DeepSeek在審計中的探索與應用研究

【摘 要】 以DeepSeek大模型為研究對象，系統探討了人工智能與大模型的演進及其在審計行業的創新應用路徑。通過分析大模型在語義理解、邏輯推理與內容生成等核心能力上的突破及其向審計領域發展的必然趨勢，論證了DeepSeek大模型在審前準備、財務審計、招投標審計、審計問題定性以及審計報告生成等關鍵環節的應用優勢，闡明了其如何顯著提升審計效率和發現審計問題，推動行業向高效化、精準化、智能化發展。最后提出并構建了“DeepSeek+審計知識庫”的三種技術部署方法，為審計領域提供了一套專業化智能解決方案。研究不僅為大模型在專業領域的落地應用提供了實踐范例，而且為審計行業的深度數字化轉型奠定了理論基礎。

【關鍵詞】 DeepSeek； 大模型； 人工智能； 審計

【中圖分類號】 F239.45" 【文獻標識碼】 A" 【文章編號】 1004-5937（2025）18-0121-09

一、引言

大語言模型（Large Language Model，LLM）作為新一代人工智能（Artificial Intelligence，AI）技術的典型代表，正在深刻影響著審計行業的發展[ 1 ]。回顧人工智能的發展歷程，1956年達特茅斯會議的召開標志著人工智能學科的正式誕生。此后人工智能發展先后經歷了三個重要階段：邏輯推理期（1956—1960年后期），以自動定理證明系統（如西蒙與紐厄爾開發的“Logic Theorist”）為代表，聚焦邏輯推理能力的構建；知識期（1970—1990年初），研究者以“知識就是力量”為出發點，開發出了專家系統，如費根鮑姆等的“DENDRAL”系統；學習期（1990年至今），隨著機器學習技術的崛起，人工智能進入自主學習階段，計算學習理論、圖模型學習及深度學習等方法成為主流，推動AI從知識驅動向數據驅動范式轉變。

人工智能技術是引領未來的戰略性基礎，自2016年以來，全球先后有40多個國家和地區在多個領域發布了人工智能戰略與行動計劃，力爭在新一輪國際科技浪潮中掌握主動權。習近平總書記多次對人工智能做出重要批示，指出“人工智能技術的發展將深刻改變人類社會生活、改變世界，要抓住機遇，在這一高技術領域搶占先機，加快部署和實施”。黨的二十大報告明確指出“建設現代化產業體系，推進新型工業化，加快建設制造強國、質量強國、航天強國、交通強國、網絡強國、數字中國。推動戰略性新興產業融合集群發展，構建新一代信息技術、人工智能、生物技術、新能源、新材料、高端裝備、綠色環保等一批新的增長引擎”[ 2 ]。

大模型是大規模語言模型的簡稱，它是指參數量大、結構復雜的人工智能模型。相對傳統人工智能模型一般只能處理少量數據、簡單的問題，大模型可以用來處理大規模數據和復雜的問題。2022年11月30日，OpenAI發布了對話式大模型（Chat Generative Pre-trained Transformer，ChatGPT）。該模型允許用戶使用自然語言對話形式進行交互，可實現包括自動問答、文本分類、自動文摘、聊天對話等各類自然語言理解和自然語言生成任務。這引發了學術界和工業界對大模型的研究[ 3 ]。在ChatGPT出現后，各大模型層出不窮，形成了“百模大戰”的局面，如國外的Gemini、Sora、OpenAI-o3等，國內的Kimi、文心一言、豆包、通義千問等。而DeepSeek的出現，無疑又引發了一次大模型的浪潮，它以低成本、開源的特性打破了以往頭部企業割據的局面，推動了各行各業與人工智能相結合的發展。本文以DeepSeek大模型為例，圍繞審計流程的各關鍵環節，研究分析大模型在審計中的應用，為審計人員應用大模型技術提供經驗借鑒。

