当前，以人工智能、大数据和云计算为核心的新一轮科技革命，正在全球范围内重塑经济社会治理格局。2018年5月，习近平总书记在中央审计委员会第一次会议上提出“坚持科技强审，加强审计信息化建设”，为新时代审计信息化工作指明了方向。在此背景下，科技浪潮深刻推动着审计信息化建设路径的变革。传统的审计信息化建设以“审计管理系统（OA）→审计作业系统→审计大数据分析系统”的线性建设模式，面临三重瓶颈：其一，数据孤岛阻碍监督效能，分阶段建设导致系统割裂、数据碎片化，造成审计项目重复建设，尤其在处理工程审计、金融审计等多模态数据时覆盖率不足；其二，规则引擎僵化滞后，现有系统过度依赖历史数据预定义规则模型（如规则库、舞弊标签、合规阈值等），难以适应动态场景，且模型迭代频繁、失效快、维护成本高昂；其三，响应机制存在时滞，传统架构对政策调整与市场异动适应性不足。

大语言模型（Large Language Models, LLM）的突破性发展为破局提供了关键路径：技术上，大语言模型凭借多模态融合能力可同步解析文本、表格及图像（如合同、工程量清单）；架构上，基于Transformer(一种深度学习网络架构)的端到端动态学习推动审计逻辑从“规则编码”向“语义理解”转变。这凸显了传统线性路径与大模型驱动的智能中枢架构间的根本冲突，亟须理论上的创新以揭示其范式跃迁机制。

综上所述，本文提出审计智能“中枢范式”，并创新性设计“三层融合”机制重构审计流程，旨在填补审计信息化演进的理论空白，指导审计机构规避重复建设、降低试错成本，实现从“跟跑”到“领跑”的跨越，为科技强审战略落地提供兼具学术价值与实践意义的系统性解决方案。

在审计信息化建设中，传统路径与大模型为代表的新技术路径目标高度趋同，均旨在提升审计效率与质量，强化线索挖掘、问题发现与风险预警能力。新技术通过整合审计管理、作业及大数据分析等传统系统核心功能，推动审计智能化发展。例如，运用大模型构建审计知识图谱，提升知识库可用性与问答系统准确率；处理海量数据识别潜在风险，促进智能化工具更深层次嵌入业务实践（徐超，2023、2025）。

然而，两者架构与驱动逻辑存在本质差异。在架构层面，传统路径多为系统隔离的“烟囱架构”，协同受限；新技术则依托大模型作为“认知中枢”，联动多智能体（如智能问答、问题定性等）协同作业（李鹏伟，2025）。在驱动层面，传统路径依赖预设“流程+规则”；新技术则以“数据+语义理解”为核心，通过自然语言处理与多模态分析实现认知跃迁。大模型展现出类人推理能力，可结合法规、案例与语境生成可解释判断建议（黄佳佳，2025），推动审计辅助从“信息补充”跃升至“认知辅助”。

综上，新旧路径目标一致，但实现方式标志着审计信息化从“工具辅助”迈向“智能引领”。随着大模型在数据理解、跨模态推理与自主学习方面的突破，未来智能审计平台将具备“人机共审”特征，实现技术协同到认知协同的跨越。

在大模型驱动的智能审计新范式下，审计流程正经历从传统路径向智能协同模式的根本性转型。基于“技术—流程—组织”三维度比较模型（如图1所示），可以系统揭示这一转型的结构性差异与内在逻辑。在技术维度上，传统审计依赖以规则引擎为核心的判断机制，其能力边界受限于预设逻辑与结构化数据处理；而大模型路径则以语义理解为核心，构建具备上下文感知与知识推理能力的“语义中枢”，显著增强对非结构化信息和复杂业务语境的处理能力。在流程维度上，传统模式呈线性分段构建特征，导致各环节之间存在数据壁垒与协同断点；大模型通过一体化联动机制重构审计全流程，实现审计任务、数据与知识的动态融合与实时联动，推动流程由静态串联向动态闭环演进。在组织维度上，传统审计以人为主导，技术仅为工具性支撑，而在大模型路径下，形成以人机协同为特征的新型组织结构，机器承担高频、高计算密度的任务，人类审计人员则聚焦于判断性、策略性环节，实现从“技术工具”向“智能伙伴”的角色跃迁。总体而言，该比较模型所揭示的转型逻辑表明，大模型不仅是审计流程的技术升级引擎，更是推动认知审计、动态审计与智能治理深度融合的结构性力量。

