【学习工作赛道】税谱——AI驱动的财税知识图谱实现过程

u168674915792476 · 2026 年7 月 9 日 05:42

先和大家打个招呼吧

你是谁：
大家好！我是一名拥有五年企业税务顾问经验的从业者，专注于企业税务合规与优化领域。在日常工作中，我接触过大量企业客户，从小微企业到大型集团，深深感受到税务知识普及和智能化税务服务的迫切需求。同时，我也是一名技术爱好者，一直在探索如何用技术手段提升税务服务的效率和质量。

你是怎么用 TRAE 把 Demo 做出来的：

作为税务从业者，我一直在思考如何让复杂的税务知识更易懂、让税务分析更高效。传统的税务服务依赖人工查询和分析，效率低、成本高，很难满足广大中小微企业的需求。当我了解到 TRAE 这个强大的 AI 编程助手后，我决定用它来构建这个税谱平台，让技术赋能税务服务。

整个开发过程可以说是一场奇妙的探索之旅。最初，我只是在脑子里构思了一个模糊的想法：“我想要一个能让用户轻松理解税收政策、快速识别税务风险的平台”。我把这个想法告诉 TRAE，它立刻帮我梳理出了清晰的功能模块和技术架构，让我眼前一亮——原来我的想法可以这么系统化地实现！

在开发过程中，TRAE 帮我攻克了三个最关键的技术难题：

第一个难题是对接 Elasticsearch 搜索引擎。税务政策数据量庞大，而且更新频繁，我需要一个高性能的全文检索引擎来支撑快速查询。我告诉 TRAE：“我需要对接 Elasticsearch，实现税务政策的全文搜索和多维度筛选”。令我惊讶的是，TRAE 不仅帮我写好了 Node.js 的 ES 客户端配置代码，还详细设计了索引结构、mapping 字段，实现了分词查询、聚合统计、模糊匹配等高级功能，甚至考虑了索引优化策略。这在以前，我可能需要花上几天时间查阅文档、调试代码才能完成。

第二个难题是接入大模型理解用户意图。用户可能用自然语言提问，比如"我是小规模纳税人，季度开票30万需要交多少税？"。传统的关键词搜索很难准确理解这种复杂的意图。我告诉 TRAE：“我需要接入大模型，让用户能用自然语言提问，系统自动理解意图并返回对应的政策和计算结果”。TRAE 帮我设计了完整的意图识别系统，包括意图类别定义、实体抽取模块、Prompt 模板构建，以及从自然语言到结构化查询的转换流程。现在，用户只需用日常语言提问，系统就能精准识别需求并给出专业解答。

第三个难题是知识图谱可视化。税收政策之间存在复杂的关联关系，如何让这些关系直观地展示出来？TRAE 帮我设计了完整的税务数据模型，包括税种、政策、法规、优惠、企业类型等实体及其关联关系，并使用 ECharts 力导向图实现了交互式图谱展示。用户可以直观地看到不同政策之间的关联，点击节点就能查看详细信息。

最让我感动的是，TRAE 不仅是一个编程工具，更是一个真正的"合作伙伴"。它能够理解我的专业背景和业务需求，给出符合税务领域特点的技术方案。有时候我只是描述了一个业务场景，它就能帮我把技术实现细节都考虑周全。这种"自然语言编程"的体验，让我深刻感受到了 AI 技术带来的变革力量。

Demo 简介
税谱是一款基于知识图谱技术的智能税务分析平台网站，集税收政策可视化、税务风险评估和智能问答于一体，旨在帮助企业和个人快速理解复杂的税收政策、精准识别税务风险、获得专业的税务咨询服务。
税谱的核心用户群体包括：

税谱的核心功能之一是税务知识图谱，它将复杂的税收政策体系转化为直观的可视化图谱：

可视化展示：使用力导向图展示税种、政策、法规、优惠政策等实体之间的关联关系，让用户一目了然地了解政策体系结构
多维度查询：支持按税种（增值税、企业所得税、个人所得税等）、政策类型（征收管理、优惠政策、纳税申报等）、生效日期、适用范围等多维度筛选和查询
交互式导航：点击图谱中的任意节点，可以展开查看该节点的详细信息，并高亮显示与其关联的其他节点，实现政策关系的深度探索
政策对比：支持选择多个政策节点进行对比分析，帮助用户理解不同政策之间的差异和适用场景

风险评估系统

税谱的风险评估系统基于规则引擎和大数据分析，帮助企业主动识别潜在的税务风险：

智能风险扫描：用户只需输入企业基本信息和财务数据，系统即可自动分析并识别潜在的风险点，包括增值税风险、企业所得税风险、个人所得税风险等
风险预警机制：对于识别出的风险点，系统会根据风险等级进行预警提示，帮助企业及时采取措施规避风险
合规建议提供：针对每个风险点，系统会提供详细的合规建议和改进方案，指导企业如何进行整改和优化
风险优先级排序：系统会根据风险的严重程度和影响范围进行优先级排序，帮助企业优先处理最紧迫的风险问题

