订单表和回款表对不上？先让 AI 把差异分成五类再动手

教程定位

这篇教程解决什么问题

月底对账时，订单表和回款表经常出现金额对不上、客户名称对不上、日期对不上的情况。逐行翻表不是不能做，而是太慢，而且容易把“本来合理的差异”误判成错误。这篇文章给你一套可复制的做法：把两张表的样例交给 AI，先让它设计匹配键、把差异分成五类、给出容错规则和人工复核字段，最后得到一份对账差异分析方案。你拿着这份方案回表格里定位问题，而不是让 AI 替你“平账”。

做完这篇文章的练习，你手里会有一份可直接用于本月对账的分析方案，包含：用什么字段匹配两张表、差异分成哪几类、每类差异需要人工确认什么、哪些差异可以自动放过。之后全量对账时，你只需要把同一套规则套到完整数据上。

使用场景

什么情况下最适合用这一套

假设你在做财务或运营对账：每个月 5 号，你会从订单系统和收款系统各导出一张表。订单表里有 1,200 行订单，回款表里有 1,180 笔回款。两张表拼在一起后，有 300 多行金额对不上，还有几十笔回款找不到对应订单。

你试过用 VLOOKUP 和 Excel 的数据透视表，但越查越乱：有的订单被拆成两笔回款，有的客户名称在两张表里差一个字，有的金额差 0.01 元，还有一笔 8 月 1 日到账的回款被算进了 7 月。主管只问一句“到底哪些有问题”，你却要解释半小时。

这里的关键不是“让 AI 帮你把账算平”，而是先让 AI 帮你把差异分类。只要差异类型分清楚了，每一类背后对应一个明确原因，你就能知道哪类需要找销售确认、哪类需要找银行流水、哪类只是口径问题。

材料准备

开始前先把材料和边界备齐

开始之前，你不需要完整的全量数据，但需要准备以下材料：

还要提前想清楚“不做什么”：AI 只负责设计差异分类和分析方案，不直接修改你的账表；所有金额调整和账务处理必须由你或财务负责人确认后执行。

1. 订单表样例：抽 10 到 20 行有代表性的记录，最好覆盖正常订单、已部分回款订单、已全额回款订单和退款订单。
2. 回款表样例：抽与订单表对应的 10 到 20 笔回款，最好覆盖整笔到账、部分到账、手续费扣除、跨月到账和找不到订单的流水。
3. 字段口径说明：每张表里“金额”是含税还是不含税、是否已扣手续费、日期是下单日期还是到账日期、客户名称是否统一过。
4. 对账规则：一张订单是否允许拆成多笔回款；一张订单是否允许合并多笔回款；是否要求一一对应。
5. 可接受误差：例如金额差 0.01 元以内视为一致，日期差 3 个自然日以内视为同一笔。
6. 脱敏边界：客户姓名、手机号、银行账号等敏感字段先替换成代号，不要直接把全量数据粘给 AI。

实操流程

按这套步骤把工作跑起来

【第一步：抽取两张表的小样例】

不要先贴全量数据。先抽 10 到 20 行，覆盖正常的、异常的、边界的情况。样例里至少要有：金额一致的记录、金额差 0.01 元的记录、客户名称差一个字的记录、一笔订单对应两笔回款的记录、找不到订单的回款。

抽取时可以按金额排序，每隔几行取一条，再手动补上你知道的“难匹配”记录。这样 AI 看到的不是随机样本，而是能代表差异类型的样本。

【第二步：把字段口径写清楚】

两张表里同一个字段名，含义可能完全不一样。比如订单表里的“金额”可能是含税总价，回款表里的“到账金额”可能已经扣过支付手续费。如果你不写清楚，AI 会把这两个数字直接相减，得出大量假差异。