二、人工智能與大模型

在數字化浪潮中，人工智能已成為驅動各行業變革的核心力量，其深度滲透重塑著產業生態與發展邏輯。人工智能包含了機器學習，機器學習又包含了深度學習，深度學習可以采用不同的模型，其中一種模型是預訓練模型。預訓練模型包含了預訓練大模型（簡稱大模型），大模型包含了預訓練大語言模型（簡稱大語言模型）。大語言模型的典型代表包括OpenAI的GPT和百度的文心ERNIE，ChatGPT是基于GPT開發的大模型產品，文心一言是基于文心ERNIE開發的大模型產品，而近一兩年引起廣泛關注的DeepSeek則是由深度求索公司基于transformers架構自主研發的一款通用大模型。

（一）DeepSeek大模型簡介

DeepSeek是杭州深度求索人工智能基礎技術研究有限公司推出的一款創新型大語言模型。目前已迭代發布DeepSeek-V1、V2、V3及DeepSeek-R1等多個版本，其中V3采用多頭潛在注意力（Multi-Head Latent Attention，MLA）與混合專家（Mixture-of-Experts，MoE）架構（8路256個專家模型），總參數量達6 710億，采用無輔助損失的負載均衡策略、多token預測訓練，基于14.8萬億多模態高質量數據集完成監督微調和強化學習。該模型可與最領先的閉源模型媲美，訓練僅需2.788M H800 GPU小時（成本僅為557萬美元），且訓練過程穩定，無不可恢復的損失峰值或回滾現象。R1在V3的基礎上，通過強化學習（Reinforcement Learning，RL）后訓練，顯著提升復雜推理能力，并通過蒸餾技術實現低成本遷移，在僅有極少數標注數據的情況下，極大提升了模型推理能力，在數學、代碼、自然語言推理等任務上，性能可以比肩OpenAI-o1正式版。

在應用場景方面，DeepSeek展現出多領域賦能能力。在零售領域，用數據驅動精準運營，融合Transformer時序模型與外部環境變量，動態預測區域級商品需求，結合聯邦學習技術，在保護隱私的同時整合多門店數據，提高預測泛化能力，實現預測誤差率和缺貨率的同步降低。在金融領域，通過多模態圖神經網絡與動態對抗訓練的有效結合，使年損失減少了億元。在教育領域，推出智能輔導系統，利用多模態交互，實現低齡學生自然交互解題輔導。在醫療領域，使用MoE架構和多模態對齊，輔助醫療影像診斷，提升早期癌癥的檢出率。

（二）DeepSeek的高效利用

用戶高效使用DeepSeek的核心在于構建精準的提示詞（Prompt）體系。不同提問方式會讓模型獲得不同的輸入提示，進而影響答案生成質量和效果[ 4 ]。提示詞是用戶輸入給AI系統的指令或信息，其作用是引導AI生成特定的輸出或執行特定的任務。提示詞通常由指令、上下文、期望三部分構成。指令是提示詞的核心，明確告訴AI用戶希望它執行的任務是什么；上下文為AI提供背景信息，幫助AI更準確地理解和執行任務；期望表達了用戶對AI輸出的要求和預期[ 5 ]。

在交互過程中，用戶需注意兩點：一是對復雜問題，需將問題進行分解，通過多輪對話引導模型逐步深入分析；二是對AI的輸出結果進行二次驗證，避免盲目依賴，如將模型生成的策略與歷史運營數據、行業實踐案例交叉比對，通過批判性思維篩選最優解，以達到AI能力與人類經驗的有機結合。常用的提示詞框架有APE框架、SAGE框架、CARE框架、TRACE框架、RTF框架等，以下重點介紹APE框架、SAGE框架及TRACE框架。

1.APE框架

APE框架由三個部分構成，A代表行動（Action），P代表目的（Purpose），E代表期望（Expectation），如圖1所示。行動（Action）用于定義要完成的工作或活動，目的（Purpose）用于討論意圖或目標，期望（Expectation）用于說明期望的結果。該框架適用于審計策略規劃、風險評估、項目管理等場景。

