税务合规 AI 核验

你的税务 AI 没有准确性问题。它有的是核验问题。

StatuteGuard 是一层供应商中立的核验层，对照已编码的成文法，以确定性方式证明 AI 起草的税务立场。从任一平台粘贴一份立场，它即返回硬性的 PASS、BLOCK 或 NEEDS-REVIEW，并附带成文法引用链以及一份可归档的 IRC §6662 审计记录。智能体建议，代码裁定。

71.4%

确定性覆盖率

42 例标注黄金集

100%

关卡精确度，0 次误拦截

42 例标注黄金集

20%

IRC §6662 准确性罚金

落在签署人身上

这是可运行的演示，而非一次部署。所有立场均为合成；成文法逻辑以制定法为依据。并非税务或法律意见。

起草问题正在被解决。核验问题并未被解决。

行业争相自动化起草。Thomson Reuters「Ready to Review」自动编制 1040 表，CCH Axcess Expert AI 在数千家事务所起草咨询洞察，Blue J 回答研究问题。没有人自动化的，是罚金最高的那一步：这份立场在成文法下是否真正站得住脚？

真正的失败模式不是语法糟糕。而是自信的错误分类：一份看似合理、写得漂亮的立场，却把一项扣除放在了错误的行上。当 AI 把一项扣除误分类为线上扣除而非线下扣除时， 20% 的 IRC §6662 准确性相关罚金由签署申报表的人承担，而非起草该立场的算法。§6663 欺诈罚金最高可达 75%。美国企业税务合规成本已超过每年 $126B，而 IRS 大型企业审计率已从 8.8% 升至 22.6%（WP#1 解决方案研究，2026 年）。

你不能指望用产生错误的同一套权重，让一个 LLM 去监管另一个 LLM。模型内自检跑的正是当初把立场分错类的同一推理。持久的答案是活在模型之外的核验。

智能体建议，代码裁定。

StatuteGuard 反转了信任模型。AI 可以起草，但由确定性策略引擎决定该立场是否站得住脚。唯一的 LLM 步骤是提取：把杂乱的自然语言变成结构化、带类型的主张。不确定时它弃权。下游的一切都是模型无法覆盖的代码。我们称之为神经符号：神经提取，符号核验。

阶段	运行内容	谁裁定
提取	LLM 阅读立场备忘并提出带类型的主张，同时报告置信度。低于置信度下限时，它升级处理而非自行裁定。	LLM（仅作咨询）
检索	GraphRAG 遍历 IRC 交叉引用知识图谱，拉取相关条款及其带类型的关系。	确定性
核验	真实的 OPA/Rego 策略（或一套完全相同的纯 Python 孪生实现）对照已编码的成文法检验该主张。	确定性
关卡	PASS（站得住脚）、BLOCK（与已编码成文法相矛盾）、NEEDS-REVIEW（真正的灰色地带）或 OUT-OF-COVERAGE（未在 V1 中编码）。	确定性
审计	将一份可归档的 IRC §6662 尽职调查记录写为 JSON，外加一份可打印的 HTML 证书。	确定性

因为裁定是策略代码而非一次模型调用，你可以阅读 Rego 并确认它与成文法相符。核验层作为基础设施运行，以每秒数万条立场的量级衡量（各次运行大约 40k 到 60k，取决于机器与运行），而不是按条做模型推理。

本版本已编码的条款：OBBBA QPVLI（§163(h)(4) / §63(b)(7)）、§199A QBI、§163(j) 企业利息限制、§1031 同类置换、§280A 家庭办公、§30D 清洁车辆抵免，以及 §62/§63 的 AGI 区分。该集合之外的一切返回 OUT-OF-COVERAGE 并转给人工。StatuteGuard 并不声称已编码全部 IRC。

它抓住什么，用三种方式展示

演示走一遍 BLOCK、一遍 PASS 和一次升级，全部基于合成立场。下方截图是正在运行的应用的真实画面。

锚点案例：一份被起草为线上扣除的 OBBBA 车贷利息立场

一份起草声明写道：「新的 OBBBA 车贷利息扣除是一项线上扣除，会降低客户的 AGI。」它看似合理、写得漂亮，但是错的。合格乘用车贷款利息在 §63(b)(7) 下是线下扣除；它并不降低 AGI。按本演示自带的 README，主流报税指引（包括 H&R Block 的网站）一直将其误标为线上扣除。StatuteGuard 返回 BLOCK：请勿申报，并动画展示引用链 §163(h)(1) → §163(h)(4)(A) → §63(b)(7) → §62/§63，并标出若按起草内容申报会连锁破坏的 5 项下游后果：AGI、与 AGI 挂钩的州税、Medicare IRMAA 保费、医疗费用扣除门槛，以及学生贷款收入驱动还款。

