我构建了一个确定性引擎，能在AI的财务计算错误发布之前就抓住它们——想找人挑刺

快速背景：过去一年多，我一直在做“AI幻觉”相关的事情，特别是金融领域的。在继续推进之前，我想要真诚的反馈——不是点赞，而是真正的批评。 我想解决的问题：AI副驾越来越多地起草财务数字——比率、契约检查、对账、从报表中提取的KPI。问题不在于AI不擅长这个，而在于它有时会自信地给出错误结果。在金融领域，报告或契约计算中一个自信的错误数字不是一个小bug，而是实实在在的责任。 我构建的东西：一个独立的、确定性的验证层（不是另一个AI模型），位于AI输出之后。它： - 从底层文档（PDF、XLSX、DOCX）中提取实际的源值 - 使用精确的规则/公式独立重新计算声称的数字，而不是凭感觉 - 将AI的声称值与重新计算的结果进行比较 - 标记不匹配项，并提供完整的审计追踪——使用了什么证据、应用了什么规则、在哪里出现了分歧 所以不是“相信AI的数学”，而是“这里有证明数学是正确的，或者这里正是它出错的地方以及为什么。” 目前的进展： - 在核心财务比率（净杠杆等）上端到端工作 - 完整的从证据到结论的可追溯性（没有指向源数据的指针，就不会断言任何内容） - 还没有：广泛的规则覆盖、基于容差的匹配（目前是严格精确匹配，我知道这会导致四舍五入上的误报——正在积极解决） 我不要什么：钱、测试版注册、“看看我的落地页”。我真心希望在我把更多时间投入错误的方向之前，把这个东西撕开来看。 我真正想知道的是： - 如果你在金融/会计/审计/合规领域工作——“AI起草，确定性引擎证明”听起来是你真正想要的，还是在解决一个没人有的问题？ - 如果你构建过任何相关的项目（事实核查管道、智能体护栏、财务数据提取）——你在尝试类似的事情时，什么崩溃了？ - 我还没有看到什么？ - 有没有人从合规角度处理过“AI + 审计追踪”的要求？在这里，什么才能真正满足审计师或监管机构，而什么听起来不错但不够？ 很高兴回答任何关于其内部工作原理的问题。我不想遮遮掩掩，只是不想让这篇帖子变成一份规格文档。