2.SAGE框架

SAGE框架包含四個關鍵組成部分，分別是情況（Situation）、行動（Action）、目標（Goal）和期望（Expectation），如圖2所示。首先是情況描述，需要闡述背景信息；其次是行動定義，需明確具體執行的工作內容；再次是目標解釋，需說明最終要達成的結果；最后是期望概述，需說明通過相關活動希望實現的具體結果。

3.TRACE框架

TRACE框架由任務（Task）、請求（Request）、行動（Action）、語境（Context）及示例（Example）五部分構成，如圖3所示。其運行邏輯以任務定義為起點，需明確具體工作目標；在此基礎上，通過精準請求傳遞操作指令，同步說明需執行的行動步驟；為保障理解準確性，需補充業務背景，構建清晰語境；最后引入同類成功案例作為參考示例，強化任務執行指引。該框架適配任務分配、流程設計、進度監控等場景，可有效規范提示詞結構，提升大模型對復雜任務的理解與響應質量，為審計、管理等專業領域的智能協作提供標準化交互范式。

三、DeepSeek在審計中的應用

（一）審前準備

審計前需要對被審計對象進行“畫像”、初步調查、審計內容確定、檔案編制、通知書制發等工作。以DeepSeek為代表的大語言模型的出現，為審前準備中被審計單位的“畫像”提供了新的智能化路徑。

在應用DeepSeek協助審前準備時，可采用遞進式的提問策略。

·第一步，先簡單詢問“審計證據是什么”，不需要深度思考和聯網獲取信息，大模型直接從語料中找到知識源，并根據問題抽取相關文本知識作為答案即可。

·第二步，給予目標更明確的提問，進一步深入探討“審計證據的充分性和適當性之間有什么區別和聯系，在審計過程中，更應關注審計證據的充分性還是適當性”，該問題在前一個問題的基礎上進行了擴展，詢問審計證據的充分性和適當性的關系，不需要深度思考，但可聯網獲取信息，模型將結合語料庫與聯網數據生成對比分析。

·第三步，向財務場景延伸，進一步提問“假設你正在執行一項應收賬款審計，可以通過哪些方式獲取審計證據，如何確保審計證據的充分性和適當性”，通過設置“深度思考+聯網”模式，引導模型結合實際經驗提供解決方案。

經前三步鋪墊，可進一步提出帶有真實審計背景的審計需求：“根據上述審計項目背景描述，請問作為審計人員，在做審前準備時，可以從哪些角度快速了解被審計單位的基本情況？”模型基于歷史對話的上下文，給出如圖4所示的回答，提出收集資料的建議。在此回答上進一步提問收集和分析資料的相關問題：“假設你是一名政府審計的審計人員，在開展此次審計時，需要收集和分析被審計單位的哪些資料，請按照優先級分別羅列可能需要審查分析的資料列表。”DeepSeek的回答如圖5所示，它指出第一優先級需要收集核心政策法規與財務數據，第二優先級是收集業務數據與內部控制文件，第三優先級是獲取信息系統與權限管理，第四優先級是歷史問題與外部關聯方資料，第五優先級是訪談記錄與現場證據。

（二）財務分析

財務分析是指通過分析被審計單位的財務數據和非財務數據，評估其財務狀況、經營成果和現金流量，識別異常波動或潛在風險，從而為審計結論提供支持。財務分析是審計程序的重要組成部分，在風險評估和實質性程序中發揮著關鍵作用。傳統審計方法一般是針對單一數據類型進行淺層數據挖掘（如關聯分析、異常點檢測、比對分析），這種手段難以挖掘出深層次、隱藏性的問題。在大數據時代，審計工作面臨各種數據類型的挑戰，包括結構化數據，文本、圖像和視頻等非結構化數據，現有審計方法難以處理這種多模態數據，更難以挖掘和提煉出各業務/各地區的審計共性問題[ 5 ]。然而，運用DeepSeek大模型可以協助審計人員根據財務報表進行財務分析，應用場景具體見表1。