智能问答助手

税谱的智能问答助手基于大语言模型和 Elasticsearch 搜索引擎，为用户提供自然语言交互的税务咨询服务：

自然语言理解：支持用户用日常语言提问，比如"我是小规模纳税人，季度开票30万需要交多少税？"、"高新技术企业有哪些税收优惠？"等
意图识别与实体抽取：系统能够自动识别用户的提问意图（政策查询、风险评估、计算咨询、合规建议等），并抽取关键实体信息（纳税人类型、收入金额、行业、地区等）
精准政策检索：基于 Elasticsearch 的高性能全文检索能力，系统能够快速从海量政策数据中精准定位相关政策
智能计算服务：对于涉及税务计算的问题，系统能够自动进行计算并给出结果，比如税额计算、优惠额度测算等
多轮对话支持：支持上下文理解和追问，用户可以在一次对话中连续提问，系统能够理解并关联上下文信息

Demo 创作思路

灵感来源：
我的灵感来源于多年的税务顾问工作经历。在日常工作中，我发现了一个普遍存在的问题：无论是企业财务人员还是普通创业者，都对复杂的税收政策感到困惑。很多企业因为不了解最新政策而错过优惠，或者因为操作不当而产生税务风险。

有一次，我遇到一位小微企业主，他因为不了解小规模纳税人的最新优惠政策，白白多交了几万元的税款。这件事让我深受触动——如果有一个工具能让他快速了解政策、自动识别风险，那该多好！

同时，我也注意到，传统的税务服务模式存在很多痛点：政策更新不及时、查询效率低、专业服务门槛高。我希望通过技术手段，打破这些壁垒，让优质的税务服务触手可及。

想解决的问题：
税谱主要想解决以下几个核心问题：

政策理解难：税收政策体系复杂，包含大量法规、规章、规范性文件，非专业人士很难理解和应用。而且政策之间存在复杂的关联关系，普通用户很难理清其中的逻辑。

风险识别滞后：很多企业在税务检查时才发现问题，缺乏主动的风险预警机制。等到问题出现时，往往已经造成了不必要的损失。

信息不对称：最新政策发布后，企业不能及时了解和调整。税务部门的政策发布渠道相对分散，企业很难全面、及时地获取信息。

查询效率低：传统的政策查询依赖关键词搜索，用户需要输入准确的关键词才能找到相关政策。对于用自然语言提问的用户，很难获得精准的答案。

专业服务门槛高：专业的税务咨询服务费用昂贵，中小微企业难以负担。很多企业只能依靠内部财务人员的有限知识，难以获得专业的税务筹划建议。

为什么做这个方向：
选择学习工作赛道，是因为税务服务是企业经营和个人工作中的刚需，关系到每个企业和个人的切身利益。税务合规是企业健康发展的基础，而税收优惠则是企业降低成本、提升竞争力的重要手段。

同时，我认为知识图谱技术是解决税务问题的最佳选择：

可视化能力：知识图谱能够将复杂的政策体系直观地展示出来，帮助用户快速理解政策结构和关联关系
智能推理能力：基于知识图谱的推理引擎，可以帮助用户发现潜在的税务风险和合规问题
灵活扩展能力：随着政策的不断更新，知识图谱可以方便地进行扩展和维护

接入大模型和 Elasticsearch，则是为了提升用户体验和查询效率：

自然语言交互：让用户能够用日常语言提问，降低使用门槛
精准检索：基于 Elasticsearch 的全文检索能力，实现政策的快速精准定位
智能计算：结合大模型的计算能力，为用户提供税额计算、优惠测算等服务

这个方向既有实际应用价值，又能体现技术创新，是一个非常有意义的探索。

Demo 体验地址（三选一）

www.shuipu.net

TRAE 实践过程

开发流程：

Step 1：需求分析与项目规划

项目启动之初，我使用 TRAE 的 TodoWrite 功能创建了详细的任务计划，明确了各阶段的目标和里程碑。

首先，我分析了核心功能需求：税务知识图谱、风险评估系统、智能问答助手。这三个功能模块构成了税谱的核心价值。

然后，我确定了技术方案：编程语言用Java，搜索引擎使用 Elasticsearch，大模型接口接入主流 AI 服务提供商。

最后，我识别了关键技术难点：ES 搜索引擎对接、大模型意图理解、知识图谱可视化。这三个难点也是项目的技术亮点所在。

Step 2：项目基础搭建

在 TRAE 的帮助下，我快速完成了项目的基础搭建：

创建了 HTML 页面结构，包含三个功能模块：知识图谱、风险评估、智能问答
配置了构建工具和开发环境，实现了热更新和快速构建
设计了响应式布局，确保平台在桌面端和移动端都能良好展示
创建了项目目录结构，规范了代码组织方式

