夜雨聆风一、那个让我失眠的周五下午
2025年2月，我坐在办公室，盯着屏幕上的金蝶云星空。
44家分子公司的报表和科目余额表已经导出来了，散落在桌面上，像小山一样。
合并报表，我还是得手工做。
金蝶的"合并报表模块"，说得好听——
要手工维护股权关系 要手工录入抵销分录 要手工核对内部往来 - 它只是把Excel搬到了系统里，根本谈不上"智能"
我打了金蝶客服电话。
"你们有没有AI自动合并报表的功能？"
客服妹子很客气："目前系统不支持AI自动生成抵销分录，您需要手动维护合并规则。"
手动。维护。
44家公司，每年新增3-5家，每次并购我都要重新配一遍规则。
我挂了电话，做了一个决定：不等金蝶了，自己搞。
二、金蝶做不了的事，到底卡在哪里？
我仔细想了一下，金蝶云星空为什么做不了真正的AI合并报表：
问题1：数据孤岛，根本抓不到实时数据
金蝶的合并报表模块，只能读取金蝶体系内的数据。
但现实是：
金蝶只能合并8家的数据。
剩下36家，我得手工导出Excel，再导入金蝶的合并模板。
一个月要处理200+个Excel文件。
问题2：合并规则太复杂，系统学不会
每家子公司的业务不一样：
有的做产品销售，收入确认规则特殊 有的做技术服务，成本分摊方式不同 有的有跨境业务，涉及外币折算
金蝶的合并规则是"硬编码"的——我得在系统里一条条配，配错了就得从头来。
我试过让实施顾问帮我配，他说：
"这个太复杂了，你们公司的情况，系统标准功能覆盖不了，得定制开发。"
定制开发报价：80万。
我没批下来预算。
问题3：内部交易对账，全靠人工
这是最痛的。
44家公司之间，每天都在发生内部交易：
母公司给子公司提供管理服务 → 子公司要确认管理费用 子公司之间互相销售产品 → 要抵销收入和成本 资金池调拨 → 要抵销内部往来
金蝶只能告诉我"有差异"，但找不出差异在哪里。
我得打开44家公司的账套，一笔笔对。
有一次，为了找一笔12万元的差异，我加了3天班，最后发现是一家子公司把币种选错了（美元当成人民币录了）。
如果有个AI能自动对账、自动找差异，该多好。
三、我决定自己搭一个AI合并报表系统
那个周五晚上，我回到家，打开电脑，开始查资料。
我的思路很清楚：
金蝶云星空（数据源）
↓ 导出：科目余额表、内部交易明细
↓ 格式：Excel / API（如果开放）
AI Agent（我自己搭的）
↓ 读取数据
↓ 执行合并规则
↓ 生成抵销分录
↓ 输出合并报表
最终交付：合并资产负债表、利润表、现金流量表
关键技术栈：
四、我是怎么搭的（代码级细节）
第一步：从金蝶导出数据
我在金蝶云星空的合并报表模块，设置了自动导出任务：
【金蝶云星空】→【合并管理】→【报表模板】
→ 选择"科目余额表"
→ 设置"按组织汇总"
→ 设置"导出周期：每月1号凌晨2:00自动导出"
→ 导出格式：Excel（.xlsx）
→ 保存路径：\\财务服务器\合并报表\原始数据\
44家公司的科目余额表，每月1号早上，我已经能在文件夹里看到了。
第二步：用Python读取数据
# 这是我实际用的代码（已脱敏）
importpandasaspd
importos
# 读取所有子公司的科目余额表
defread_all_balance_sheets(folder_path):
all_data = []
forfileinos.listdir(folder_path):
iffile.endswith('.xlsx'):
# 从文件名提取公司代码
company_code = file.split('_')[2].split('.')[0]
# 读取Excel
df = pd.read_excel(os.path.join(folder_path, file))
df['公司代码'] = company_code
all_data.append(df)
# 合并所有数据
returnpd.concat(all_data, ignore_index=True)
这一步，把44家公司的数据，统一成了一张"大表"。
第三步：用AI生成抵销分录
这是最核心的部分。
我用了LangChain + 通义千问，让AI根据合并规则，自动生成抵销分录。
from langchain.llmsimportTongyi
fromlangchain.agentsimportinitialize_agent, Tool
# 初始化大模型（私有化部署，数据不出内网）
llm = Tongyi(
model_name="qwen-72b-chat",
api_base="http://192.168.1.100:8000/v1"
)
# 定义工具：查询股权结构
defget_equity_structure(company_code):
df = pd.read_excel('股权结构表.xlsx')
result = df[df['子公司代码'] == company_code]
