封面专题｜张莉：大语言模型在审计领域的潜在应用与技术路径

【摘　要】 大语言模型因其自然语言处理能力，在审计领域技术创新中引发争议。文章分析了大语言模型在审计知识智能问答、流程自动化和审计风险与异常检测等方面的机遇，并提出了具体技术方案：基于检索增强生成的知识交互技术，与外部知识库结合增强大语言模型在审计领域应用的专业性，并为审计知识智能问答提供技术路线；设计审计应用智能体，通过工具和多智能体协作，实现审计流程自动化和风险识别等。在此基础上，设计了面向审计领域的技术架构，提出了构建关键组件审计知识库和集成工具的技术路径，以及基于LangChain框架实现组件集成的方法。文章为大语言模型服务于智能审计提供了理论基础和实践参考。

【关键词】 大语言模型；审计；检索增强生成；多智能体协作

【中图分类号】 F239.1  

【文献标识码】 A  

【文章编号】 1004-5937（2024）24-0002-08

一、引言

党的二十届三中全会强调，要健全促进实体经济和数字经济深度融合制度，加快构建促进数字经济发展体制机制，促进各类先进生产要素向发展新质生产力集聚。审计领域新质生产力就是审计“数智化”，就是要运用先进技术手段推动审计方式方法创新，提升审计效能与审计质量，提高审计工作的灵活性和适应性。随着数字经济的发展，大语言模型（Large Language Models，LLMs）凭借卓越的自然语言处理能力已在金融^[1]、医疗^[2]、科技^[3]等众多垂直领域展现了强大应用潜力。LLMs不仅在文本生成、知识提炼、智能对话及信息检索等方面表现优异，还具备流程自动规划与决策、多样化数据处理与分析、创建生成式交互环节等能力^[4]。因此，通过LLMs在审计领域的应用，可解决当前审计工作中存在的数据量大、程序烦琐、质量难以保障、风险难以把控等难题^[5]，从而提高审计工作的效率和精度，促进审计领域“数智化”转型^[6]。

LLMs是在大规模文本数据上训练而成，拥有数万亿参数的自然语言处理系统。这些模型基于先进的神经网络架构，并通过GPT（Generative Pre-trained Transformer）、BERT（Bidirectional Encoder Representations from Transformers）等预训练模型与微调技术的结合，有效利用了注意力机制来分析文本数据^[7-8]。这种机制使得模型能够精确捕捉文本中的长距离和短距离依赖关系^[7]，从而在执行自然语言任务时展现出卓越的性能，并能够应对各种不同的下游任务，为各行业解决复杂问题、提升工作效率和将智能化应用落地提供了强有力的支持。

目前，LLMs在审计领域的研究和应用主要停留在理论探讨阶段。一方面，随着LLMs的发展，学者们对其在审计领域中的应用开展了相关研究。如胡耘通等^[9]指出，基于LLMs所开展的审计工作与传统审计相比，在审计数据处理与分析、异常检测、智能问答等方面更准确、更迅速、更智能。程平等^[10]探讨了LLMs在审计各个环节的应用，从人机协同、审计质量、数据安全三方面分析了应用实施中的关注点，并设计了基于ChatGPT的审计框架模型。通过对LLMs的功能与能力分析，以及LLMs和审计工作的适配性研究^[11]，部分学者提出了基于LLMs的审计模型优化思路与策略^[12]，但是当前对这些优化方案的技术实现路径与实际应用研究仍较为缺乏。另一方面，学者们针对LLMs给审计领域带来的挑战、问题与影响进行了分析与研究。如刘雷等^[13]从认知、技术、规范、监管四个层面提出了LLMs会给审计人员工作、系统集成、系统加密、恶意诱导等方面带来挑战。谭韵等^[14]则指出审计领域涉及的数据通常较为敏感，而LLMs又是难以解释的黑盒模型，因此审计数据在LLMs中的流转缺乏透明度，从而增加数据泄露的风险。虽然当前研究中指出了LLMs给审计领域所带来的问题，但是仍缺乏对实际可操作解决方案的设计与研究。

