2. 生成式AI基础

在审计场景中引入生成式AI，第一步不是写提示词，而是理解它“为什么会这样回答”。大语言模型（LLM）本质上是一个基于海量文本训练的概率模型：它并不检索数据库中的标准答案，而是根据当前上下文，逐词预测下一个最可能出现的词元（）。理解这一点，才能解释为什么同一提示词两次输出可能不同，也才能设计出可复核、可留痕的审计用法。

一、核心原理：从词元预测到上下文窗口

LLM的工作可以拆成三个关键环节。第一是分词：输入文本被切分为词元，中文通常按字或词组切分，英文按子词切分。第二是注意力机制：模型在上下文窗口内计算每个词元与其他词元的相关权重，从而“关注”关键信息。第三是自回归生成：模型每次输出一个词元，再把它拼回输入，继续预测下一个，直到遇到结束符或达到长度上限。

对审计人员而言，最需要记住的是上下文窗口这一约束。窗口是模型单次能“看到”的词元总量，超出部分会被截断或需要外部检索补充。因此，把一整年的凭证直接粘贴给模型往往无效，正确做法是先做结构化抽样，再分批送入。

二、提示词工程：把审计意图翻译成模型可执行指令

提示词工程不是“话术技巧”，而是把审计目标拆解为模型可执行的结构化指令。一个可复核的提示词通常包含四要素：角色（以审计师视角）、任务（做什么）、约束（依据什么规则、不得做什么）、输出格式（表格/JSON/清单）。

角色：你是一名内部审计师，熟悉《企业内部控制基本规范》。
任务：对下列10笔费用报销记录进行异常识别。
约束：
1. 仅依据给定字段判断，不得编造缺失信息；
2. 每条记录给出风险等级（高/中/低）与判断理由；
3. 理由必须引用具体字段值。
输出格式：Markdown表格，列为 序号 | 风险等级 | 判断理由。
数据：
{此处粘贴结构化记录}

在审计实战中，常用技巧包括：少样本示例（给出1~2个已判定样例，让模型模仿格式与尺度）、思维链（要求先列判断依据再给结论，便于复核）、分步拆解（先抽取字段，再比对规则，最后汇总）。但要注意：思维链提升的是可读性，不等于结论正确，仍需人工复核。

三、输出生成机制：为什么同一提示词结果不稳定

模型输出受温度（temperature）与Top-p等采样参数影响。温度越低，输出越确定、越保守；温度越高，输出越发散、越有创造性。审计场景应优先选择低温度，减少随机性。此外，幻觉是生成式AI的固有风险：模型可能生成看似合理但不存在的事实、法规条款或数据。控制手段包括：限定“仅依据给定材料回答”、要求引用原文、对关键结论做二次验证。

四、常见应用场景与审计误区复盘

在审计与风控工作中，LLM的典型应用场景包括：制度与合同条款比对（提取关键条款并标注差异）、凭证与发票信息抽取（结构化字段）、异常描述生成（把规则命中结果转写为审计说明）、访谈纪要归纳（提炼风险点）、底稿初稿撰写（生成框架后人工修订）。这些场景的共同点是：模型负责“语言转换与初筛”，人负责“判断与定责”。