（点击图片查看大图）

大模型作为底层智能引擎，通过功能融合、数据融合与知识融合的“三层融合”机制，从根本上重构了传统审计信息化流程（如图2所示）。大模型驱动的智能中枢通过协同作用，在功能层面实现了管理、作业与分析的一体化整合，彻底打破传统审计管理系统（OA）、现场作业系统与大数据分析系统间的壁垒。这种融合形成全流程闭环控制：管理端动态生成审计方案并智能分配任务（如基于政策变化自动调整审计重点）；作业端实时解析多源数据并精准识别风险（如合同条款冲突检测）；分析端则自动生成结构化报告并反馈优化建议（如逻辑校验与风险预测）。

（点击图片查看大图）

在数据层面，中枢依托Transformer多模态注意力机制突破数据孤岛困境，实现文本（政策法规/合同条款）、表格（财务数据/工程量清单）、图像（工程图纸/票据扫描件）等异构数据的统一解析与关联分析。通过融合合同文本与工程进度图像数据，系统自动识别虚报工程量线索，同时提升跨模态证据链的挖掘能力。

在知识层面，中枢构建了“法规库基础规则→垂直行业语料（如百亿级工程审计语料）→实时审计证据→模型微调→智能体迭代”的动态学习闭环，取代传统静态规则库。该机制使系统能够自主适应政策调整（如新会计准则实施后自动更新审计逻辑），并通过持续的专业化演进提升判断精度。

本质上，这三层融合共同推动审计信息化流程实现范式跃迁：其一，将离散系统整合为协同中枢，消除传统OA→作业→分析的线性传递损耗，使响应时延压缩至分钟级；其二，推动审计逻辑从规则匹配向语义理解跃迁，实现上下文推理与风险预测的维度扩展；其三，构建“数据输入—知识沉淀—能力提升”的自主进化生态，形成可持续优化的智能审计能力。这种以动态闭环为核心的中枢架构，不仅解决了数据孤岛、规则僵化与响应滞后等传统瓶颈，更为科技强审战略提供了可拓展的技术实现路径。

以“中枢大脑”重构流程范式变革的核心在于，实现了对传统线性建设模式的跨越式替代，并展现出三大关键优势，传统路径与大模型驱动路径的对比如表1所示。

（点击图片查看大图）

首先，该范式实现了审计全流程的智能化覆盖，显著提升了效率与精度，跨越了传统的渐进式建设阶段。在审前阶段，大模型能够自动解析复杂的政策法规，并据此动态生成优化的审计方案，有效替代了传统审计管理系统（OA）中基于静态模板的计划功能。在审中阶段，其强大的实时处理能力可深入解析非结构化数据（如合同文本），精准识别条款冲突、参数偏离等潜在风险点，准确率可达75%以上，从而在很大程度上替代了传统依赖人工抽样和预定义规则模型的分析方式。在审后阶段，大模型能够高效自动生成结构化的审计报告（效率提升约60%），并智能校验报告内容的逻辑一致性，融合了传统作业系统与报告管理系统的核心功能，大幅缩短审计周期。

其次，大模型的多模态融合能力从根本上打破了传统审计系统的数据壁垒。大模型能够同步处理和分析文本、表格、图像（如合同扫描件、工程量清单照片）等异构多源数据，实现了信息的深度关联与洞察。实践表明，多模态大模型可以直接打通传统割裂的审计管理系统（OA）、审计作业系统和审计大数据分析系统之间的数据隔阂，构建统一的数据视图，为综合监督提供坚实基础。

最后，基于Transformer架构的端到端动态学习机制取代了僵化的静态规则引擎。通过垂直领域知识的持续注入（如在“审元大模型”等专业模型中训练百亿级工程审计语料），大模型能够不断自我优化其专业审计能力，灵活适应审计场景、政策法规和市场环境的动态变化。这种持续学习能力显著降低了对预设规则模型（如规则库、舞弊标签、合规阈值）的依赖，避免了规则频繁迭代、失效快及维护成本高昂的问题，使审计逻辑从刻板的“规则编码”向更具适应性的“语义理解”跃迁。