为了弥补以上不足，本文将深入分析LLMs在智能审计方面的优势与潜在应用场景，并创新性地提出了基于检索增强生成交互与多智能体编排协同作业的智能审计技术路径，以及基于LLMs的智能审计技术架构与私有化部署方案，从而为智能审计领域的发展提供新思路、新方法与新技术，解决当前审计中存在的审计人员技能不足、审计智能化技术壁垒高、LLMs对审计数据隐私与安全保障度低等问题，有效地提高审计效率，降低审计风险，并推动LLMs在智能审计领域的落地与实际应用。

二、大语言模型在审计中的潜在应用

（一）大语言模型的优势与潜力

与传统的审计方法相比，LLMs在上下文理解、多模态信息处理和任务自动化等方面显示出显著的优势。LLMs展现出了先进的自然语言处理能力，能够更深入地理解和生成自然语言。因此，基于LLMs所构建的审计系统能够以自然语言的方式实现人机交互，从而减少审计人员对审计平台与系统的学习时间并降低对审计人员技术水平的要求。此外，审计人员可以通过LLMs处理审计报告、法律文件、财务声明、会议记录等非结构化的文本资料，并利用其自然语言生成能力辅助审计决策。

LLMs还具备强大的上下文理解和推理能力，不仅能理解单独的句子或段落，还能捕捉并推理较长文本中的上下文信息^[15]。LLMs可以迅速学习并掌握审计领域的知识，包括法律法规、审计准则和历史审计经验等，能够根据审计人员的需求，从海量文本中快速检索并提取出相关信息，从而为审计人员提供即时、精准的答案与解决方案，提升审计效率和准确性。

此外，与通常专注于特定数据分析或审计任务的传统工具不同，LLMs的通用性使其能够应用于审计的各个阶段，提供从信息收集到审计报告生成的一站式解决方案。尤其是能够处理和理解多模态信息（包括文本、图像、表格等）的大模型（ChatGPT-4、Sora、Genie等）^[16]，能自动执行许多烦琐的任务，并通过持续学习和模型调整，不断适应新的环境和要求，这是许多传统智能审计工具所不具备的。

（二）审计中的潜在应用场景

审计领域的专家学者已经开始探讨LLMs在审计领域的应用场景。如吴花平等^[17]指出ChatGPT可以以问答的形式帮助审计人员快速了解审计知识，提升审计效率；程平等^[18]认为在企业内部审计中可以应用ChatGPT收集内部审计信息，分析审计数据，以帮助内部审计团队从基础的、琐碎的工作中解脱出来；贺剑^[19]发现ChatGPT能辅助审计人员编写代码，并解决代码调试等超出审计人员能力范围的问题；谭韵等^[14]提出ChatGPT在审计中的应用可以智能识别潜在的欺诈指标，推动会计的智能化转型；陈继萍等^[20]也提出了相似的观点，GPT可以通过分析公司的财务报表、内部控制流程和业务数据来自动识别管理层的潜在风险。因此，LLMs的应用不仅贯穿审计流程的各个阶段，还拓展到审计决策、风险管理和报告撰写等多个领域。表1总结了具体应用场景及描述。

审计准备阶段需要评估审计环境、确定审计范围与目标、构建审计团队和制定审计策略。LLMs可用于培训新人以提高审计团队的专业水平，提供即时的信息支持、检索和解答，辅助审计团队确定审计范围、目标、策略并做出准确的判断，从而优化审计计划，使得LLMs成为审计团队在制订审计计划时的重要智能化工具，为他们提供了全面、高效的支持。

审计实施阶段是审计工作开展的关键阶段，其中包含审计查证、审计程序和审计底稿环节。在审计查证环节，LLMs可以实现审计证据的自动化收集，通过处理大量文本和数据，迅速提取和整理出审计所需的关键信息，为审计人员提供必要的数据支持。在审计程序环节，LLMs可以应用于财务风险识别与评估，通过分析财务数据和相关文本信息，识别潜在的财务风险点，并对其进行评估和分析。同时，LLMs还能够识别异常交易和事件，帮助审计人员快速发现可能存在的异常情况和问题。在审计底稿环节，LLMs的自动化生成能力可以减少审计人员的重复工作，通过整合审计数据和分析结果，计算相关财务指标，自动生成审计底稿，提高了审计工作的效率和准确性。

