会计生 × AI 工具链：我用爬虫、Codex 和 DeepSeek 造出网站和调研

先承认一件事：我不是科班程序员

我是南开大学会计学专业的大二学生。课程表里没有数据结构，没有操作系统，有的是财务会计、审计原理和财务报表分析。但这一年，我用一套 AI 工具链做完了两件让我自己都意外的事：

• 一个纯前端、五页、完全离线运行、带无缝 BGM 的《凡人修仙传》阅读助手；
• 一场为期七天、走访 10+ 单位、成果登上铜陵日报、安徽日报、学习强国的基层调研。

它们表面毫无关联，背后却是同一套打法：用工具链补足我不擅长的执行，把精力留给拆解需求和判断结果。

我的工具箱

• 爬虫工具 —— 获取原始数据：小说完整内容、企业官网信息、官媒报道。
• Codex —— 批量梳理和清洗数据的主力：小说里的人物关系、情节脉络，官媒里的企业数据，都是先交给它做第一轮处理。
• Claude Code + DeepSeek V4 PRO —— 构建项目大体框架。
• Claude Code + DeepSeek V4 Flash —— 批量爬取、整理图片类素材。
• Codex + ChatGPT —— 视觉与 UI 设计（原因后面会讲到）。
• 提示词工程 —— 最被低估的能力。同样的模型，会不会提问，产出质量天差地别。

项目一：《凡人修仙传》阅读助手

起因：一个”健忘读者”的痛点

这部动漫更新节奏慢，我的时间又零碎，经常看到后面忘了前面——这个角色是谁、这条线讲到哪、这个宗门什么来头，全成了问号。与其每集翻回顾，不如自己造一个能随时帮我回忆内容的阅读助手。

开发链路：一条真实的多工具流水线

第一步，拆解大框架。 我先想清楚一个阅读助手该有什么：人物、情节、世界观、地图、大事件五大板块。这一步没有 AI，全是产品思考——会计里叫”科目设置”，先立账本再记账。

第二步，爬虫获取完整内容，交给 Codex 梳理。 用爬虫抓取《凡人修仙传》完整文本，交付给 Codex，让它梳理人物关系、情节发展、宗门重要人物、主角及相关人物的内容。这一步把几百万字的素材，压缩成了可查询的结构化数据。

第三步，Claude Code 搭配 DeepSeek V4 PRO 构建大体框架。 五个页面的骨架、数据驱动的方式、导航结构，在这一轮成型。

第四步，Claude Code 搭配 DeepSeek V4 Flash 批量爬人物图片，做成人物卡片。 数百位角色，逐张爬图、统一裁剪、归入卡片，填进框架。

踩过的坑：工具各有短板，组合才是解法

坑一：DeepSeek 的 UI 设计很丑。 框架搭好了，但界面怎么看都不对味。于是我把视觉交给 Codex + ChatGPT，结合主角形象，设计出了墨竹绿 + 暗金的主体配色——既贴合修仙世界的质感，又区别于千篇一律的”科技感蓝紫”。为了沉浸感，我还做了主页导览页，把主角的本命法宝掌天瓶做成浮动动画放在首页。

坑二：BGM 一切换页面就断。 为了让读者更有沉浸感，我做了悬浮窗音乐播放器。但最初播放器分散在五个页面里——每次跳转，浏览器卸载旧页面、销毁 <audio>，新页面重建音频对象，音乐必然中断。

解决方案是把站点重构为**“应用外壳 + 内容页”：index.html 成为持续存在的应用外壳，承载唯一播放器；五个内容页面在内部框架中切换，播放器对象不被销毁，于是同一音频对象、同一播放位置、同一音量连续播放**。浏览器前进后退也不中断，曲目、进度、音量状态全部保留。

这个坑的教训很值钱：“看起来能跑”和”体验上能跑”是两回事，而后者才是产品。

项目二：铜纹新叙 · 数字经济调研

2026 年 7 月，我作为南开大学商学院”铜纹新叙”实践队核心成员，和 4 位同学走进安徽铜陵铜官区，调研”数字经济赋能资源型城市产业升级”。

AI 工具在调研里的角色，是把它变成一条数据流水线：

第一步，Codex 批量采集。 从铜陵本地企业的官网，以及铜陵日报、安徽日报等官媒，批量抓取企业信息——这相当于会计里的”取数”。

第二步，预处理 + 对标分析。 信息清洗后，先看同类型企业的先进案例（头部企业怎么做），再和铜陵本地企业对比。差距在哪里，哪里就有故事。

第三步，输出数据痛点与缺口清单。 对比的结果沉淀成两类产出：数据痛点（本地企业普遍卡在哪）和数据缺失点（哪些关键数据我们还没有）。这份清单直接决定了七天调研要问什么——带着问题去，而不是空手问。

第四步，实地调研补齐，批量整理成数据手册。 走进政府机关、六国化工、洁雅生物、天井湖社区等 10+ 单位拿到真实数据后，我用批量工具整理成按日数据手册，完善已有数据。从”磷酸萃取率提升 0.7% → 年效益近千万 → 年减固废 1 万吨”这样的完整效益链条，到四条包装线减员 40 人的就业影响量化案例。

第五步，痛点 × 数据 → 政策建议。 结合前期的数据痛点，把调研发现提炼成结构化建议，最终整理成数据库和建议库——调研的资产化，而不是调研完就散掉。

最终，这份调研形成 21+ 份文档，成果被铜陵日报、安徽日报刊发，入选学习强国平台。

会计训练在这里帮了大忙：借贷平衡的思维让我天然会做”交叉验证”（先有缺口清单，再实地对账）；成本效益的敏感让我对每一组数据都要追根溯源。AI 放大了效率，但没有替代判断——尤其是”该问什么”这个判断。

我的 AI 生产力工作流

两个项目，两套流程，一套底层逻辑：

产品开发流： 拆解需求 → 工具链分工（爬取/梳理/搭框架/美化）→ 遇到坑就换组合 → 迭代到体验成立。

调研数据流： 批量采集 → 预处理 → 对标分析 → 输出缺口清单 → 实地补齐 → 沉淀为数据库和建议库。

底层的共性是四步循环：拆解 → 分工 → 迭代 → 交叉验证。这套循环从写代码延伸到调研、写作、数据分析——它本质上是一套通用的”人机协作”方法论。

对会计专业的一个启发

财会行业正在被 AI 重塑，这是共识。但我的体会是：AI 不会淘汰会计，会淘汰不会用 AI 的会计。

未来的财务人不需要会写代码，但需要三样东西：数据素养（看懂数据、校验数据）、流程思维（把复杂工作拆成可执行的步骤）、判断力（知道哪些交给工具、哪些必须自己拍板）。我在一个兴趣项目里练出了产品拆解和工具组合的能力，在一场调研里练出了数据流水线，最后它们共同拼成了我对”AI 时代财务人”的理解。

写在最后

回头看，我最庆幸的不是”做出了什么东西”，而是验证了一件事：当你拥有一套会分工的 AI 工具链，一个会计学生也可以把想法变成网站、把观察变成报告、把痛点变成建议。

工具会更新，模型会换代，但”拆解问题、组合工具、验证结果”的能力不会过时。这就是我想持续打磨的核心竞争力。

如果你也在用 AI 工具做点什么，或者对”会计 × AI”这个话题感兴趣，欢迎在联系页找我聊聊。