智能审计大模型系统的整体架构采用数据层、模型层、应用层三层架构设计，聚焦大语言模型（LLM）与业务场景的深度融合，简化层级划分的同时确保功能完整性与扩展性，如表2所示。

（点击图片查看大图）

1.数据层是系统的基石，负责整合企业内部多源数据（如OA、财务、人力系统），通过API、多智能体协同等技术构建统一的审计知识库，实现结构化与非结构化数据的实时抽取与标准化存储。LLM在此层发挥语义解析能力，对合同文本、审计报告等非结构化内容进行智能分类、标签化处理，并建立动态关联（如将合同条款与财务付款记录映射）。

2.模型层以LLM为核心引擎，结合OCR（光学字符识别）、CV（计算机视觉）等技术实现多模态智能分析。LLM通过知识图谱构建动态审计知识库（如关联法规、案例与整改措施），并协同处理文本、图像、表格等多模态任务（如解析航拍图识别违建，或分析财务报表发现科目异常）。模型层还针对农垦集团业务场景进行轻量化微调（如优化术语识别），实时监控资金流水与整改进度，预测风险并触发预警。

3.应用层聚焦业务落地，覆盖审计全流程场景。LLM驱动智能计划管理（如自然语言生成审计计划）、自动化作业执行（财务异常检测、招投标围标分析）与闭环整改跟踪（材料完整性校验、责任链路生成）。模块化设计支持快速扩展新场景（如地产审计），同时数据层预埋的外部接口能力（如税务验真）可直接服务于业务需求，确保系统灵活性与前瞻性。

1.审计知识库智能体。

（1）多源数据采集智能体：构建非结构化数据和结构化数据的采集接口，为知识库的构建提供有效的数据来源。

非结构化数据采集智能体：提供对PDF、扫描件、Word文档等非结构化数据的接入功能，结合OCR和大语言模型技术实现内容解析与结构化转换；结构化数据采集智能体：提供各类数据库表单、Excel表单的数据接入功能。

（2）知识提取智能体：利用大模型，清洗原始数据并按需提取相应的数据构建知识图谱。

数据清洗增强：利用大模型自动识别异常值、缺失值及语义矛盾，支持基于业务规则的动态纠错（如财务科目逻辑校验）；知识图谱自动化构建：通过多模态大模型提取非结构化数据中的实体与关系，自动化构建相应的知识图谱。

2.审计管理智能体。

（1）审计项目管理。

①年度计划管理：制订/调整审计计划，分配资源（人力、时间、预算）。

智能资源优化引擎：LLM分析历年项目数据（人力投入/问题发现率/整改周期），推荐最优资源分配方案；动态预算模拟：基于历史成本数据+宏观经济指标预测，生成多版本预算方案（保守/中性/激进）；监管雷达：LLM实时解析最新审计法规，自动标注计划合规风险点。

②项目立项管理：创建审计项目，设定目标、范围、时间节点。

风险自评估模块：LLM自动解析立项材料，对比行业基准数据生成风险雷达图；知识图谱辅助决策：自动关联历史相似项目的问题库、整改方案、审计报告；智能目标生成器：基于被审计单位画像自动推荐审计重点领域和核心KPI。

③任务分派管理：分配审计组成员及角色（主审、协审）。

智能角色画像引擎：通过成员历史绩效数据（问题发现率/整改率等）生成三维能力矩阵；多目标优化模型：考虑专业匹配度、工作负荷、团队协作历史等维度自动生成最优分派方案；实时弹性调整机制：智能体持续监控成员工作状态（系统活跃度/任务延迟率），自动触发人员调整。

④进度监控管理：甘特图/看板式跟踪项目进度，预警延期风险。

风险预测模型：LLM分析项目文档沟通记录，识别潜在延期信号（如频繁变更需求/异常沟通延迟）；智能纠偏建议：当进度偏差大于阈值时，自动生成调整方案（增补资源/缩减范围/流程优化）；BI可视化看板：根据统计条件，以BI可视化看板方式显示审计项目的相关统计信息，如分类显示历年审计项目数、发现的问题数等；自然语言交互：支持语音/文字查询（如“对比近三年工程审计问题类型分布”），自动生成动态可视化；智能洞察推送：发现异常模式时主动预警并生成分析看板。