在审计报告阶段，审计团队将综合收集证据，出具审计意见，编写并发布审计报告，对外披露审计结果，确保审计的可靠性、准确性与高效性。LLMs能够利用其强大的自然语言处理和数据分析能力，对审计结果进行智能化分析，从海量数据中提取关键信息，辅助审计人员进行综合评价和决策。同时，LLMs可以通过历史审计经验的学习，根据审计人员以往经验智能化分析审计结果。此外，LLMs还能够自动化生成审计报告，根据审计结果和意见，自动生成结构化、规范化的报告内容，节省了审计人员的时间和精力，提高了审计报告的生成效率和质量。综上所述，LLMs在审计报告阶段的应用能够为审计团队提供智能化的数据分析和报告生成支持，实现审计工作的高效、准确和可靠。

三、基于大语言模型的智能审计技术路径

（一）基于检索增强生成的知识交互

检索增强生成（Retrieval-Augmented Generation，RAG）技术在大语言模型解决专业领域问题方面发挥着关键作用，特别是在提供准确和可靠的信息支持方面。RAG技术通过将信息检索过程与生成模型的能力结合起来，能够智能地从广泛的数据源中检索相关信息，从而显著提高生成内容的准确性和鲁棒性。它有效利用了非参数记忆的概念，不仅易于更新，还有助于降低生成成本。因此，通过应用基于RAG的知识交互路径，可以及时准确地实现审计专业知识的智能问答。

RAG技术的核心依赖于检索（Retriever）和生成（Generator）两个协同工作步骤，如图1所示。在检索阶段，系统根据用户的查询在特定的数据集或实时网络资源中寻找相关信息，利用先进的技术如语义搜索确保检索内容与查询高度匹配。在生成阶段，基于LLMs的生成模型将结合检索到的信息和原始查询内容，生成内容丰富且精确的回答。RAG技术通过整合外部数据或知识库，为执行专业审计任务提供所需的专业信息。例如，将公司的财务标准和行业规范集成到模型中，可以显著提高风险评估和财务分析的准确性。此外，利用特定的工具动态生成与审计任务相关的提示语，并与外部知识相结合，可以显著提高模型的输出质量。

（二）多智能体及其编排设计

智能审计通过多智能体及其编排设计实现协同作业，共同完成审计任务。在当前的信息技术环境下，审计合规性分析、异常检测与风险识别、决策支持与自动化报告生成等任务日益复杂，尽管基于RAG的一问一答交互系统展现出了一定的能力，但在处理这些任务时仍存在较大的局限性。为了更好地应对这些挑战，有必要进一步开发LLMs智能体，以实现更高效、准确的处理。在这种智能体中，LLMs相当于智能体的“大脑”，负责处理用户的请求、调用相关工具、执行任务以及完成任务后的反馈等一系列操作。智能体工作原理如图2所示。当智能体接收到用户的任务请求后，首先会对任务进行深入的理解和思考，然后进行规划和决策。在这一过程中，LLMs会根据任务需求选择合适的工具来执行任务。工具执行后，会将结果反馈给LLMs。LLMs根据结果判断其是否满足用户的需求，然后进行反思和决策，可能会多次调用工具，直到得到满足用户需求的结果，最后将结果反馈给用户。

在这一工作流程中，工具是智能体的重要组成部分，它为智能体提供了额外的功能。通过为智能体赋予不同的角色和工具，可以设计出不同的智能体，以应对各种复杂的任务。例如，在进行审计合规性分析时，可以设计专门的智能体来处理大规模的文本数据，能够从法规文件、合同条款、公司政策等多源信息中进行检索。同时，还可以设计专门的智能体来进行合规分析，能够针对特定的规定条例对提交的审计材料进行审计合规性分析。