在提示词里用一句话写清楚：

【第三步：让 AI 先设计匹配键】

不要让 AI 一上来就“找出所有差异”，先让它设计匹配规则。匹配键可能不止一个：

匹配键设计好后，请 AI 输出一张匹配规则表，写明每个匹配键的优先级和适用条件。

【第四步：让 AI 把差异分成五类】

对账差异不要一开始就按“错的”和“对的”分，先按原因分成五类：

每一类都要让 AI 给出判断依据，而不是只给一个分类标签。例如“金额口径差异”要写出“订单金额 12,000.00 元，到账 11,988.00 元，差额 12.00 元，与手续费率 0.1% 一致”。

【第五步：定义容错规则】

容错规则决定了哪些差异不用人工看：

容错规则要具体到数字。不要写“允许少量差异”，要写“0.01 元以内”。

【第六步：定人工复核字段】

让 AI 输出的差异表里，除了差异类型，必须保留这些字段：订单号、回款流水号、订单金额、到账金额、差额、客户名称（两边原始值）、判断依据、需要人工确认的问题、建议下一步动作。

其中“需要人工确认的问题”最重要。例如：“客户名称不一致，请确认上海云启与上海云启科技有限公司是否为同一主体”。

【第七步：小样本试跑，再全量执行】

先用样例跑一遍，检查 AI 的分类是否有明显错误。如果某类差异被误分，就调整提示词里的口径或容差，再跑第二次。样例通过后，再用同一套规则处理全量数据。全量结果仍然要抽样复核，因为真实数据里总会有样例没覆盖到的情况。

1. 未回款差异：订单存在，但没有对应回款，或回款金额小于订单金额。
2. 多回款差异：回款金额大于订单金额，或同一订单出现重复回款。
3. 金额口径差异：金额不一致，但差额能用手续费、税额、折扣、汇率解释。
4. 身份信息差异：订单号和回款能对上，但客户名称、合同号、渠道等字段不一致。
5. 无法关联：回款表里有记录，但找不到任何订单；或订单表里有记录，但没有任何回款线索。

• 订单金额 = 含税总价，未扣手续费。
• 到账金额 = 实际到账，已扣支付手续费。
• 订单日期 = 下单日期；到账日期 = 资金实际入账日期。
• 客户名称口径：以合同签订主体为准，发票抬头允许简称。
• 有唯一订单号时，订单号优先作为主匹配键。
• 没有订单号或订单号不完整时，用“客户名称 + 金额 + 日期窗口”组合匹配。
• 一笔订单可以对应多笔回款时，要告诉 AI 允许一对多，而不是只按订单号一一对应。
• 回款表里没有订单号的流水，单独归入“无法关联”类。
• 金额容差：例如 |订单金额 - 到账金额| ≤ 0.01 元视为一致。
• 日期容差：例如到账日期比订单日期晚 3 个自然日以内视为正常。
• 文本归一化：全角半角、大小写、空格先归一；客户名称去掉“有限公司”等后缀后比较。
• 手续费规则：如果支付手续费固定或费率已知，允许按费率计算后的差额进入“合理差异”。

输入示例

可以直接参考的输入材料

下面是你可以直接替换使用的输入样例。注意：这是脱敏后的示例，不是真实数据。

字段口径说明：

• 订单金额为含税总价，未扣手续费。
• 到账金额为实际到账金额，已扣支付手续费。
• 一笔订单允许对应多笔回款。
• 客户名称允许简称差异，需要人工确认是否为同一主体。

订单表（orders）
订单号,客户名称,订单金额,订单日期,渠道
ORD-2026-001,上海云启,12000.00,2026-07-02,直销
ORD-2026-002,北京明创,8600.00,2026-07-05,渠道
ORD-2026-003,深圳蓝图,15000.00,2026-07-08,直销
ORD-2026-004,上海云启,2300.00,2026-07-10,渠道
ORD-2026-005,广州新创,5000.00,2026-07-12,直销

