夜雨聆风AI 办公实操笔记
新会计准则学习及数据分析
把 AI 放进清晰工作流里：先搭框架，再做分析。
阅读本文大约需要 5 分钟。
如果你也在尝试把 AI 用到保险工作、资料整理、年报学习和数据分析里，可以先收藏这篇，照着流程跑一遍。
进入 2026 年，新保险合同会计准则的执行范围进一步扩大。对保险从业者来说，后续看保险公司的财报、年报，很多内容都绕不开新的披露口径。
我自己也遇到了这个问题。
想看懂年报，但 新会计准则、IFRS 17、保险合同负债、CSM、投资收益口径这些内容，并不是原来就熟悉的知识。
真正卡住我的地方：网上资料很多，但比较分散；直接问 AI，又担心答案没有来源，甚至出现幻觉；真要看年报，一家公司就可能上百页，几家公司横向对比，工作量更大。
所以这次我没有简单地让 AI “帮我总结年报”，而是用 AI 搭了一套完整的工作流。
工作流主线 收集可信资料 → 建立知识库 → 让 AI 整理学习提纲 → 搭建分析框架和指标体系 → 下载原始年报 → 按框架提取数据 → 人工复核关键点 → 输出分析结论。
这篇文章就分享这套实操流程。
它不只适用于保险公司年报。以后遇到一个陌生领域，需要快速学习、整理资料、提取数据、形成分析结论，也可以参考这个思路。
先搭框架，再让 AI 干活。
第一步：先收集可信资料，建立知识库
我做的第一件事，不是直接问 AI 年报怎么分析，而是先整理资料源。
以新会计准则和保险公司年报分析为例，我主要收集了几类资料：
• 官方资料：监管文件、会计准则、公司披露文件。
• 专业资料：会计师事务所解读、券商研报、行业研究报告。
• 内容资料：公众号文章、课程资料、专家解读。
• 原始资料：保险公司的年度报告、年度信息披露报告、偿付能力报告等。
这些资料收集好之后，我统一放进 IMA 知识库。
这一步的核心：先把资料边界固定下来。后面调用 AI 的时候，不是让它凭空回答，也不是让它自由发挥，而是让它在指定资料范围内做整理和分析。
资料边界越清楚，后面的 AI 输出越容易复核，也越不容易跑偏。
第二步：用 QCLAW 对接 IMA，让 AI 先整理学习提纲
资料进入 IMA 知识库之后，我再用 QCLAW 对接 IMA API，让 AI 可以调用知识库里的内容。
这里我没有一上来就让 AI 写文章，也没有让它直接给年报结论。
我先让它做一件事：整理学习提纲。
• 新会计准则下的核心概念。
• IFRS 17、IFRS 9 等关键术语解释。
• 新旧准则在保险公司年报呈现上的主要差异。
• 年报里常见财务指标和业务指标的含义。
• 新准则下容易误解的地方。
• 初学者学习这些内容的建议顺序。
这一步相当于先做一份“学习地图”。
因为新会计准则不是单个概念，而是一套体系。如果不先把概念关系梳理出来，后面直接看年报，很容易变成零散摘录。
整理完学习提纲后，至少要知道：哪些概念必须先理解，哪些指标后面会频繁出现，哪些地方不能简单按旧口径理解，哪些结论需要回到原始报告里核对。
第三步：让 AI 搭建年报分析框架和指标体系
有了学习提纲之后，下一步是让 AI 搭分析框架。
我给 AI 的要求不是“帮我总结一下年报”，而是：
请基于知识库资料，搭建一套保险公司年报分析框架，并说明每个分析维度下应该关注哪些指标、这些指标代表什么含义、哪些指标适合横向对比、哪些指标需要谨慎解释。
在这个过程中，AI 会把年报分析拆成几个维度，例如盈利能力、业务质量、投资表现、偿付能力、风险管理、成长性。
再继续往下拆，每个维度对应一组指标。
比如盈利能力，不能只看净利润，还要看保险服务业绩、投资收益表现、利润来源结构，以及新准则口径下相关项目的变化。
比如业务质量，不能只看保费规模，还要看业务结构、渠道结构、续期情况、长期价值和可持续性。
这一步的价值，是先把“怎么看年报”变成一个可执行的分析体系。
后面分析任何一家保险公司，都可以按这个框架走，而不是每次从头开始翻报告。
第四步：下载原始年报，统一项目文件夹