因此，需要对不同的智能体进行编排（Orchestration）来协作完成任务，确保审计过程的整体性和连贯性。图3展示了针对审计合规性分析的智能体编排示例。首先，智能体1负责从多元数据源中提取与审计相关的文本数据。随后，智能体2—智能体4分别对标准化后的数据检查相应的审计规范条例。智能体5则负责整合这些合规性分析的结果，识别并标记出潜在的风险点。最后，智能体6基于整合后的分析结果，生成最终的审计报告，该报告包括风险评估和合规性建议，为决策提供支持。通过这种分阶段的处理流程，智能体能够高效地完成审计合规性分析任务。在实际应用中，智能体之间的协作与流程设计应根据具体的审计要求和可用技术进行定制。通过优化智能体编排，可以大幅提高审计流程的效率和准确性，实现更高水平的自动化和智能化审计服务。

四、基于大语言模型的智能审计技术架构

（一）技术架构

基于大语言模型的智能审计技术架构包含基座层、知识层、AI层、编排层和交互层（如图4）。

1.基座层

基座层是基于LLMs的智能审计技术架构的基石，其包括了各种先进的LLMs，如GPT-4、Claude2、Llama2、ChatGLM等。这些模型为智能审计提供了复杂且强大的自然语言处理、理解和生成能力，是支撑LLMs在智能审计领域中实际应用的核心。上层应用如智能审计知识问答、智能审计合规性分析等功能都将通过在该层调用LLMs的基础上实现。实际应用如果有数据安全的考虑，可以在本地部署开源大模型，或者使用商业化大模型产品的私有化部署服务。

2.知识层

知识层在智能审计技术架构中起到提供专业知识库的作用，对增强审计的智能性和精确性至关重要。知识层中的审计领域专业知识库包含了审计行业的广泛知识，如相关法律法规、审计准则、规章制度、审计经验、历史案例等。审计领域专业知识通常以pdf、html、csv、png等非结构化数据形式呈现及存储。通过自然语言处理技术与先进的计算机视觉技术可以实现将各种类型文档中的关键元素提取出来并形成结构化数据块。利用嵌入模型将这些结构化审计数据转化为嵌入向量，并且将嵌入向量的集合存储至向量数据库中。与传统利用知识图谱的构建审计领域专业知识库不同，向量数据库在处理方式、效率、成本和扩展性等方面都有显著优化，具体差异如表2所示。基于LLMs与向量数据库的方法具备自动化处理大规模非结构化数据的能力，同时能快速适应知识的更新和扩展，显著降低时间和资源成本。

3.AI层

AI层是将知识层内的审计领域专业知识转化为智能审计实际应用的关键层级。AI层包含工具与智能体两部分组件。工具组件是将LLMs与丰富的外部知识和资源集成。这一集成过程通过提取和融合来自网络、专业知识库、数据库、文档以及各类外部应用程序编程接口（API）的信息来实现。智能体则代表了一系列独立工作的AI系统，其可以进行复杂的任务，如数据分析、模式识别、预测建模和自然语言生成。在审计专业领域，智能体可以审计人员的角色，执行复杂的审计任务，如审计实质性测试、分析性复核等。

4.编排层

编排层负责根据不同的审计任务，组合AI层形成的智能体以执行该审计任务，如财务风险识别与评估、审计合规性评估、审计报告生成等。

5.交互层

智能审计技术架构中的交互层是审计人员等用户操作和获得系统反馈的界面。其中基础聊天工具（Chat）是用户与系统交互的主要渠道，用户可通过输入自然语言查询的方式与系统互动，系统则以类似方式响应，使得审计人员能轻松利用系统。比如审计知识搜索引擎的构建，用户通过向系统输入问题的方式获取该问题的精准回答。API组件将使用诸如FastAPI等框架，为智能体及其编排提供稳固而灵活的接口系统，使得其能够与用户界面层进行高效通信，确保审计数据、分析结果以及用户请求可以无缝地在系统间传递。

