安全
上市公司审计追踪与风险检测技能包，自动化分析往来账龄、标记异常交易、检测重复付款、监控大额异常预警。适用于财务审计、内控合规、风险预警、税务风险检测等场景。当用户提到审计追踪、账龄分析、异常交易检测、重复付款、大额预警、风险检测、内控审计、应收账款、应付账款、银行对账、费用审计、税务风险等关键词时触发。
上市公司审计追踪与风险检测技能包，自动化分析往来账龄、标记异常交易、检测重复付款、监控大额异常预警。适用于财务审计、内控合规、风险预警、税务风险检测等场景。当用户提到审计追踪、账龄分析、异常交易检测、重复付款、大额预警、风险检测、内控审计、应收账款、应付账款、银行对账、费用审计、税务风险等关键词时触发。
本技能包为上市公司提供全面的财务审计追踪与风险检测能力，通过自动化分析帮助审计人员高效识别异常交易、账龄问题、重复付款等风险点，提升审计效率与准确性。
| 账龄区间 | 天数范围 | 风险等级 | 备注 |
|---|---|---|---|
| 即时/当前 | 0-30天 | 低 | 正常在信用期内 |
| 短期 | 31-60天 | 中低 | 轻度关注 |
| 中期 | 61-90天 | 中 | 需要催收跟进 |
| 长期 | 91-180天 | 高 | 存在逾期风险 |
| 超长期 | 181-365天 | 很高 | 坏账可能性大 |
| 长期挂账 | 1年以上 | 极高 | 需专项审计 |
坏账计提比例 =
1年内: 0-5%
1-2年: 10-30%
2-3年: 30-50%
3年以上: 50-100%
账龄分析表生成公式：
期末坏账准备 = Σ(各账龄区间余额 × 对应计提比例)
触发条件：
输出格式：
逾期预警清单：
| 客户名称 | 逾期金额 | 账龄 | 信用额度 | 占用比例 | 风险等级 |
|---------|---------|------|---------|---------|---------|
| XXX公司 | ¥500,000 | 45天 | ¥800,000 | 62.5% | 🔴高 |
统计维度：
预警规则：
逾期天数 = 实际付款日期 - 应付到期日
逾期金额 = 逾期天数 > 0 的应付账款合计
付款优先级 =
(紧急程度权重 × 逾期天数) +
(金额权重 × log(应付金额)) +
(关系权重 × 供应商评级)
权重参考：
阈值设定：
单笔预警阈值 = max(历史平均交易额 × 3, 固定阈值)
固定阈值默认值：¥500,000
判断逻辑：
def check_large_transaction(amount, history_avg):
threshold = max(history_avg * 3, 500000)
if amount > threshold:
return {"flag": True, "level": "warning", "threshold": threshold}
return {"flag": False}
检测范围：
异常指数计算：
非工作时间交易频率 = 非工作时间交易数 / 总交易数
异常指数 = 非工作时间交易频率 × 金额占比
拆单特征识别：
def detect_split_transactions(transactions, amount_threshold=10000):
"""
检测是否存在将大额交易拆分为多笔小额交易
"""
# 1. 按交易对手+时间段分组
grouped = group_by_counterparty_and_period(transactions)
# 2. 识别金额接近阈值的连续交易
suspicious_patterns = []
for key, txns in grouped.items():
sorted_txns = sort_by_time(txns)
# 3. 检测是否存在金额之和超过阈值的连续小额交易
for i in range(len(sorted_txns)):
window_sum = 0
for j in range(i, min(i+5, len(sorted_txns))): # 5分钟内
window_sum += sorted_txns[j].amount
if window_sum > amount_threshold * 0.9: # 达到阈值90%
suspicious_patterns.append({
"transactions": sorted_txns[i:j+1],
"total_amount": window_sum,
"count": j - i + 1
})
return suspicious_patterns
关联交易识别维度：
风险评分公式：
关联交易风险分 =
基础分(20) +
频率异常加分(0-30) +
价格偏离加分(0-30) +
条款异常加分(0-20)
整数判定规则：
def is_round_amount(amount):
"""检测是否为整数金额（可能存在虚假交易）"""
# 排除已知的整数交易类型（如工资、水电费）
if is_known_regular_expense(amount):
return False
# 判断是否为整数或接近整数
return abs(amount - round(amount)) < 0.01
def calculate_round_amount_risk(txns):
"""计算整数金额交易风险指数"""
round_count = sum(1 for t in txns if is_round_amount(t.amount))
total_count = len(txns)
round_ratio = round_count / total_count if total_count > 0 else 0
# 整数金额占比超过行业均值可能有异常
industry_avg = 0.15 # 行业平均水平
risk_score = min((round_ratio - industry_avg) * 100, 50)
return risk_score
检测逻辑：
def detect_month_end_spike(transactions, month):
"""检测月末突击入账（粉饰报表嫌疑）"""
month_txns = filter_by_month(transactions, month)
# 按日期分组统计
daily_amounts = group_by_day(month_txns)
# 计算最后5天占比
last_5_days_amount = sum(daily_amounts[-5:])
month_total = sum(daily_amounts)
spike_ratio = last_5_days_amount / month_total if month_total > 0 else 0
