OpenAI 与 Thrive 打造 Tax AI：让 Codex 自主修 Bug，准确率 6 周跃升至 86%

报税季里，会计师最怕的不是算错账，而是没完没了的填表。一份中等复杂度的税表，光是把客户发来的杂乱账单、往年文件和手写便签誊进系统，就得耗上八个小时。

OpenAI 和 Thrive Holdings 联手给 Crete 旗下 30 多家会计师事务所做了一款叫 Tax AI 的报税智能体。在过去的报税季里，它一口气处理了 7000 份 1040 和 1041 税表，帮会计师省下了大约三分之一的报税时间，整体吞吐量提升了约 50%，初稿准确率最高达到 97%。

但这篇案例最有意思的地方，不是它帮人省了多少小时，而是这个系统会自己改代码、自己修 bug。

让系统自己看懂会计师的红墨水

刚上线时，Tax AI 表现其实挺一般：只有 25% 的税表能在字段填写上达到 75% 的准确率。但仅仅过了六周，达到这个门槛的税表比例就飙升到了 86%，90% 和 100% 准确率的比例涨得更快。

它是怎么在六周内突飞猛进的？OpenAI 的驻场工程师和 Thrive 团队没有去挨个手动调 prompt，而是搭建了一套闭环。

会计师审核税表时修改的每一个数字，都会被系统记录下来。系统对比 Tax AI 的预测值和最终申报值，记录下完整的证据链路，分清这究竟是模型没提取出来，还是映射规则出了错，亦或是往年结转带来的偏差。

接着，系统把这些高频错误自动归类。比如发现模型老是漏掉 Schedule E 里的「合理出租天数」，或者分不清同一份材料里的多处房产，它就会自动把这些错误打包成一套针对性的评估测试集。

Codex 上场：自己写 PR 自己修

有了评估测试集，Codex 就接管了后面的苦活。

Codex 不只是看最终结果，它会调取整个调用链路、代码仓库和测试数据，顺藤摸瓜排查根因：是提取的 schema 漏了字段，还是文档分类选错了源文件，亦或是税务引擎的映射逻辑有空缺。

定位问题后，Codex 会直接上手改代码，比如扩展 schema、更新映射规则，然后跑专项测试和回归测试，确认没把旧功能搞挂，最后提一个候选 Pull Request 送给人类工程师审查。

从最初处理简单的 W-2 和 1099 表格，到后来拿下复杂的 K-1、附表以及各类边缘案例，系统越难啃的骨头吃得越多，给会计师省下的时间反而越成倍增加。

为什么重要

我们认为，OpenAI 这次展示的案例，真正揭示了垂直领域 AI Agent 的落地正解：不要试图在实验室里把系统调完美才交付，而要把生产环境做成能够自动造养料的飞轮。

对企业和开发者来说，最大的启发在于架构设计。以往大家把人类专家的修正当成一次性的「验收驳回」，改完就完了；而 Tax AI 把专家的每一次修改变成了结构化的评估用例。如果你在做法律、审计、医疗这类依赖深厚行业经验的系统，这种把专家纠错直接转化为 Codex 修复任务的闭环，是目前最值得照抄的作业。

对行业而言，这给垂直 SaaS 敲响了警钟。过去软件公司拼的是谁雇的工程师多、谁改规则快，而未来比拼的是闭环的自愈速度。只要有高质量的业务数据链路，系统自己迭代的速度会彻底甩开纯人工开发。

不过看起来这套模式也有门槛。它严重依赖高质量的 production traces 和严格的回归测试，如果底层评估指标没设好，让模型自主提代码很容易把系统引入局部最优甚至跑偏。如何确保自动生成的 PR 不引入隐蔽的合规风险，依然需要资深工程师严加看守。