在此技术架构中，知识层的向量知识库和AI层的工具组件是核心和关键，为智能体及其编排、交互层中的审计知识交互与标准API服务提供了基础功能和保障。

（二）关键组件构建

1.审计领域向量数据库及其私有化部署

审计知识库的构建是提高审计工作质量和效率的关键，图5为审计知识库构建技术路线。

（1）高质量审计知识筛选与收集。审计知识库数据收集采用系统性策略，首先聚焦法律法规收集，继而整合政策与规章制度、审计准则与标准等，最后整合历史审计数据与审计文档等。这些通常是非结构化数据，包含丰富的文本、图片和表格元素。

（2）结构化处理与清洗，将非结构化数据转换为易于机器理解和处理的格式。文本元素经过标准化清洁，去除冗余内容，提高可读性和分析准确性。图像元素通过先进的图像处理技术转换为描述性文本，增强了图像内容的可访问性，同时也为非文本内容的分析提供了新的途径。表格元素被转换成HTML格式，保留了原有结构和格式，增强了表格数据的可用性和灵活性，为后续的数据整合和分析提供了便利。利用信息结构化处理策略将文本、图像与表格数据转化成为结构化数据块。使用嵌入模型对预处理后的审计数据进行训练，将文本数据映射到高维度的向量空间中，将生成的嵌入向量集合存储到向量数据库中。

（3）嵌入计算与私有化。数据经过结构化处理与清洗后，通过选定的嵌入模型进行数据转化。嵌入模型将结构化的数据转换为高维向量形式，以便于机器理解和处理，同时支持复杂的数据分析和信息检索任务。选用的嵌入模型直接影响到向量化数据的表达能力和最终知识库的应用效果。当选择嵌入模型时，一方面可以考虑使用外部公开的模型，如OpenAI、Cohere和Hugging Face等，它们因易用性和快速部署能力而受到青睐，但可能需要面对较高的成本和数据隐私方面的担忧。另一方面，本地部署嵌入模型虽然初期需要较大的投资，特别是在硬件配置上，但从长期来看，它能有效控制成本，并提供更高级别的数据隐私与安全保护，同时还允许针对特定需求定制模型。

（4）导入审计向量数据库及其私有化。经过嵌入模型处理的数据将被存储在专门设计的向量数据库中。向量数据库专为处理高维向量数据而优化，能够高效地支持向量之间的相似度搜索、数据检索等操作。向量数据库的配置决定了知识库的检索效率和扩展能力。至于向量数据库的配置，其关键在于选择一个既能保证数据管理效率又能确保数据安全性的存储方案。云服务，如Pinecone，提供了快速部署和易于管理的解决方案，特别适合于处理小规模的数据集。然而，这种方案需要密切关注数据的安全性和可能出现的成本问题。与之相对，本地部署方案，使用像Weaviate和Faiss这样的系统，虽然初始投资较高，但对敏感或大规模数据处理提供了更高的数据安全性，并且具备定制化处理能力，从长远来看，这种投资是值得的。

2.审计领域专用工具组件

通过全面解析审计领域复杂任务分析所需的步骤、信息、方法和模型，实现基于LLMs的智能审计需要设计至少以下三类工具。

（1）信息文本分析类工具，专注于从多种文本文件中提取和处理信息，是处理非结构化数据的关键。例如，PDFPlumber、Docx2txtLoader、UnstructuredPowerPointLoader等工具能够从PDF、Docx、PPT等文件格式中提取文本内容。在审计领域，大量的财务报表、合同、会议记录等关键信息往往存储在这些格式的文件中。通过这些工具，审计人员可以自动化地提取这些文档中的文本信息，以便于进一步分析和审计证据的收集。

（2）信息检索类工具。①开域知识检索工具，如Bing Search和DuckDuckGo Search，提供广泛的互联网搜索能力，帮助审计人员验证公司的背景信息、行业标准或查找法律法规等开放资源。②审计领域向量知识库检索工具，如Pinecone和Weaviate，通过使用向量搜索等技术，允许审计人员在专业的审计知识库中进行精准检索。向量知识库检索工具通过理解查询的语义内容，能够找到与查询语义相似的文档，即使这些文档不包含具体的查询词汇。这对于查找具有相似审计情况的历史案例、审计方法论或行业最佳实践特别有用。③关系型数据库检索工具，如PostgreSQL，支持在结构化数据源中进行复杂的查询和分析。在审计过程中，审计人员需要从企业的ERP系统、财务管理系统等内部信息系统中提取数据进行分析。关系型数据库检索工具能够支持这种需求，使审计人员能够执行复杂的SQL查询，以便快速获取和分析所需的数据。

