OpenAI Codex助力税务代理自我进化：Thrive Holdings与OpenAI联合开发Tax AI

bingdada

八月 2, 202657 次阅读约 6 分钟阅读

快速回答

本文深入解析OpenAI与Thrive Holdings如何利用Codex联合开发Tax AI，实现税务代理系统的自我进化。通过紧密对接一线从业者、构建可追溯的生产系统以及Codex驱动的迭代循环，Tax AI在六周内将75%字段完成率从25%提升至86%，为会计师节省三分之一准备时间，准确率高达97%。

核心要点

引言：从实验室到生产环境的鸿沟
项目背景：税务申报的瓶颈与机遇
Tax AI的核心成果：可量化的自我进化
核心方法论：自我进化的三大支柱
实践中的挑战与应对

引言：从实验室到生产环境的鸿沟

真实世界的系统在投入生产后的表现，往往与实验室环境大相径庭。那些在部署前难以预见的故障，通常要在系统上线后才暴露出来。团队常常在发布后才发现问题，随后花费数周时间排查边缘案例、调整提示词，并将生产反馈转化为可持续的产品改进。传统的反馈循环不仅缓慢且高度依赖人工，只有当工程师介入时才能推动改进。然而，借助精心设计的评估基础设施、直接对接一线从业者与真实环境的能力，以及Codex前沿的智能体功能，我们如今可以构建能够自我进化的智能体。本文将深入解析我们如何利用Codex打造这类智能体，并分享在税务领域的成功实践。

项目背景：税务申报的瓶颈与机遇

过去六个月，OpenAI的前沿部署工程师与研究人员，携手Thrive Holdings的工程师团队，为Crete（克里特）地区30多家会计师事务所共同开发了Tax AI系统。该系统的目标是帮助会计师应对日益复杂的税务申报工作。 Crete的会计师们每个报税季需要处理数万份纳税申报单，涉及数百万份底层文档。对于中高复杂度的申报，仅数据录入一项就可能耗费每份申报8小时，过程中往往要处理混乱的数据源、历年文档，并进行手动提取和计算。在报税季最繁忙的时期，税务申报准备成为了显著的瓶颈。

Tax AI的核心成果：可量化的自我进化

在本报税季的试点中，Tax AI处理了参与试点的Crete事务所的7,000份纳税申报单。该系统自动化了1040和1041表格申报准备中大量耗时的工作。但比效率提升更令人瞩目的是，系统本身相比三个月前首次部署的版本，实现了可量化的显著进步。

效率与准确性的双重提升

时间节省：为会计师节省了约三分之一的税务准备时间。
准确率：草拟的申报单准确率高达97%。
吞吐量提升：处理能力提升约50%，为会计师留出更多时间与客户沟通。

自我改进的量化证据

我们通过评估申报单在无需后续修正的情况下，字段完成的准确率来衡量改进效果。具体来看：

75%字段完成率：上线初期仅25%的申报单达到此标准，六周内这一比例跃升至86%。
90%与100%字段完成率：系统在这两个更高标准上的进步更为迅速，表明需要会计师后续跟进的申报单大幅减少。初期，Tax AI主要处理简单任务（如W-2和1099表格）。随着报税季推进，系统逐步攻克更复杂的申报，涉及K-1表格、各种附表和棘手边缘案例。每项新能力的获得，都比前一次节省更多时间，因为系统接手的是更耗时、更复杂的手动任务。这一进步势头至今仍在持续。

核心方法论：自我进化的三大支柱

Tax AI之所以能够实现自我进化，关键在于围绕以下三个支柱进行协同工程开发：

支柱一：紧密对接一线从业者

真正做实际工作的人，必须能引导系统的学习方向。他们的直觉和判断力能够揭示哪些错误真正重要，并帮助确定工作流中哪些环节值得优先优化。

支柱二：构建能产生证据的生产系统

产品不仅要记录输入和输出，还必须捕捉完整的路径：从源材料，到提取的字段及来源，再到下游提交和专家修正。这种完整的可追溯性是后续自动改进的基础。

支柱三：Codex驱动的迭代循环

一旦生产问题变得可见且结构化，它们就能转化为发现、定制化评估和明确的工程任务。Codex可以协助调查问题、提出修改方案、验证修改是否通过针对性评估和回归测试，从而比纯手动迭代周期更快地推动产品进步。

实践中的挑战与应对

随着Tax AI扩展到更复杂的申报领域（如K-1表格、租赁房地产附表，以及需要跨多个源文件对账的税务表格），团队面临的核心挑战是：如何让复杂的生产故障变得可见、可理解且可操作。在产品早期，大部分修正依赖手动操作。会计师可以纠正系统错误，但产品未能捕获完整的上下文信息：在提交前修改某个值，可能反映的是真正的提取错误、映射问题、产品功能缺失，或是工作流中的正常波动。要区分这些情况，仍需要工程团队跟进。虽然工程师可以使用编码智能体，但系统在设计上尚未能在改进循环中有意义地利用AI——我们缺乏识别正确改进方向的信号。

结语：对构建者的启示

Tax AI的成功实践表明，将领域专家知识与AI智能体能力深度融合，可以构建出能够自我进化的系统。对于其他领域的构建者，尤其是那些从业者专业知识对系统质量和数据质量至关重要的领域，我们的经验或许能提供有价值的参考： 1. 让专家参与闭环：系统学习的方向应由一线从业者引导。

设计可追溯的生产系统：完整捕获从源到最终输出的路径。
利用AI加速迭代：让Codex这样的智能体参与问题发现、方案提出和验证。通过这三个支柱的结合，我们不仅解决了税务申报的具体问题，更开创了一种构建持续自我改进AI系统的新范式。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。 编辑团队：内容策划 · 技术编辑 · AI 研究组网站：bingdada.com © 2026 Bingdada. 保留所有权利。