returnresult.to_dict('records')
# 定义工具：查询历史抵销分录
defget_historical_eliminations(company_code, period):
query = f"{company_code} {period} 内部交易抵销"
results = vector_db.similarity_search(query, k=3)
return[doc.page_contentfordocinresults]
# 执行合并报表任务
result = agent.run(f"""
任务：为以下子公司生成2023年11月的合并抵销分录
要求：
1. 生成内部交易抵销分录
2. 生成股权投资抵销分录
3. 检查数据一致性
4. 输出合并报表
""")
第一次跑通的时候，我盯着屏幕看了10分钟。
AI生成了127条抵销分录，我抽查了20条，全对。
第四步：人工复核 + 一键生成合并报表
AI生成抵销分录后，我不是直接用的。
我设计了一个"AI建议 + 人工复核 + 一键生成"的流程：
# 生成合并报表
defgenerate_consolidated_report(balance_data, eliminations):
# 1. 合并所有子公司的科目余额
consolidated = balance_data.groupby('科目代码').sum()
# 2. 应用抵销分录
forentryineliminations:
consolidated.loc[entry['科目代码'], '期末余额'] += entry['金额']
# 3. 生成合并资产负债表
bs = generate_balance_sheet(consolidated)
# 4. 导出Excel
withpd.ExcelWriter('合并报表_202311.xlsx')aswriter:
bs.to_excel(writer, sheet_name='合并资产负债表')
return'合并报表_202311.xlsx'
从AI生成抵销分录，到导出合并报表，全程不超过10分钟。
五、效果：从5天到1天
| 100% | |||
| 87% | |||
| 99% | |||
| 99% | |||
| 合计 | 5天 | 1天以内 | 80% |
最让我满意的，不是快，是准。
以前手工做抵销分录，每个月总有那么几笔，要么借贷方向错了，要么金额算错了。
AI生成的分录，逻辑是统一的，不会犯低级错误。
我只需要复核异常项（比如新并购的公司、新增的业务类型），常规项直接过。
六、你可以怎么开始？
如果你公司也用金蝶/用友
第1步：别等厂商升级，先把手头的数据导出来
科目余额表（每月自动导出） 内部交易明细（从"内部交易对账"模块导出） 股权结构表（自己维护一个Excel）
第2步：学一点Python（真的很简单）
我推荐《Python数据分析实战》（书） 或者，B站搜"pandas教程"，看3个小时就能上手
第3步：接入大模型API（不用自己部署）
通义千问：免费额度够用 或者Claude（如果你能访问） 或者，找我，我帮你搭
如果你公司还没上系统
更要提前规划。
别只听厂商忽悠"我们支持AI合并报表"。
问他们3个问题：
能不能自动抓取异构系统的数据？（SAP、用友、Excel） 能不能自动生成抵销分录？（不是"辅助"，是"自动生成"） 能不能自适应股权变动？（并购、分拆后，合并规则自动调整）
如果3个都能答"能"，再考虑。
否则，做好"自己搭AI"的心理准备。
七、写在最后
有人问我："你一个财务总监，为什么要自己写代码？"
我说：因为没人帮我做。
厂商不重视中小客户的需求，实施顾问只会按手册操作，IT部门说"这不是我们的业务系统"。
最后只能自己上。
但我不后悔。
因为当我用AI把合并周期从5天压到1天的时候，
当我有4天时间去做经营分析、去支持业务决策的时候，
我觉得，这才是一个CFO该做的事。
📌 行动清单
收藏这篇文章（搭AI系统时会用到） 导出你公司的科目余额表，看看数据质量怎么样 关注我，下期讲：《我做了个AI经营分析驾驶舱，老板直呼"这才是我要的"》 留言告诉我：你们公司的合并报表，最痛的点是什么？
每条留言我都会回。
我是「算帐的月亮」，12年财务老司机，蜂巢互联前财务总监，亲手搭建过财务共享中心。
金蝶云星空实施专家，但现在更爱用Python+AI解决问题。
在这里，我只讲一件事：如何用信息化和AI，让财务人不再加班，让财务真正创造价值。
关注我，一起进化。
看完别忘了点「在看」，让更多财务人看到：我们不必等厂商施舍功能，我们可以自己创造工具。
有收获的话，转发到你的朋友圈，说不定你的老板/同事/同行，正好需要。
*这篇文章写了6个小时。代码是我实际跑通过的，案例真实，数据可查。*
*转载请注明出处。*