將DeepSeek大模型應用到財務分析中，不僅顯著提高了審計工作的效率和質量，快速審查公司歷年的審計報告，并生成審計事項，而且能幫助審計人員更準確地評估被審計單位的財務狀況和經營成果。DeepSeek能夠識別潛在的財務風險，為審計人員提供決策支持，確保審計結論的可靠性。通過DeepSeek的輔助，審計人員可以更加專注于審計過程中的判斷和決策，而不是繁瑣的數據收集和初步分析工作。這不僅提高了審計工作的效率，還增強了審計結果的準確性和可信度。因此，DeepSeek在審計中的財務分析部分扮演著至關重要的角色，它通過提供深入的數據分析和趨勢識別，為審計工作提供了強有力的技術支持。

（三）招投標審計

招投標審計是指對投標活動中的各個環節進行審計，確保招投標過程合法、公正、透明，符合相關法律法規要求，防止出現舞弊、腐敗等問題。招投標審計的重點在于審計招投標的全過程，包括招標文件的制定、投標人的資格審查、評標過程、合同簽訂等方面。招投標審計中，有以下五個主要審計部分：

1.招標文件的審查

主要審查招標文件的合法性與合理性。合法性即檢查招標文件是否符合相關的法律法規、政策要求及行業標準；合理性即審核招標項目的技術要求、合同條款、評標標準等是否明確、合理，是否存在不當的限定或歧視性條款。

2.招標人資格審查

首先是對投標資格的審查，主要是檢查投標人是否具備相關的資質證書、營業執照、財務報表、稅務合規證明等。其次是對投標人履約能力的評估，審查投標人是否具備執行項目所需的技術能力、財務實力、經驗等。最后是判斷是否存在虛假材料，審查投標人所提交的材料是否真實有效，防止虛假投標、冒名投標等不當行為。

3.投標過程的審查

審查投標文件的完整性和合規性，審查投標文件是否按照要求提交，是否符合招標文件的規定，同時還有審查投標保證金的金額和繳納的情況是否合理。

4.合同簽訂及履行審查

審查合同條款的合法性與合理性，是否符合招標文件的要求，是否符合法律規定，是否存在不合理的條款，以及審查合同的金額是否符合招標文件及評標結果，支付安排是否合理，避免惡意低價中標等行為。

5.違紀違規行為的查處

要注意在投標過程中防范舞弊行為，檢查是否存在行賄、收受賄賂、串標、圍標、惡意低價競標等違法違規行為。

利用DeepSeek協助完成招投標審計，如對DeepSeek給出提示詞“從上傳的項目招標文件中抽取出項目名稱、建設單位、合同編號、開工日期、竣工日期等內容”，利用DeepSeek總結招標文件的主要信息，得到主要信息后，給出提示詞“從上傳的項目招標文件中抽取出涉及的金額明細”，讓DeepSeek獲取金額明細，根據金額明細并結合合同、開工日期等重要信息，對招標項目進行審核。

同時，為精準匹配審計需求，可利用DeepSeek篩選適配的審計模型，給出提示詞“招投標審計可以使用哪些審計模型進行審計”，在這里特別強調，DeepSeek大模型語料中缺乏審計專業模型知識，因此回答此類問題會存在“幻覺”問題。解決這一方法的路徑是“DeepSeek+審計知識庫”模式，審計知識庫里包括招投標模型知識，這樣才能精準回復上述問題。加入審計知識庫后，啟用深度思考和聯網模式，再次提問“招投標審計使用哪些審計模型進行審計”，得到的回答更為具體且切合實際，如“物資采購未執行能招盡招、物資采購拆分合同規避招標審計、獨家采購規避招標審計、物資采購投標文件相似性審計、物資采購投標方關聯關系審計、物資采購組團投標審計、一般物資采購合同倒簽審計、積壓物資責任追溯及形成原因分析審計、招標控制價偏差過度審計、招標文件漏洞導致成本增加審計”。對比可見，加入知識庫后，模型的回答從抽象理論轉為具體業務場景，為審計活動提供更加切實的指導。