return {
"last_5_days_ratio": spike_ratio,
"flag": spike_ratio > 0.4, # 超过40%触发预警
"risk_level": "high" if spike_ratio > 0.5 else "medium"
}
检测规则：
def detect_duplicate_payment(transactions, tolerance_days=7, tolerance_amount=0.01):
"""
检测重复付款
- 相同供应商
- 金额差异小于 tolerance_amount
- 日期差小于 tolerance_days
"""
duplicates = []
for i, t1 in enumerate(transactions):
for t2 in transactions[i+1:]:
same_supplier = t1.supplier_id == t2.supplier_id
similar_amount = abs(t1.amount - t2.amount) / t1.amount < tolerance_amount
close_date = abs((t2.date - t1.date).days) <= tolerance_days
if same_supplier and similar_amount and close_date:
duplicates.append({
"transaction_1": t1,
"transaction_2": t2,
"match_type": "amount_supplier_date"
})
return duplicates
def detect_duplicate_invoice(invoices):
"""检测相同发票号重复报销"""
invoice_groups = group_by_invoice_number(invoices)
duplicates = {k: v for k, v in invoice_groups.items() if len(v) > 1}
return duplicates
def detect_duplicate_voucher(vouchers):
"""检测凭证号重复"""
voucher_groups = group_by_voucher_number(vouchers)
duplicates = {k: v for k, v in voucher_groups.items() if len(v) > 1}
return duplicates
检测场景：
对账公式：
银行对账差异 = 银行余额 - 账面余额
调整后余额 = 银行余额 ± 未达账项
应等于 = 账面余额
未达账项类型：
| 类型 | 方向 | 说明 |
|---|---|---|
| 银行已收企业未收 | 企业少计 | 加回 |
| 银行已付企业未付 | 企业多计 | 减除 |
| 企业已收银行未收 | 银行少计 | 减除 |
| 企业已付银行未付 | 银行多计 | 加回 |
挂账期限阈值：
短期挂账: 30-90天
中期挂账: 90-180天
长期挂账: 180天以上
def detect_fund_flow_anomaly(transactions, base_ratio=0.3):
"""
检测资金流向异常
- 单个账户流出/流入占比异常
- 资金快进快出
- 资金闭环流动
"""
# 计算各账户资金流占比
account_flows = calculate_account_flow_ratio(transactions)
anomalies = []
for account, flow in account_flows.items():
if abs(flow.out_ratio - 0.5) > base_ratio: # 流出或流入占比过高
anomalies.append({
"account": account,
"out_ratio": flow.out_ratio,
"pattern": "单向流动异常" if flow.out_ratio > 0.9 or flow.out_ratio < 0.1 else "比例失衡"
})
return anomalies
费用率计算：
费用率 = 费用发生额 / 营业收入 × 100%
同比变化率 = (本期费用率 - 上期费用率) / 上期费用率 × 100%
预警阈值：
检查维度：
def audit_travel_expense(claims, company_policy):
"""
差旅费合理性审计
- 机票价格是否超标
- 住宿费是否超标准
- 出差天数与行程匹配性
"""
violations = []
for claim in claims:
# 机票舱位检查
if claim.ticket_class != "经济舱" and not claim.is_approved_premium:
violations.append(f"机票舱位超标: {claim.employee}")
# 住宿费检查
if claim.hotel_rate > company_policy.max_hotel_rate:
violations.append(f"住宿超标: {claim.employee}, 实际¥{claim.hotel_rate}, 标准¥{company_policy.max_hotel_rate}")
# 行程合理性检查
if claim.trip_days < 0.5: # 当天往返
if claim.total_expense > company_policy.same_day_limit:
violations.append(f"当天往返费用超标: {claim.employee}")
return violations
税法规定：
扣除限额 = min(营业收入 × 0.5%, 发生额 × 60%)
超出部分需调增应纳税所得额
检测公式：
def check_entertainment_limit(revenue, entertainment_expense):
limit_1 = revenue * 0.005 # 营业收入0.5%
limit_2 = entertainment_expense * 0.6 # 发生额60%
deductible_limit = min(limit_1, limit_2)
over_limit = entertainment_expense - deductible_limit
return {
"deductible_amount": deductible_limit,
"over_limit_amount": max(0, over_limit),