Step 3：对接 Elasticsearch 搜索引擎

这是项目的第一个技术难点，也是 TRAE 帮我解决得最漂亮的部分：

规划后端架构：TRAE 帮我设计了基于 Java 的后端架构，规划了 API 接口和数据流程
配置 ES 客户端：安装了 @elastic/elasticsearch 客户端，并配置了连接参数
设计索引结构：创建了税务政策索引，设计了完整的 mapping 结构，包含税种、政策类型、生效日期、适用范围、政策内容等字段
实现搜索接口：开发了全文搜索接口，支持分词查询、聚合统计、模糊匹配、多维度筛选等功能
开发数据导入脚本：编写了批量导入税务政策数据到 ES 的脚本，支持从 CSV、JSON 等格式导入数据
优化搜索性能：设置了合理的分片数和副本数，配置了查询缓存，实现了分页查询，确保搜索性能达到秒级响应

Step 4：接入大模型理解用户意图

这是项目的第二个技术难点，也是最能体现 AI 能力的部分：

设计意图识别系统：TRAE 帮我设计了完整的意图识别系统架构，定义了四种意图类别：政策查询、风险评估、计算咨询、合规建议
实现实体抽取模块：开发了实体抽取功能，能够识别用户提问中的关键信息，如纳税人类型（小规模纳税人、一般纳税人）、收入金额、行业、地区、税种等
规划大模型对接方案：设计了与大模型 API 的对接方案，包括请求参数、响应格式、错误处理等
构建 Prompt 模板：创建了专业的 Prompt 模板，指导大模型进行意图识别和实体抽取
实现自然语言转换：开发了从自然语言到结构化查询的转换逻辑，将用户的自然语言提问转换为 ES 查询语句
开发智能问答接口：创建了智能问答接口，接收用户自然语言提问，调用大模型进行意图识别，再调用 ES 进行政策检索，最后返回整合后的答案
支持多轮对话：实现了上下文理解和追问功能，用户可以在一次对话中连续提问，系统能够理解并关联上下文信息

Step 5：税务知识图谱开发

这是项目的第三个技术难点，也是最具视觉冲击力的部分：

设计数据模型：TRAE 帮我设计了完整的税务数据模型，包括税种、政策、法规、优惠政策、企业类型等实体，以及实体之间的关联关系（如"税种-政策"、“政策-法规”、"企业类型-优惠政策"等）
规划可视化方案：设计了基于力导向图的可视化方案，规划了节点样式、连线样式、颜色编码等
实现图谱展示：开发了知识图谱可视化展示功能，使用力导向图展示实体关联
开发交互式查询：实现了交互式节点查询功能，点击节点可以查看详细信息和关联节点
实现图谱导航：支持图谱的缩放、拖拽、筛选等操作，用户可以自由探索政策体系

Step 6：风险评估系统开发

在完成核心技术模块后，我继续开发了风险评估系统：

定义风险规则：TRAE 帮我定义了多种税务风险规则，包括增值税风险（如进项税额抵扣异常、开票金额异常等）、企业所得税风险（如成本费用异常、收入确认异常等）、个人所得税风险（如申报信息异常、专项附加扣除异常等）
设计评估模型：开发了风险评估模型，根据企业数据自动识别潜在风险点
实现风险扫描：创建了风险扫描功能，用户输入企业信息后，系统自动进行风险分析
开发预警机制：实现了风险预警和等级评估功能，根据风险严重程度进行分级提示
生成合规建议：针对每个风险点，系统会自动生成合规建议和改进方案报告

Step 7：界面优化与部署

最后，我进行了界面优化和部署：

设计现代化 UI：采用了渐变背景、卡片布局、动画效果等现代化设计元素，提升用户体验
添加交互效果：实现了悬停动画、平滑过渡、搜索联想等交互效果
部署前端：将前端代码部署到 www.shuipu.net 服务器
配置后端接口：配置了后端 API 接口和数据库连接，确保系统正常运行

关键步骤截图说明：

项目结构

修复ES BUG

设计neo4j工具类

UI设计

关键任务对话 Session ID：

.168674915792476:384a4ddd9313c774d85d41def3051929_6a4f2e774b3132e2680e9936.6a4f2e804b3132e2680e9938.6a4f2e7f17bc7021f71903b4:Trae CN.T(2026/7/9 13:15:44)
.168674915792476:40ab8a6d242c88215da9507dd2e4f376_6a4f2e774b3132e2680e9936.6a4f2fc04b3132e2680e9967.6a4f2fc017bc7021f71903b5:Trae CN.T(2026/7/9 13:21:04)