（四）審計問題定性

審計問題定性，是指審計人員根據審計發現的事實和證據，結合相關法律法規、規章制度、行業標準、內部規定以及專業判斷，對審計過程中發現的問題或偏差進行識別、分析、評估和分類，最終確定其性質、嚴重程度和影響范圍的過程。它是審計工作的核心環節，是從現象挖掘本質、從零散線索提煉結論的關鍵步驟，能夠準確地進行審計問題定性，為后續提出整改建議、追究相關責任提供堅實依據，也直接影響審計報告的質量和審計工作的權威性。如在企業財務審計中，發現某筆大額支出缺少審批流程，審計人員需通過對照企業內控制度和財務規定，將其定性為“內控制度執行不到位”或“違規支出”等，為后續處理指明方向。

在大模型尚未應用于審計領域前，審計問題定性工作面臨諸多困境。在法規政策檢索與匹配時，審計人員需手動翻閱大量紙質或電子文件，效率低下，易遺漏法規更新，導致條款引用錯誤。在面對復雜多樣的審計證據時，人工梳理難以全面關聯，易出現證據鏈不完整、關鍵證據缺失的情況，使得定性結論缺乏足夠支撐。此外，由于缺乏標準化參照，不同審計人員對相似問題的定性標準不一，影響審計結果的公正性和權威性，且過度依賴個人經驗和主觀判斷，容易忽視潛在風險，造成定性偏差，影響審計結果公信力。

大模型技術的引入為審計問題定性帶來了革命性轉變。基于自然語言處理能力，大模型可快速且精準地對海量法規政策進行檢索和分析，顯著提升引用準確性。同時，大模型可以對審計證據進行深度挖掘和智能關聯，自動識別證據間的邏輯關系，彌補證據鏈漏洞，增強定性結論的可信度。借助大模型建立的標準化定性規則庫，能有效統一審計人員的判斷標準，降低主觀因素干擾，保障審計結果的一致性。大模型還能通過學習海量審計案例，挖掘潛在的風險模式，輔助審計人員做出更客觀、準確的定性判斷。

以“暗中陪標”審計問題為例，向各大主流大模型詢問相同的問題，“根據上述招標的行為，可依據哪些法律法規作為該審計問題的定性依據，請列舉涉及到的法律法規名稱、條款號和條款內容，不能偽造任何條款”，對比各大模型之間的回答可以發現，回答內容限于國家層面的法規，如《中華人民共和國招標投標法》《中華人民共和國審計法》等，未能覆蓋地方性法規及企業內部制度，針對這一問題，也需要以“DeepSeek+審計知識庫”模式，通過向大模型補充《企業內控手冊》《XX石油公司采購和招標投標管理細則》《XX物資采購招標投標管理辦法》等審計知識庫，可有效提升模型輸出的針對性與適配性，從而使問題定性更加準確、統一。

（五）審計報告生成

傳統審計報告通常依賴于審計人員人工編寫，存在效率低、質量參差不齊的問題。隨著人工智能技術的快速發展，以DeepSeek為代表的AI寫作工具為審計工作帶來了革命性的變革。大模型的應用減少了審計人員在報告撰寫上的重復性工作，并通過深度分析審計線索等數據，自動生成審計底稿或報告提綱，成為審計人員的得力助手。以常見的辦公軟件WPS為例，已成功接入AI智能寫作功能，包含續寫、擴寫、重寫、縮寫等多種實用功能，為審計報告的撰寫提供了全方位的智能支持。此外，審計人員還可以采用“多模型協作”的創新工作模式：首先將問題提交給DeepSeek進行初步分析，其次將DeepSeek的深度思考過程傳遞給Kimi模型進行二次加工。這種協同工作方式能夠產生更加豐富多樣的報告內容，有效提升了審計報告的專業性和完整性。AI工具的自動總結功能為審計工作帶來了顯著便利，該功能能夠快速提煉各類審計報告的核心要點，生成簡明扼要的總結報告，不僅提高了審計人員的工作效率，而且確保了關鍵信息的準確傳遞，為決策者提供了可靠的參考依據。通過AI技術的深度應用，審計工作正在向更高效、更精準、更智能的方向不斷發展。