"tax_adjustment": max(0, over_limit) * 0.25, # 假设25%税率
"flag": over_limit > 0
}
检测维度：
def detect_salary_anomaly(salary_records, threshold_ratio=0.2):
"""
工资异常变动检测
- 月度波动检测
- 人员变动检测
- 奖金异常发放
"""
anomalies = []
for employee, records in group_by_employee(salary_records).items():
sorted_records = sort_by_month(records)
for i in range(1, len(sorted_records)):
change_ratio = (sorted_records[i].total - sorted_records[i-1].total) / sorted_records[i-1].total
if abs(change_ratio) > threshold_ratio:
anomalies.append({
"employee": employee,
"month": sorted_records[i].month,
"change_ratio": change_ratio,
"possible_reason": "大额奖金" if change_ratio > 0 else "扣款异常"
})
return anomalies
def check_input_output_ratio(purchases, sales, industry_avg_ratio=1.2):
"""
进销项比率分析
正常企业进项税额应略大于销项税额
比率过高可能存在虚开或滞留发票
比率过低可能存在隐瞒收入
"""
input_tax = sum(p.amount for p in purchases)
output_tax = sum(s.tax for s in sales)
ratio = input_tax / output_tax if output_tax > 0 else float('inf')
return {
"ratio": ratio,
"flag": ratio < 0.8 or ratio > 2.0,
"risk": "比率过低-可能隐瞒收入" if ratio < 0.8 else
"比率过高-可能虚抵进项" if ratio > 2.0 else "正常"
}
行业税负率参考：
industry_tax_burden = {
"制造业": (3, 5), # 增值税税负率范围
"批发零售": (1.5, 3),
"建筑业": (2.5, 4.5),
"服务业": (3, 6),
"房地产": (5, 10)
}
def check_tax_burden_rate(industry, tax_amount, revenue):
burden_rate = tax_amount / revenue * 100
min_rate, max_rate = industry_tax_burden.get(industry, (2, 8))
return {
"burden_rate": burden_rate,
"industry_range": (min_rate, max_rate),
"flag": burden_rate < min_rate or burden_rate > max_rate,
"risk_level": "偏低-需关注" if burden_rate < min_rate else
"偏高-正常经营" if burden_rate < max_rate else "异常"
}
def check_invoice_contract_mismatch(invoices, contracts):
"""
检测发票金额与合同金额差异
允许合理差异范围: ±5%
"""
mismatches = []
for invoice in invoices:
contract = find_contract(contracts, invoice.contract_id)
if contract:
diff_ratio = abs(invoice.amount - contract.amount) / contract.amount
if diff_ratio > 0.05:
mismatches.append({
"invoice_no": invoice.no,
"contract_no": contract.no,
"invoice_amount": invoice.amount,
"contract_amount": contract.amount,
"diff_ratio": diff_ratio
})
return mismatches
检测规则：
def detect_zero_negative_filing(tax_records, threshold_months=6):
"""
检测长期零申报或负申报
连续超过 threshold_months 触发预警
"""
consecutive_count = 0
warning_periods = []
current_sequence = []
for record in sorted(tax_records, key=lambda x: x.month):
if record.tax_amount <= 0:
consecutive_count += 1
current_sequence.append(record.month)
if consecutive_count >= threshold_months:
warning_periods.append(current_sequence.copy())
else:
consecutive_count = 0
current_sequence = []
return warning_periods
发现分类标准：
| 风险等级 | 判定条件 | 响应要求 |
|---|---|---|
| 🔴高风险 | 可能导致重大财务损失或违规 | 24小时内上报 |
| 🟡中风险 | 可能造成财务不实 | 5个工作日内处理 |
| 🟢低风险 | 内控缺陷但不影响报表公允 | 30日内整改 |
生成模板：
审计发现清单
报告期间: XXXX年XX月
生成时间: XXXX年XX月XX日
一、🔴高风险发现
序号 | 问题描述 | 影响金额 | 发现依据 | 建议措施
---- | -------- | ------- | ------- | -------
二、🟡中风险发现
...
