OpenClaw+千问3.5-9B财务助手：票据识别与智能记账

BIG-HO

283人浏览 · 2026-04-06 02:45:54

BIG-HO · 2026-04-06 02:45:54 发布

OpenClaw+千问3.5-9B财务助手：票据识别与智能记账

1. 为什么需要个人财务自动化

每个月末，我的电脑桌面上总会堆满各种电子发票和收据截图。手动整理这些票据、分类统计消费、计算税务抵扣，往往要耗费整个周末的时间。直到我发现OpenClaw与千问3.5-9B的组合可以自动化这个痛苦的过程。

传统财务软件要么功能臃肿，要么需要手动录入每笔消费。而借助AI智能体框架，我实现了从票据识别到智能记账的全流程自动化。这个方案最吸引我的三点在于：

隐私保护：所有数据处理都在本地完成，避免了将敏感财务信息上传到第三方服务
定制灵活：可以根据个人消费习惯调整分类规则和预警阈值
成本可控：相比订阅专业财务SaaS，本地部署只需支付模型调用的Token费用

2. 环境搭建与模型部署

2.1 OpenClaw基础安装

在MacBook Pro上安装OpenClaw的过程出乎意料地简单。我选择了官方推荐的一键安装方案：

curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --install-daemon

安装完成后，通过openclaw gateway start启动服务，浏览器访问http://127.0.0.1:18789即可看到管理界面。这里我遇到了第一个坑——端口冲突。解决方法是在启动时指定其他端口：

openclaw gateway --port 18790

2.2 接入千问3.5-9B模型

由于财务数据敏感，我选择在本地部署千问3.5-9B模型。在OpenClaw配置文件中添加模型端点：

{
  "models": {
    "providers": {
      "qwen-local": {
        "baseUrl": "http://localhost:8000/v1",
        "apiKey": "none",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3-9b",
            "name": "Qwen 3.5-9B Local",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

这里需要注意，模型服务必须实现OpenAI兼容的API接口。我使用了vLLM作为推理后端，启动命令如下：

python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen1.5-9B-Chat \
    --trust-remote-code

3. 财务自动化技能开发

3.1 票据识别模块

我将所有电子发票统一存放在~/Documents/Invoices目录。通过开发一个简单的File Watcher技能，当新文件加入时自动触发处理流程：

# invoice_processor.py
from openclaw.skills import SkillBase
from pathlib import Path

class InvoiceProcessor(SkillBase):
    def setup(self):
        self.watch_dir = Path.home() / "Documents/Invoices"
        self.setup_file_watcher(self.watch_dir)
    
    def handle_file_event(self, file_path):
        if file_path.suffix.lower() in ['.jpg', '.png', '.pdf']:
            self.process_invoice(file_path)
            
    def process_invoice(self, file_path):
        prompt = f"""请从以下发票图片中提取结构化信息：
1. 开票日期
2. 金额（含税/不含税）
3. 商品/服务名称
4. 销售方名称
5. 发票代码和号码

图片路径：{file_path}"""
        
        response = self.llm.chat(prompt)
        self.save_to_database(response)

实际使用中发现，直接让模型识别图片内容准确率不高。后来改进方案是先用PaddleOCR提取文字，再让模型结构化处理OCR结果，准确率提升了40%左右。

3.2 智能记账逻辑

消费分类是财务处理中最耗时的环节。我训练了千问模型识别我的消费模式：

def categorize_transaction(description, amount):
    prompt = f"""根据以下消费记录进行分类：
消费描述：{description}
金额：{amount}元

可选类别：
1. 餐饮食品
2. 交通出行 
3. 住房物业
4. 娱乐休闲
5. 医疗健康
6. 教育培训
7. 服饰美容
8. 数码电子
9. 其他

请返回最匹配的类别编号和简短理由"""
    
    response = self.llm.chat(prompt)
    return self.parse_category(response)

为了避免模型"臆造"类别，我在prompt中严格限制了可选范围。对于不确定的记录，系统会标记需要人工复核。

4. 实际工作流与效果验证

4.1 日常使用流程

我的财务自动化流程现在分为四个阶段：

票据收集：将所有电子发票拖放到监控文件夹，纸质票据拍照后同样存放
自动处理：OpenClaw每小时检查一次新文件，调用模型进行处理
人工复核：每周日晚上花10分钟检查自动分类结果
报表生成：每月1号自动生成消费分析报告和税务测算表

4.2 效果对比

使用三个月后，我的财务处理时间发生了明显变化：

任务类型	原耗时	现耗时	节省比例
票据整理	2小时	5分钟	95.8%
消费分类	3小时	15分钟	91.7%
月度报表	1小时	自动	100%
税务计算	30分钟	自动	100%

最惊喜的是发现了之前手动记账时漏计的几笔餐饮发票，模型通过交叉比对银行流水和发票日期发现了这些遗漏。

5. 遇到的挑战与解决方案

5.1 模型理解偏差问题

初期模型经常把"星巴克咖啡"分类到"娱乐休闲"而非"餐饮食品"。通过提供分类示例和调整prompt后有所改善：

prompt = f"""参考以下示例进行消费分类：
示例1：
描述：海底捞火锅
金额：258
→ 类别1（餐饮食品）

示例2： 
描述：滴滴专车
金额：35
→ 类别2（交通出行）

现在请分类：
描述：{description}
金额：{amount}
→ 类别"""

5.2 多票据关联处理

酒店住宿通常包含房费和早餐发票。我开发了关联识别逻辑：

def find_related_invoices(invoice):
    # 通过时间、地点等特征查找可能关联的票据
    same_day_invoices = self.db.find_invoices(
        date=invoice.date,
        location=invoice.location
    )
    return self.llm.detect_relations(invoice, same_day_invoices)

5.3 预算预警机制

根据历史消费数据，我设置了动态预算阈值。当某类别消费超过平均值的20%时，会收到飞书提醒：

def check_budget(category, month):
    history = self.db.get_history(category, months=3)
    avg = sum(history) / len(history)
    current = self.db.get_current(category, month)
    
    if current > avg * 1.2:
        self.send_alert(f"{category}预算超支预警：当前{current}元，历史平均{avg:.2f}元")