.168674915792476:5bb111c3ea00d5e08709cf54bb9424af_6a4f2e774b3132e2680e9936.6a4f30d44b3132e2680e9992.6a4f30d417bc7021f71903b6:Trae CN.T(2026/7/9 13:25:40)

5. 对应的报名审核通过的帖子链接

经验总结

技术选型的思考

在技术选型方面，我做了以下考虑：

搜索引擎选择 Elasticsearch：Elasticsearch 是目前最流行的全文搜索引擎之一，具有强大的分词查询、聚合统计、模糊匹配等功能，能够满足税务政策检索的需求。
大模型接口：选择接入主流 AI 服务提供商的 API，能够快速获得成熟的自然语言理解能力，无需从零训练模型。

TRAE 使用心得

在使用 TRAE 的过程中，我有以下几点心得：

明确需求描述：TRAE 能够很好地理解自然语言描述的需求，但需要尽可能详细和清晰。在描述需求时，我会尽量提供具体的业务场景和期望的功能效果。
分阶段开发：将项目分解为多个阶段，每个阶段专注于一个核心功能。这样可以让 TRAE 更好地理解和实现每个模块，避免一次性提出过于复杂的需求。
代码审查和优化：虽然 TRAE 能够生成高质量的代码，但仍然需要进行代码审查和优化。我会仔细检查生成的代码，确保符合编码规范和业务逻辑。
充分利用工具链：TRAE 提供了丰富的工具链，如 TodoWrite、代码搜索、文件编辑等。充分利用这些工具，可以大大提升开发效率。

踩坑复盘

在开发过程中，我也遇到了一些问题，以下是我的复盘总结：

坑 1：ES 索引设计不合理

最初设计 ES 索引时，我没有充分考虑税务政策的特点，导致搜索效果不佳。后来在 TRAE 的帮助下，我重新设计了索引结构，增加了更多的字段和分析器，搜索效果得到了显著提升。

教训：在设计搜索引擎索引时，需要充分了解业务数据的特点，设计合理的字段结构和分析器。

坑 2：大模型 Prompt 设计不当

最初设计的 Prompt 模板过于简单，导致大模型的意图识别准确率不高。后来我在 TRAE 的帮助下，优化了 Prompt 模板，增加了更多的上下文信息和示例，意图识别准确率得到了明显提升。

教训：Prompt 设计是大模型应用的关键，需要不断优化和调整，以获得最佳效果。

坑 3：知识图谱数据准备不足

知识图谱的可视化效果很大程度上依赖于数据的质量和完整性。最初我准备的数据不够完善，导致图谱展示效果不佳。后来我补充了更多的实体和关联关系数据，图谱展示效果得到了显著改善。

教训：在开发知识图谱应用时，数据准备是关键，需要投入足够的时间和精力来收集和整理数据。

项目亮点

ES 搜索引擎对接：基于 Elasticsearch 实现税务政策的高性能全文检索，支持分词查询、聚合统计、模糊匹配，秒级响应海量政策数据，大大提升了政策查询效率。
大模型意图理解：接入大模型 API，实现自然语言意图识别和实体抽取，用户用日常语言提问即可获得精准的政策解答和计算结果，降低了使用门槛。
知识图谱可视化：将复杂的税收政策体系转化为直观的图谱，易于理解和查询，支持交互式导航，让用户能够快速理清政策之间的关联关系。
智能风险预警：自动识别潜在税务风险，提供合规建议，帮助企业规避风险，实现了从被动应对到主动预防的转变。
响应式设计：完美适配桌面端和移动端使用场景，用户可以随时随地使用税谱平台。
用户体验友好：简洁直观的界面设计，流畅的交互体验，让用户能够轻松上手。

技术实现

搜索引擎：Elasticsearch（@elastic/elasticsearch 客户端）
大模型接口：大模型 API（意图识别、实体抽取、自然语言理解）
图谱可视化：ECharts 力导向图
样式设计：CSS3 + 响应式布局
数据存储：Elasticsearch + 后端数据库

社会价值

税谱平台不仅具有商业价值，更具有重要的社会价值：

降低企业税务合规成本：帮助企业快速了解政策、识别风险，避免因政策不了解而产生的损失，促进企业健康发展。
普及税务知识：通过直观的图谱展示和智能问答，让普通用户也能轻松理解复杂的税收政策，提升社会整体税务素养。
促进公平税收环境：通过技术手段优化税务服务，让中小微企业也能获得专业的税务咨询服务，促进税收公平。
助力经济发展：帮助企业充分享受税收优惠政策，降低经营成本，提升竞争力，助力经济发展。

注意事项

Demo 数据仅供演示，实际使用时需对接真实的税务数据和政策法规。
税务筹划建议仅供参考，具体操作需咨询专业税务顾问。
建议使用最新版本浏览器以获得最佳体验。
大模型生成的内容可能存在误差，建议用户结合官方政策文件进行核实。