三、🟢低风险发现
...
四、风险汇总统计
| 风险等级 | 数量 | 涉及金额 |
|---------|------|---------|
| 🔴高 | X | ¥XXX |
| 🟡中 | X | ¥XXX |
| 🟢低 | X | ¥XXX |
def generate_remediation_suggestions(finding):
"""根据审计发现自动生成整改建议"""
suggestion_templates = {
"大额异常交易": "建议立即冻结相关账户，追查资金去向，完善大额交易审批流程",
"重复付款": "建议启动付款追回程序，完善付款复核机制，建立付款冲突检测系统",
"账龄逾期": "建议启动法律催收程序，重新评估客户信用等级，计提相应坏账准备",
"税务风险": "建议聘请专业税务顾问进行自查，准备相关证明材料，按期完成更正申报",
"费用超标": "建议加强费用预算管理，完善费用报销审批流程，开展费用合规培训"
}
category = classify_finding(finding)
base_suggestion = suggestion_templates.get(category, "建议进行进一步调查核实")
return {
"finding_id": finding.id,
"category": category,
"immediate_action": f"24小时内: {get_immediate_action(category)}",
"short_term": f"30日内: {get_short_term_action(category)}",
"long_term": f"制度层面: {get_systemic_action(category)}"
}
# 审计底稿模板
## 基本信息
- 项目名称:
- 审计期间:
- 审计人员:
- 复核人员:
- 审计日期:
## 审计范围
[描述本次审计覆盖的科目、期间、业务范围]
## 审计程序
### 1. 风险评估程序
- 了解被审计单位及其环境
- 识别和评估重大错报风险
### 2. 实质性程序
- [具体测试步骤]
## 审计证据
| 证据编号 | 证据类型 | 证据来源 | 主要内容 | 获取日期 |
|---------|---------|---------|---------|---------|
| E-001 | 文件 | 财务系统 | XX科目明细 | XXXX-XX-XX |
## 审计结论
[基于审计证据得出的结论]
## 重大事项说明
[需要特别说明的事项]
## 附件清单
1.
2.