四、DeepSeek+AuditNova技術解決方案

在上述分析中，發現DeepSeek大模型在審計的應用中對一般性的審計知識問答以及數據提取、簡單的財務數據分析表現較好，對深層次的提問，如審計模型推薦、審計問題定性以及審計法律法規存在嚴重的“幻覺”問題，這也是目前大模型應用的主要挑戰。為了解決這一痛點，本文提出一種“DeepSeek+AuditNova”技術解決方案。

（一）AuditNova大模型

AuditNova大模型（中文簡稱審元）是由南京審計大學自主研發的國內首個審計行業專用大模型，實現了人工智能技術與審計專業邏輯的深度融合。它通過將大模型與知識圖譜相融合，實現大語言模型協助知識抽取、知識推理、知識融合、知識更新和知識問答，降低知識圖譜的人工成本，提高通用能力。

AuditNova通過積累海量審計知識圖譜數據，輔以獨特的數據處理和AI訓練技術，獲取精準、專業的審計知識，面向復雜審計業務場景，提供了一套行之有效的智能審計大模型系統。AuditNova的功能見表2。

（二）DeepSeek+AuditNova知識庫

AuditNova知識庫依托超百萬審計實體和千萬級關系的知識圖譜構建，其構建過程包括：一是基于專家指定的小規模種子詞匯迭代獲取百科文本超鏈接詞匯，經人工標注形成審計領域專業詞典；二是基于審計領域詞典的大規模百科文本及其他領域文本資料，利用深度學習算法訓練審計專業詞匯的詞向量；三是邀請審計領域專家構建審計領域本體知識框架，并利用百科文本的infobox信息抽取審計三元組以構建審計知識圖譜[ 10 ]。見圖6。

將DeepSeek滿血版與AuditNova知識庫進行結合，使用RAG技術將AuditNova知識庫和新的審計知識作為外部的數據源，DeepSeek負責語言的理解與生成，AuditNova知識庫負責提供專業的背景信息。通過AI等高新技術為審計賦能，為審計部門、審計人員打造便攜式、智能化、專業性的在線審計知識服務平臺，提供按審計業務條線、審計實時流程的多維度知識庫，審計人員可根據業務需求獲取審計業務指導、審計工作參考、審計案例學習等全方位的知識協助。數字化審計知識檔案是基于文本分析、深度學習、數據挖掘等技術獲取審計信息，并自動進行分類建立的。數據資源池由審計問題庫、審計對象庫、審計專家庫等構建，延伸至多種場景的應用，建立技能提升通道。

該方案無需構建復雜模型架構，能夠快速部署上線，及時滿足業務需求。同時深度整合滿血版大模型，可充分發揮其強大的推理能力，保障任務處理的高效性與準確性。通過建立定期更新機制，持續優化知識庫內容，有效確保了輸出信息的時效性與可靠性。然而，此方案在應用過程中也存在一定局限性。其運行高度依賴高性能硬件設備，硬件資源的不足會影響系統運行效率；在面對多樣化業務場景和復雜任務需求時，靈活性較差。

（三）融合模型+審計知識庫

DeepSeek作為通用大模型，具備強大的跨領域通用能力，而審計大模型AuditNova專注于審計領域的專業邏輯。兩者的融合能夠實現通用與專業的優勢互補，為審計行業提供更智能化、標準化的解決方案。如果將審計知識庫直接添加到大模型中，得到的答案為總結形式，且具有隨機性，不適合審計問題的分析。為了解決這種問題，采用融合模型加審計知識庫的方案，其中融合模型是在DeepSeek蒸餾模型的基礎上，用AuditNova蒸餾微調所得到的，同時使用RAG技術，將更新的審計知識作為外部數據源。