StatuteGuard 裁定屏幕，显示对 OBBBA 车贷利息立场作出 BLOCK：请勿申报，成文法锚定阶段在 7 微秒内渲染，六个成文法节点从 §163(h)(1) 到 §63，以及针对 AGI、州所得税、Medicare IRMAA、医疗费用门槛和学生贷款 IDR 的五格下游连锁。

提取步骤耗时 5.93s；确定性锚定在微秒级渲染出裁定。

一次干净的 §1031 置换通过

一次合规的投资不动产同类置换返回 CLEARED：可按起草内容安全申报，并带有其自身的双节点引用链（§1031(a)(1) 与 §1031(a)(2)-TCJA）。这才是真正要紧的纪律：正确的立场绝不会被误标。黄金集上关卡精确度为 100%，误拦截为 0。

StatuteGuard 对投资不动产的 §1031 同类置换显示 CLEARED、可安全申报，并给出 §1031(a)(1) 与 §1031(a)(2)-TCJA 的双节点成文法锚定图。

一个 §280A 灰色地带升级处理

一份家庭办公立场，若档案未能证明专属经营用途，则属于事实与情况检验，落在确定性覆盖之外。StatuteGuard 返回 NEEDS HUMAN REVIEW 而不是虚张声势。LLM 提出可核验的主张并报告置信度；低于下限时，该立场被升级，从不由模型自行裁定。

StatuteGuard 对一份档案未能证明专属使用的 §280A 家庭办公立场运行流水线，图注说明灰色地带立场被路由至 NEEDS HUMAN REVIEW。

你可以亲自阅读这些策略

策略规则查看器把确定性成文法逻辑显示为可读的决策表，旁边是真实的 OPA/Rego 源码。这正是一层你可以为之辩护的核验层的要点：你确认代码与成文法相符，而不是去信任模型对它的摘要。

StatuteGuard 策略规则面板，显示 §280A 家庭办公和 §30D 清洁车辆抵免的决策表，包括 MSRP 上限和修正 AGI 上限，上方为真实的 OPA/Rego 源码注释。

每一次裁定都写出一份可归档记录

审计阶段生成一份 Form SG-6662 尽职调查工作底稿：来源、主要成文法依据、提取出的主张、裁定叙述，以及完整引用链，可打印或另存为 PDF 并保留在客户档案中。它支持 §6662 合理事由立场；它不是意见。

StatuteGuard 可打印尽职调查证书，Form SG-6662，针对被拦截的 OBBBA 立场，显示来源工作底稿、主要来源、提取出的主张、尽职调查裁定清单、裁定叙述以及成文法引用链。

在标注黄金集上测量，在本地评估

「运行基准」回放一套 42 条立场的标注黄金集（14 条干净、16 条错误、12 条升级）。记分板报告 71.4% 确定性覆盖率、100% 关卡精确度且 0 次误拦截、100% 错误捕获完整率，以及 100% 正确升级灰色地带，每一次裁定都与其标签相符。这些描述的是核验层，而非模型错误率，因此在基础模型改进后仍然成立。构建期间，裁定对照 OPA 1.17.1 交叉核验，并在全部 42 例上与纯 Python 孪生实现完全吻合。

StatuteGuard 黄金集基准记分板：71.4% 确定性覆盖率、100% 关卡精确度且零次误拦截、100% 错误捕获完整率、100% 灰色地带被正确升级，以及每秒 58,648 条立场，下方是预期裁定与实际裁定的逐案对照表。

这些数字是在已编码条款的固定 42 例标注黄金集上测得的，并非开放世界担保。

核验层放在哪里

StatuteGuard 并不与你的起草工具竞争，也不取代合规平台。它叠在你已在使用的任何工具之上，检查它们做不到的那一件事：起草的立场对照成文法是否成立。

问题	起草 AI（ONESOURCE、CCH Axcess、Blue J、ChatGPT）	LLM 自检	StatuteGuard
主要职责	编制并起草立场	重读自己的草稿	对照成文法核验一份已起草的立场
谁作出裁定	一个语言模型	同一个模型，同一套权重	确定性策略引擎（OPA/Rego）
面对真正的灰色地带	写出言之凿凿的文字	写出言之凿凿的文字	升级给人工（NEEDS-REVIEW / OUT-OF-COVERAGE）
可归档的 §6662 记录	否	否	是，一份可打印的尽职调查工作底稿
读取任一平台的输出	绑定于其自身产品	绑定于其自身模型	设计上供应商中立