交易日期,凭证号,供应商/客户,摘要,借方金额,贷方金额,余额,交易类型
2024-01-15,V001,供应商A,采购商品,50000,0,50000,采购
2024-01-16,V002,客户B,销售商品,0,80000,80000,销售
{
"audit_date": "2024-01-20",
"findings": [
{
"id": "F001",
"category": "重复付款",
"risk_level": "high",
"description": "检测到向供应商A重复支付",
"evidence": ["交易记录1", "交易记录2"],
"amount": 50000,
"suggestion": "启动付款追回程序"
}
],
"statistics": {
"total_transactions": 1000,
"anomalies_detected": 15,
"risk_distribution": {"high": 3, "medium": 7, "low": 5}
}
}
输入：
客户 | 应收账款余额 | 账龄
---------------------------
A公司 | ¥800,000 | 45天
B公司 | ¥1,200,000 | 120天
C公司 | ¥300,000 | 200天
D公司 | ¥500,000 | 15天
输出：
📊 应收账款账龄分析报告
【账龄分布】
| 区间 | 金额 | 占比 | 客户数 |
|------|------|------|-------|
| 0-30天 | ¥500,000 | 18.5% | 1 |
| 31-60天 | ¥800,000 | 29.6% | 1 |
| 91-180天 | ¥1,200,000 | 44.4% | 1 |
| 180天以上 | ¥300,000 | 11.1% | 1 |
【坏账准备估算】
按一般计提比例：
- 31-60天 (5%): ¥40,000
- 91-180天 (30%): ¥360,000
- 180天以上 (50%): ¥150,000
合计坏账准备: ¥550,000
⚠️ 预警客户:
🔴 B公司 - 账龄120天，逾期严重，建议启动催收或法律程序
🔴 C公司 - 账龄200天，建议全额计提坏账
输入：2笔向同一供应商的付款记录，金额相近，日期相差3天
输出：
🚨 重复付款警报
【检测结果】
- 凭证号 V001 和 V002 疑似重复付款
- 供应商: XX供应商
- 金额: ¥50,000 vs ¥49,995 (差异0.01%)
- 日期: 2024-01-10 vs 2024-01-13 (相差3天)
【建议措施】
1. 立即冻结第二笔付款
2. 联系供应商确认实际收款情况
3. 检查付款审批流程漏洞
4. 追回多付款项
【风险评级】🔴 高风险
数据操作审计追踪器 (Data Audit)。 对数据目录生成 SHA256 快照、比对文件变化（新增/删除/修改）、 记录操作日志、检查数据目录健康状态。 适用于数据合规场景中的操作追溯和审计准备。 Use when: 需要追踪数据文件变化、生成审计快照、 合规审查准备、文件完整性验证、数据目录健康检查。 🎉 v1.1.0 核心功能： - 📸 数据目录 SHA256 快照 - 🔄 快照对比（新增/删除/修改检测） - 📝 操作日志记录与查询 - 🔍 数据目录健康检查 - 📊 JSON 报告导出 触发关键词：数据审计、文件追踪、快照比对、SHA256、 完整性校验、合规审计、
AI Agent系统安全审计工具,支持代码库安全检查、提示注入检测与基础配置审计,适合个人开发者快速安全自查。Use when 需要安全检测、合规审计、漏洞扫描、加密防护时使用。不适用于渗透测试未授权目标。适用于独立开发者、企业团队和自动化工作流场景。支持中文交互，无需复杂配置即开即用。输出结果可直接使用，减少二次加工成本。
AI 溯源审计技能：对 AI 生成内容/Agent 行为/对话记录执行溯源审计——采集证据链（来源/时间线/操作日志/生成痕迹）→ 交叉验证 → 输出结构化审计报告（证据清单+可信度+风险点+建议）。对标国际标准：C2PA 内容溯源 / SLSA 供应链 / EU AI Act Art.50 / 审计准则（ISSAI/COBIT）。适用：AI 内容是否由某 AI 生成、Agent 操作合规审计、泄密溯源、医疗 AI 审计（细分第一）。触发词：溯源、审计、证据链、AI 审计、这是谁生成的、provenance、forensic、audit trail、内容溯源。
对已存在 Skill 做 8 维度全面体检（结构/安全/触发/有效性/竞争/平台/文档/代码质量）。说 技能审计/审计技能/技能体检 时触发。支持成熟度分级+4确认点+整改+回归审计。绝不自动发布。Do NOT use for creating skills or publishing to platforms.
AI 身份溯源审计团——三锚核验（记忆锚/身份锚/行为锚）+ 证据链审计 + 溯源审计报告。对标会计师事务所审计组范式：标准依据→证据链审计→报告成稿。触发词：溯源、审计、溯源审计、溯源审计团、三锚核验、证据链审计、身份核验、AI身份、溯源报告、溯源官、定标人、执笔人。
元安 —— 检测 AI 技能中的恶意模式（13 类检测器）与系统安全基线（Windows/Linux），纯只读、零依赖、有纪律。触发：用户提到 安全审计 / 技能安全检查 / 恶意检测 / 供应链安全 / 系统安全基线 / scan skills / supply chain / malicious skill / 扫描技能 等。边界：本工具只检测与报告，绝不执行修复、删除或查杀动作。