該方案因采用輕量化設計架構，能夠在資源受限的硬件環境中實現高效部署，降低了系統運行的硬件門檻。支持多源知識的深度融合，通過知識圖譜構建、語義關聯分析等技術手段，實現不同領域知識的有機整合與協同應用。依托定期更新知識庫，有效保障知識內容的時效性。然而，該模型蒸餾與微調過程需要投入較高的計算資源和時間成本，在面對多樣化業務需求時，缺乏靈活的動態調整能力。

（四）DeepSeek+AuditNova協同

該方案主要基于智能體技術，實現AuditNova+DeepSeek的雙模型協同工作。首先，可以根據大模型官方手冊直接部署多個大模型，例如DeepSeek、通義千問、AuditNova等。其次，智能體技術的建構與應用，目前市場上已經開源很多RAG框架，例如Ragflow、Didy等框架分別具有智能體功能，并提供圖形智能體部署功能，因此可以直接部署這些支持智能體的RAG框架。在DeepSeek+AuditNova協同過程中，DeepSeek負責通用任務（如數據清洗、長文本分析），AuditNova大模型專注于審計專業任務（如財務異常檢測、合規審查）。兩者之間分工明確，有效避免了單一模型負擔過重的問題，從而顯著提升了整體系統的效率。

同時，這種設計賦予了系統高度的靈活性，允許兩個模型獨立運行并根據實際需求進行靈活調整和升級，無需對整個系統進行繁瑣的重新訓練。

該方案的優點是輕量化部署，靈活性和擴展性高，支持復雜任務分解和多智能體協作；缺點是延遲問題，開發成本較高。

五、結論

本文以DeepSeek大模型為研究范例，深入剖析了人工智能大模型的技術演進路徑及其在審計行業的創新應用。本文回顧了以DeepSeek為代表的人工智能大模型的發展歷程，聚焦大模型在理解能力、推理能力和生成能力三個關鍵維度上的突破性進展，這些技術進步不僅推動了人工智能領域的整體發展，而且為審計智能化提供了堅實的技術基礎。

本研究進一步揭示了審計工作正經歷從傳統人工審計向智能審計的范式轉變。這一轉變不僅體現在審計工作的效率提升上，而且體現在審計質量的顯著提高上。隨著DeepSeek的引入，AuditNova迎來了進一步發展，具備了輕量化部署的特性，同時兼具高靈活性與擴展性，可支撐復雜任務的分層拆解及多智能體協同作業，審計人員能夠更加精準地識別風險、評估數據，并生成高質量的審計報告。這種技術與審計工作的深度融合，不僅優化了審計流程，還為審計行業帶來了前所未有的發展機遇。綜上所述，本文通過對DeepSeek大模型的深入研究，系統展示了人工智能技術在審計行業的應用前景和實際價值。隨著技術的不斷進步和應用場景的不斷拓展，智能審計將成為未來審計行業發展的必然趨勢，為審計工作帶來更加高效、精準和創新的解決方案。

【參考文獻】

［1］ 黃佳佳，朱浩然，徐超，等.大語言模型在審計判斷中的應用研究［J］.財會月刊，2025，46（6）：21-28.

［2］ 李鵬偉，周立云，黃佳佳，等.審計大模型系統答案確定性與靈活性優化研究［J］.中國注冊會計師，2025（4）：45-51.

［3］ 黃佳佳，李鵬偉，徐超.面向智慧審計的思維變革與審計平臺構建研究［J］.審計研究，2023（5）：11-20.

［4］ 黃佳佳，周立云，徐超.基于大模型的審計知識智能問答系統構建研究［J］.會計之友，2025（9）：24-30.

［5］ 徐超.審計大模型的構建與運用［J］.審計觀察，2023（11）：4-7.