夜雨聆风一个税前年薪百万的税务合伙人，和一个写了 500 行 Python 的实习生，谁做的税务问答更靠谱？答案可能会颠覆你的认知。
一、先给结论
如果你符合以下任意一条，直接用 Claude Code + Obsidian 知识库就够了：
团队规模 ≤ 5 人，没有专职 IT 追求"今天配置、明天使用"的速度 预算有限，不想养技术债
如果你符合以下任意一条，自研智税助手值得投入：
团队 10 人以上，需要统一工具标准 对数据不出所有硬性要求（客户合同、交易金额等敏感信息） 需要模板化批量产出（并购尽调、稽查应对等标准化项目） 有长期迭代计划（OA集成、IM推送、多用户权限管理）
下文展开聊。
二、两个方案到底是什么
方案 A：自研 RAG 助手（如「智税 TaxBrain」）
一句话描述：把 Obsidian 里的 5,000 份税法文件"喂"给一个本地检索引擎，用户提问题 → 系统语义检索最相关的法条 → 发给大模型生成专业回答。
技术栈：Python + ChromaDB（向量数据库）+ BGE 中文嵌入模型 + DeepSeek/通义千问/Claude 等 LLM + Streamlit 界面。
核心逻辑：RAG（Retrieval-Augmented Generation，检索增强生成）——先检索再生成，确保回答"有据可查"。
方案 B：Claude Code + Obsidian 知识库
一句话描述：直接用 Claude Code 命令行工具对接 Obsidian 税法知识库文件夹，Claude 自己读文件、搜文件、理解文件，然后回答问题。
技术栈：零。不需要写代码，不需要搭服务，不需要管向量数据库。
核心逻辑：Claude 直接用文件系统搜索（关键词匹配）+ 自身的超大上下文窗口（200K tokens），一次读取几十份相关法规后给出分析。
三、七个维度拆开看
1. 技术门槛
真实经验：在搭建「智税 TaxBrain」Phase 1 的过程中，我们遇到了 HuggingFace 国内直连超时（需配置镜像站）、大嵌入模型在 Streamlit 中 segfault 崩溃（需换轻量模型 + 限制 PyTorch 线程）、重排序模型内存溢出（需降级为 BM25 融合）等一系列工程问题。这些问题不属于"税务专业"范畴，是纯工程问题——但每一个都能卡住非技术团队。
Claude Code 方案完全不需要处理这些。
2. 检索质量
关键差异：如果你的法规库是精心维护的 Obsidian vault（每个文件有 YAML 元数据），语义检索的优势在于——用户问"研发费用加计扣除"，系统能从"财税〔2023〕XX号"这种标题里看不出内容但正文高度相关的文件中捞出答案。Claude Code 的 grep 搜文件标题和内容是一把好手，但无法理解"加计扣除"和"研发费用税前扣除"是同一件事。
不过反过来，Claude 一旦拿到了相关文件，理解和推理质量远超一般的 LLM。自研方案生成的答案质量取决于你接入的是什么模型，DeepSeek 的回答可能干不过 Claude 直接读原文后的分析。
3. 成本结构
算一笔账：
一个税务师每天问答 20 次，每月约 400 次 自研方案：DeepSeek API 约 ¥400-800/月 + 开发成本摊销 Claude Code：Claude API 约 ¥1,500-5,000/月（取决于模型选择）
如果团队 5 人以上，自研的一次性开发成本在 3-6 个月内就能通过更便宜的 API 费用"赚回来"。如果只有 2-3 人，Claude Code 可能更划算——毕竟把精力花在写代码上，不如花在服务客户上。
4. 数据安全
重要提醒：两种方案都会将检索到的法规内容发送给外部 LLM API。区别在于：
自研方案：嵌入模型本地运行，法规原文不出所；只有检索到的片段发给 LLM Claude Code：Claude 直接读取你的文件，全文发送到 Anthropic 服务器
如果你的事务所承接涉密客户的尽调项目，自研方案可以做到"敏感信息本地处理、只把脱敏后的片段外发"。这是自研最大的合规优势。
5. 可定制性
这一项最能体现自研的价值。我们为「智税 TaxBrain」设计了两级复审循环——生成模型用 DeepSeek 出初稿，复审模型用 MiniMax M3 交叉审查，生成→复审→修正→再复审→定稿。这种"双模型制衡"机制，在 Claude Code 方案中无法自动化实现。
6. 知识更新
Claude Code 方案在知识更新上有天然优势——只要把新法规放进 Obsidian vault，Claude 立刻能读到。自研方案需要重建或增量更新向量索引（虽然可以自动化，但毕竟是多了一步）。
7. 团队协作
一个容易被忽视的问题：Claude Code 是命令行工具，不是每个人都习惯。你让一个 50 岁的资深税务合伙人在终端里敲 claude，体验不会太好。而 Streamlit 做出来的 Web 界面，浏览器打开就能用——这对非技术团队来说，是决定性的体验差异。
四、最佳实践：先快后慢，逐步演进
结合「智税 TaxBrain」项目的实践，我推荐一个"双轨制"路线：
第一阶段（第 1-2 周）：Claude Code 先行
安装 Claude Code，指向 Obsidian 税法知识库 编写一个 System Prompt（角色设定为资深税务师 + CPA + 税务师） 实际使用 2 周，记录高频问题和痛点
目标：快速验证"AI + 知识库"这个模式对你们团队是否真的有价值。如果 2 周后大家还是习惯百度搜法规，说明整个方向需要重新思考。如果大家觉得"回不去了"，再投入研发。
第二阶段（第 3-6 周）：自研 MVP
用 Claude Code 阶段积累的高频问题，指导自研系统的功能优先级 先做最核心的：问答 + 法规引用 接入便宜的国产模型（DeepSeek），控制日常使用成本
第三阶段（第 7-12 周）：模板化 + 复审 + 导出
针对高频服务场景（并购尽调、稽查应对），设计模板工作流 接入双模型复审循环 Word 报告导出，形成交付物
第四阶段（长期）：两条腿走路
- 日常咨询
：用自研系统（成本低、界面友好、全团队可用） - 复杂疑难
：用 Claude Code（推理最强、能深度分析） - 敏感项目
：用自研系统（数据不出所、审核留痕） - 快速探索
：用 Claude Code（无需开发、即问即答）
五、写在最后
这篇文章不是在说"哪个更好"——而是说在什么场景下哪个更合适。
自研 RAG 的壁垒不在代码（500 行 Python 就能跑通核心链路），而在工程细节的打磨和持续迭代的耐心。Claude Code 的壁垒不在技术（开箱即用），而在成本控制和团队使用习惯的养成。
一个务实的建议：现在就开始用 Claude Code 对接你的知识库。不管将来是否自研，这一周的体验会告诉你——AI 对你的业务到底能帮上什么、帮不上什么。这个认知，比选哪个技术方案重要一百倍。
关注我，获取税务 AI 实操指南。
附：核心差异速查表