（2）审计流程管理。

①准备阶段：包括资料预审（上传被审计单位资料）、被审计单位画像生成（生成被审计单位画像）等。

智能资料采集：LLM推荐抓取被审计单位关联系统数据（ERP/OA/财务系统）；风险热力图：基于行业特征与历史问题库，生成风险领域可视化图谱（如采购环节高风险提示）；实施阶段：包括工作底稿管理（在线编辑、模板化录入），问题清单跟踪（记录审计发现、关联证据附件），流程控制等；智能底稿助手：可自动填充重复字段（单位名称/审计期间），LLM实时校验底稿合规性；问题智能关联：自动匹配相似历史案例（“类似2022年××项目存货问题”），证据链自动补全建议（“需补充2023年1—3月验收单”）。

②整改阶段：包括整改任务派发（自动推送至责任部门）、智能整改闭环，自动生成整改意见等。

智能验收机器人：多模态材料核验（扫描件OCR识别+影像分析），逻辑矛盾检测（整改报告数据与附件凭证不一致时预警）；影响度预测：LLM模拟整改措施对业务流程的连锁影响（如财务流程变更对审批效率的影响预测）。

③报告管理：基于模板+LLM辅助生成审计报告初稿、归档管理各类审计报告等。

动态报告生成器：LLM自动提取关键数据生成摘要，并支持多版本报告生成（管理层版/董事会版/监管报送版）；智能问答引擎：支持对历史报告的语义检索（如“查找所有涉及关联交易披露问题的报告段落”）。

3.审计作业智能体。

（1）财务审计（应收账款审计）。

应收账款动态监控与分类管理：自动生成账龄分析表（30/60/90天以上），按逾期时长制定差异化催收策略（如逾期30天邮件提醒，90天启动法律程序），并结合客户信用评级（如历史回款率）动态调整赊销额度。

坏账风险预测与应对：利用大模型分析客户经营数据（如财报、舆情），预测坏账概率并建议计提比例，同步生成催收方案（如分期还款协议）。自动关联法务系统，生成律师函或诉讼材料，跟踪执行进展。

业财数据一致性校验：对比销售合同、出库单、发票数据，识别虚增收入或重复记账，确保应收账款真实性。

（2）合同审计。

智能合同风险审查：利用大模型语义理解能力，自动识别合同条款中的法律风险（如付款条件模糊、违约责任缺失）、合规性漏洞（如违反行业监管规定）及逻辑矛盾，结合企业自定义规则库（如风控阈值）生成风险报告。

合同要素自动提取与归档：通过OCR增强识别技术提取合同关键字段（甲乙方信息、金额、履约节点等），并转换为结构化数据存入合同台账，实现动态追踪。

履约监控与预警：建立合同执行跟踪智能体，实时监控关键节点（如交付、验收、付款），逾期自动触发预警并推送至相关责任人，生成整改建议。

随着行业垂直大模型（如审元大模型）的深度普及，审计信息化正加速向技术融合化、范式实时化与治理规范化三重维度演进。在技术层面，大模型将与区块链构建的可信数据链、隐私计算实现的安全分析等技术深度耦合，形成多智能体协同的“可信审计网络”，推动审计基础设施由工具集向智能体生态跃迁。这一进程同时引发审计范式的根本性重构：审计人员角色从执行者向AI训练师与决策监督者转型，亟须掌握提示词工程、模型校验等新技能；业务流程则向动态化演进，如中石化“业审融合一体化平台”已验证实时审计（如动态监控财政资金流向）的可行性。然而，智能化深化亦伴生新型风险：数据安全方面需依赖私有化部署与联邦学习机制解决敏感信息保护难题；伦理规范层面则需通过行业组织建立AI伦理标准，以防范算法偏见与误判导致的监督失灵。未来发展的核心矛盾在于技术迭代速度（如多模态认知增强）与制度适应能力（如职业能力重塑、伦理框架构建）之间的动态平衡，这要求构建“技术—人才—制度”三位一体的协同治理体系，才能有效支撑科技强审战略的可持续落地。