回款表（payments）
回款流水号,订单号,客户名称,到账金额,到账日期,备注
PAY-1001,ORD-2026-001,上海云启,12000.00,2026-07-11,
PAY-1002,ORD-2026-001,上海云启,11988.00,2026-07-12,手续费12元
PAY-1003,ORD-2026-002,北京明创,8600.00,2026-07-15,
PAY-1004,ORD-2026-003,深圳蓝图,14950.00,2026-07-18,客户少付50元
PAY-1005,ORD-2026-005,广州新创,5000.00,2026-08-01,跨月到账
PAY-1006,,杭州未名,3000.00,2026-07-20,未填订单号

提示词

可复制使用的提示词

我在做月度对账，需要你帮我设计一份对账差异分析方案，不是直接改账。

背景：
- 订单表来自订单系统，字段：订单号、客户名称、订单金额、订单日期、渠道。
- 回款表来自收款系统，字段：回款流水号、订单号、客户名称、到账金额、到账日期、备注。
- 订单金额是含税总价，未扣手续费；到账金额已扣支付手续费。
- 一笔订单允许对应多笔回款。
- 可接受误差：金额差 0.01 元以内视为一致；到账日期比订单日期晚 3 个自然日以内视为正常。

两张表样例：
订单表：
ORD-2026-001,上海云启,12000.00,2026-07-02,直销
ORD-2026-002,北京明创,8600.00,2026-07-05,渠道
ORD-2026-003,深圳蓝图,15000.00,2026-07-08,直销
ORD-2026-004,上海云启,2300.00,2026-07-10,渠道
ORD-2026-005,广州新创,5000.00,2026-07-12,直销

回款表：
PAY-1001,ORD-2026-001,上海云启,12000.00,2026-07-11,
PAY-1002,ORD-2026-001,上海云启,11988.00,2026-07-12,手续费12元
PAY-1003,ORD-2026-002,北京明创,8600.00,2026-07-15,
PAY-1004,ORD-2026-003,深圳蓝图,14950.00,2026-07-18,客户少付50元
PAY-1005,ORD-2026-005,广州新创,5000.00,2026-08-01,跨月到账
PAY-1006,,杭州未名,3000.00,2026-07-20,未填订单号

请输出：
1. 建议的匹配键和匹配优先级。
2. 按未回款、多回款、金额口径差异、身份信息差异、无法关联五类分类，逐条列出差异。
3. 每条差异给出判断依据和需要人工确认的问题。
4. 说明哪些差异可以按容差自动放过。
5. 给出人工复核字段清单。
不要修改原始数据，不要编造不存在的记录。

输出样例

AI 应该输出到什么程度

下面是使用上述提示词后可能得到的结果摘要。实际输出会随数据和模型不同而变化，但结构应该类似：

注意：AI 输出里“ORD-2026-001 回款合计 23,988.00 元”是示例计算，你要用自己的数据重新核验。AI 的分类只能当线索，不能直接作为账务结论。

一、建议匹配键
1. 主匹配键：订单号（回款表 PAY-1006 无订单号，单独归入无法关联）。
2. 辅助匹配键：客户名称 + 到账金额 + 到账日期窗口。
3. 允许一对多：ORD-2026-001 可对应 PAY-1001、PAY-1002 两笔回款。

二、差异分类
1. 未回款差异
   - ORD-2026-004：订单金额 2,300.00 元，未找到任何回款。
   - 判断依据：按订单号匹配无结果。
   - 需人工确认：客户是否已线下付款、是否在途、是否走其他收款通道。

2. 多回款差异
   - ORD-2026-001：订单金额 12,000.00 元，回款合计 23,988.00 元。
   - 判断依据：两笔回款均关联该订单，合计超过订单金额。
   - 需人工确认：PAY-1002 是否为重复回款，或另一笔属于其他订单。

3. 金额口径差异
   - ORD-2026-003：订单金额 15,000.00 元，到账 14,950.00 元，差额 50.00 元。
   - 判断依据：备注为“客户少付50元”，不满足 0.01 元容差。
   - 需人工确认：是否同意按实际到账确认收入，差额如何跟进。

4. 身份信息差异
   - PAY-1001 与 ORD-2026-001：订单号一致，客户名称一致，无身份差异。
   - PAY-1006：客户名称为“杭州未名”，订单表无此客户，归入无法关联。
   - 需人工确认：是否为新客户未建档，或填写错误。