（3）计算类工具，如Python REPL和Wolfram，提供强大的计算能力和数据分析功能。审计人员可以使用这些工具进行数据清洗、转换、统计分析等一系列数据处理任务。比如，利用Python进行数据的预处理和分析，通过Wolfram进行复杂的数学运算和模型计算。这些工具使审计人员能够在审计过程中应用各种数据分析方法和模型，深入挖掘数据背后的信息，识别潜在的风险和问题。

（三）基于LangChain框架的组件集成

LangChain框架是一种旨在简化和增强LLMs（如ChatGPT）与外部工具或数据源集成的开发工具。在审计领域中，LangChain框架通过引入一套系统化的方法，将LLMs与专业的审计工具和数据源进行集成。这一框架提供了一套全面的标准化接口和规则，允许开发人员将大语言模型扩展至能够执行包括数据分析、风险评估和合规性核查在内的复杂审计任务。LangChain框架的集成过程涉及以下关键步骤。

首先，需要识别出对于完成特定审计任务必要的外部工具和数据源，如API、数据库等。为所选工具和数据源定义清晰的接口，包括请求发起、认证方式、数据传输格式等，确保外部资源的顺畅调用和访问。其次，基于大语言模型的能力，需要设计能够将审计人员自然语言输入转化为对外部资源具体操作请求的提示词（Prompt）模板。同时，开发与审计人员交互的逻辑，确保审计人员的查询或指令能够被正确解释并映射到相应的外部操作上。在实际场景中，需要反复测试设计的Prompt模板和交互逻辑，根据测试结果进行优化，提高准确率。再次，需要开发处理返回数据的逻辑，包括数据解析、格式化和错误处理，确保从外部资源获得的数据能够被有效地转换成特定审计任务所需的格式。同时，实现审计人员反馈收集和处理机制，优化Prompt模板和数据处理逻辑。最后，确保所有外部调用遵循最佳的安全实践，如使用安全的链接、管理审计中的敏感信息等，防止审计数据泄露和未授权访问。

通过上述步骤，利用LangChain框架将LLMs有效地集成到审计流程中，从而提升审计工作的效率和准确性。这种集成不仅增强了模型的功能性，还提供了更加丰富和便捷的审计人员交互体验。

五、结论与展望

本文针对LLMs在审计领域的应用进行了系统性研究。与传统方法相比，大语言模型在语义理解、多模态信息处理和任务自动化方面优势显著。因此，本文指出了大语言模型在审计计划、审计实施、审计报告三个阶段都有极大的应用潜力，尤其是在审计知识智能助手、审计流程自动化、审计数据异常检测等应用场景具有实践意义。本文提出了构建审计专业知识库，基于检索增强生成的知识交互满足审计知识智能问答的应用场景，通过多智能体及其编排设计的技术路径实现审计流程自动化与数据异常检测的应用。为了进一步推进应用落地，提出了基于大语言模型的智能审计技术架构，明确了知识层、AI层等关键组成部分及其功能定位，通过审计知识库私有化部署来遏制数据泄露风险。

展望未来，为了实现基于LLMs的智能审计实际落地，目前至少需要考虑以下两个关键点。一是应当着手构建审计领域的知识库，这是培养和提升模型专业能力的基础，也是实现智能审计的重要环节，是一项值得投入时间和资源的艰巨任务。二是在工程落地方面，需要根据不同的实际应用场景和需求，设计定制化的交互方式、提示模板、输出规则等；不同的智能审计工具应当组建针对特定场景优化的智能体，以实现对审计工作流程的全面自动化。综上所述，审计领域知识库的构建和面向实际场景的工具及智能体开发是当前实现LLMs在智能审计中应用的当务之急。在这些方面的持续投入与积累，将推动这一技术真正服务于审计行业，形成审计领域的新质生产力，有效提升审计质量和效率。●

【参考文献】