本演示不做的事

这是可运行的演示，而非已部署的流水线。它证明机制；它不是带客户的生产系统。
ONESOURCE、CCH Axcess 和 Blue J 连接器、实时 LLM 调用以及 Neo4j 图均为模拟或桩实现。演示运行在缓存回放提取和内存 JSON 图上，以便离线工作；FastAPI 和 Neo4j 是文档中的生产替换。
展示的每一份立场都是合成的。成文法逻辑以制定法为依据（IRC 与《联邦公报》）；这些立场是说明性的，并非真实纳税人或客户。
它编码的是特定条款集合，而非全部 IRC。该集合之外的一切返回 OUT-OF-COVERAGE 并转给人工。
基准数字在已编码条款的 42 例标注黄金集上成立。它们不是「零错误」或「保证合规」的开放世界担保。
它支持 §6662 合理事由与尽职调查立场。它不是税务或法律意见。

税务与合规团队真正会问的问题

这与我们的报税软件或像 Blue J 这样的 AI 研究工具有何不同？

那些工具负责起草和编制。StatuteGuard 负责核验。它是叠在你已在使用的平台之上的供应商中立层：从 ONESOURCE、CCH Axcess、Blue J、ChatGPT 或内部模型粘贴一份立场，它即对照已编码成文法返回硬性的 PASS、BLOCK 或 NEEDS-REVIEW。它不编制申报表，也不取代合规平台；它检查起草工具看不见的立场级错误。

我能信任一个 AI 去检查另一个 AI 的工作吗？

不能，StatuteGuard 也不要求你这样做。唯一的 LLM 步骤是提取：把杂乱语言变成结构化主张。裁定由确定性策略引擎作出（真实的 OPA/Rego，或一套完全相同的纯 Python 孪生实现），模型无法覆盖。你不能指望用产生错误的同一套权重让一个 LLM 去监管另一个 LLM，因此决定活在模型之外、你可以对照成文法阅读的策略代码里。

当一份立场落入规则未覆盖的灰色地带时会发生什么？

它升级给人工，而不是猜测。真正的事实与情况问题（例如 §280A 家庭办公）返回 NEEDS-REVIEW；本版本未编码的条款返回 OUT-OF-COVERAGE。两者都转给审核人，而不是自信的虚张声势。在 42 例标注黄金集上，灰色地带被正确升级的比例为 100%；覆盖率如实陈述为 71.4%。

我们的客户数据或该立场会离开我们的环境吗？

演示完全在本地运行，无需 API 密钥，默认使用缓存回放提取，因此立场或客户数据不必离开边界。这种本地、封闭、可审计的姿态是有意为之：Heppner 裁决（SDNY，2026 年 2 月）就一次面向公开 AI 工具的研究查询提出了特权放弃问题。该架构被设计为特权安全，而不是把立场发送到外部服务。

它是否实时接入 ONESOURCE、CCH Axcess 或 Blue J？

在本演示中不会。ONESOURCE、CCH Axcess 和 Blue J 的 REST 连接器、实时 LLM 调用以及 Neo4j 图均为模拟或桩实现；演示运行在缓存回放和内存 JSON 图上，以便始终离线可用。核验机制是真实的，并且设计上供应商中立；生产构建将 FastAPI、Neo4j 和实时连接器文档化为替换路径。

71.4% 覆盖率和 100% 精确度这些数字究竟意味着什么？

它们是在已编码条款的固定 42 条立场标注黄金集上测得的，并非开放世界担保。在该集合上：71.4% 的立场在无需升级的情况下被确定性裁定，关卡精确度为 100% 且 0 次误拦截，每一次裁定都与其标签相符。这些描述的是核验层的覆盖率与精确度，而非模型错误率，因此在基础模型改进后仍然成立。它支持 §6662 尽职调查立场；它不是税务或法律意见。

技术研究

支撑本演示的研究——架构、核验设计，以及企业蓝图。

完整解决方案

探索税务合规 AI 核验解决方案 →

在你的 AI 与你的签名之间放一层核验层

20% 的罚金落在签署人身上，而非起草的模型。确定性核验器是你证明哪条成文法条款支撑了哪份立场的方式。

若你的团队正在权衡如何核验 AI 起草的税务立场，而又不想信任一个模型去监管另一个模型，我们真心希望对照一下你们的思路。这个问题是全行业的，答案也将如此。

核验评估

绘制 AI 起草的立场进入你申报工作流的位置
识别应首先编码的最高罚金条款
审查你当前的 §6662 尽职调查证据轨迹
评估你的 AI 工具在 Heppner 之后的特权暴露

构建确定性层

将你的优先条款编码为可读的 OPA/Rego 策略
在你的平台上立起 PASS / BLOCK / NEEDS-REVIEW 关卡
把供应商中立连接器接到你已在运行的工具
生成带完整引用链的可归档 §6662 记录

通过 WhatsApp 联系给我们的团队发邮件