5. 无法关联
   - PAY-1006：无订单号，金额 3,000.00 元，无法按现有字段关联。
   - 需人工确认：向收款方索取订单号或合同号后重新匹配。

三、可自动放过的差异
- ORD-2026-005 / PAY-1005：金额一致，到账日期晚于订单日期 20 天，超过 3 天容差，建议计入下月对账口径，不自动放过。

四、人工复核字段清单
订单号、回款流水号、订单金额、到账金额、差额、客户名称（两边原始值）、判断依据、需人工确认的问题、建议下一步动作。

人工验收

人要怎么检查和改到可用

AI 给出的差异分析方案要用以下方式人工复核：

1. 检查匹配键是否唯一：如果订单号本身有重复或空值，按订单号匹配会产生假差异。先统计订单号唯一值数量，再决定是否改用组合匹配键。
2. 检查一对多是否被正确处理：一笔订单拆成多笔回款时，不能只比较“订单金额 vs 单笔回款金额”，要比较“订单金额 vs 回款合计”。
3. 检查金额容差是否合理：0.01 元容差只适合分位误差；如果业务里经常有手续费、折扣、汇率，要单独列出口径差异类，而不是把容差放大到 50 元。
4. 检查客户名称确认流程：AI 无法判断“上海云启”和“上海云启科技有限公司”是不是同一主体。这类问题必须由业务或财务确认，确认后更新主数据，不要直接在差异表里改。
5. 检查跨月到账：到账日期在月底之后几天的回款，可能是正常的跨月到账。要确认对账期间的口径：按订单日期还是按到账日期归属。
6. 保留原始值和证据：任何差异结论都要能回查。不要只保留“已处理”，要保留两边原始值、AI 的判断依据、人工确认结果。
7. 调整必须走审批：AI 可以建议“这笔应计入应收账款”，但真正调整账务前，必须由财务负责人按公司流程确认。

失败反例

这些失败反例要提前避开

反例 1：直接用订单号做唯一匹配，遇到一笔订单拆成两笔回款时，把其中一笔判成“多回款”，另一笔判成“未回款”。实际上两笔合计刚好等于订单金额，问题只是匹配粒度错了。

反例 2：没有先写字段口径，让 AI 直接比较“订单金额”和“到账金额”。订单金额含税、到账金额已扣手续费，结果整张表都是差异，真正的异常被淹没在假差异里。

反例 3：把容差写成“允许少量差异”，AI 按自己的理解放过 50 元、100 元的差额。容差必须写成具体数字，例如“0.01 元以内”，否则不可复现、不可审计。

反例 4：让 AI 直接“修正”客户名称或金额，把“上海云启”直接改成“上海云启科技有限公司”，却没有保留原始值。一旦对方不承认，你拿不出两边证据。

反例 5：把全量订单表和回款表直接粘给 AI，里面包含客户手机号、银行账号等敏感信息。对账只需要脱敏样例，不需要把全量真实数据交给外部 AI 工具。

反例 6：AI 输出分类后直接拿去发给主管，没有抽样复核。真实数据里总会有样例没覆盖到的情况，比如退款订单、负数金额、汇率差异，这些要先确认再上会。

主题边界

它和相邻主题的区别

这篇文章专门处理“两张表对不上”时的匹配键设计和差异分类，和几个相邻主题有明显区别：

• 与表格清洗规则不同：清洗主题解决的是字段格式乱、空值、重复行；本文假设表已经能读，重点是跨表匹配和差异原因分类。
• 与周报数字加工不同：周报主题把系统导出数据加工成固定指标；本文不产出指标，只产出对账差异分析方案。
• 与数据异常解释不同：异常解释主题面向业务，把异常讲成人能听懂的原因；本文面向对账执行者，给出的是需要人工复核的差异清单。
• 与销售回款跟进不同：本文不涉及催款话术和客户沟通，只到“差异分析”为止。