框架搭好以后，就要回到原始资料。
我会把要分析的保险公司年报全部下载下来，并放进同一个项目文件夹。
年报分析项目/├── 学习资料/├── 年度报告/├── 偿付能力报告/├── 提取数据/└── 分析结果/
文件命名尽量包含公司名、年份、报告类型。
这一步看起来基础，但后面非常省事。因为 AI 提取数据、人工复核、横向对比，都需要回到原始文件。如果文件散在不同位置，后面会浪费很多时间。
第五步：让 AI 按框架提取数据，并标注来源
原始年报准备好之后，我再让 AI 按前面建立的分析框架去提取数据。
这里的关键要求是：不要只给结果，必须标注来源。
• 指标名称、数据值、所属公司、所属年份。
• 报告名称、对应页码、原文依据。
• 是否需要人工复核。
比如在提取某个公司的投资收益、偿付能力指标、保险服务业绩相关数据时，不只是把数字列出来，还要说明这个数字来自哪份报告、哪一页、原文怎么写。
这样做有两个好处：
第一，后面可以快速复核。
第二，多家公司横向对比时，可以确认数据口径是否一致。
年报 PDF 里经常会有表格、附注、单位、年份、口径变化。如果只拿结果，不看来源，很容易把看似准确的数据用错。
效率交给 AI，质量留给人。
第六步：人工复核关键数据
AI 提取完数据后，我不会直接拿来写结论。
关键数据一定要人工复核。
• 金额是否准确，单位是否读对。
• 年份是否对应，指标口径是否一致。
• 趋势判断是否有原文依据。
• 横向对比是否具备可比性。
比如同样是利润相关指标，不同公司在年报中的呈现方式可能不完全一样。
比如某个数据看起来增长明显，也要回到原始报告里看，这个增长到底来自经营改善、投资波动，还是会计口径变化。
这一步不能省。
AI 负责提高效率，人负责判断质量。
第七步：让 AI 输出分析结论和内容版本
数据复核之后，再让 AI 做深入分析。
这个时候 AI 的输出会更可靠，因为前面已经完成了资料限定、框架搭建、数据提取和人工复核。
• 单家公司年报分析，多家公司横向对比。
• 关键指标变化解读，新会计准则下的披露变化总结。
• 适合内部学习的讲稿。
• 适合客户理解的通俗版本。
• 适合公众号发布的文章版本。
同一批资料，可以转化成不同内容资产。
比如面对内部团队，可以讲得更专业一些，重点放在准则变化、指标口径和分析方法。
面对客户，可以讲得更通俗一些，重点放在怎么理解保险公司的稳健性、经营质量和长期能力。
面对公众号读者，可以把复杂内容拆成系列文章，逐步讲清楚。
第八步：把这套流程沉淀成 SOP
这次做完之后，我得到的不只是一份年报分析结果。
更重要的是，沉淀了一套 SOP：
1. 明确研究对象。
2. 收集可信资料。
3. 建立知识库。
4. 让 AI 生成学习提纲。
5. 让 AI 搭建分析框架。
6. 下载原始资料。
7. 按框架提取数据。
8. 人工复核关键点。
9. 输出分析结论。
10. 转化成不同内容资产。
以后再遇到新的保险公司年报，可以继续沿用这套流程。
以后遇到其他陌生领域，也可以迁移这套方法。
比如政策解读、公司分析、产品调研、竞品分析、课程学习、专业书籍拆解，都可以用类似方式处理。
小结
这次新会计准则学习和保险公司年报分析，给我的最大启发是：
AI 办公不是简单地把问题丢给 AI。
更有效的方式，是把 AI 放进一个清晰的工作流里。
先限定资料来源，再整理学习提纲；先搭建分析框架，再提取数据；先人工复核关键点，再输出结论。
这样用 AI，得到的就不只是一个答案，而是一套可以反复使用的学习和分析系统。
这也是我理解的 AI 办公实操价值：
不是替代学习，而是让学习更快成体系。
不是替代判断，而是让判断有更多依据。
不是只完成一次任务，而是沉淀出下一次还能继续使用的方法。
如果这篇对你有启发，欢迎关注我。
后面我会继续拆解 QCLAW、Agent、知识库、数据分析和保险人办公自动化，把工具用法讲成可复制的工作流。
也可以把这篇转发给正在学习 AI 办公、年报分析和资料整理的小伙伴。
