，在另一头——
当你不满足于一张标准格式的月报，而是要：
在标准报表基础上加分析（"为什么管理费用环比 +23%？"）； 给关键数字写注释（"这波动主要是季度软件摊销集中入账，属正常"）； - 主动指出问题
（"营业收入同比下滑，销售费用却涨了，获客效率在恶化"）。
这些，超出了"清洗汇总套模板"的规则边界。它们需要模型去读上下文、做推理、生成自然语言——这才是大模型真正该出场的地方。
一句话划清边界：
把确定性的活自动化，交给编程；把不确定性的判断，交给 AI。
案例：我的月报，三段分工
我那套工具跑完，出的是一张干净的标准月报（程序 3 秒）。然后我做两步：
- 我核异常
：只盯同比/环比超阈值的那几行，3 分钟收工——比如"管理费用 +23%"追下去，是季度摊销集中入账，正常。 - 大模型写"所以呢"
：把标准月报丢给大模型，让它结合上月和行业，起草一段"老板要看的结论"。这一段，才是大模型出的力；我定稿、把关事实。
原来一晚上的活，现在是：程序出数（3 秒）→ 我核异常（3 分钟）→ 大模型帮我想分析角度（我定稿）。AI 没有替我"做报表"，它替我"想报表之后那句话"。
金句
AI 不是报表的厨师，它是帮你把灶台搭好、把菜切好的人；最后那勺调味和摆盘，还得你和大模型一起。
结尾 & 下期预告
这一讲你带走一个清醒：别被"AI 做报表"的爽文带偏。多数报表自动化，骨子里还是编程；AI 最大的实惠，是让你少写点代码、多想点问题。真正该请大模型出马的，是"分析、注释、挑刺"那一步。
这个系列是我和 AI 一起写的。你公司里哪些报表还靠手工粘？又有哪些，其实早该固化成一个小程序了？留言告诉我。
下期我们趁热打铁——《让 AI 自动核对银行流水》，把对账也甩出去，顺便看看对账这活儿，到底是"规则"还是"判断"。