OpenAI 與 Thrive 打造 Tax AI：讓 Codex 自主修 Bug，準確率 6 周躍升至 86%

報稅季裡，會計師最怕的不是算錯賬，而是沒完沒了的填表。一份中等複雜度的稅表，光是把客戶發來的雜亂賬單、往年檔案和手寫便籤謄進系統，就得耗上八個小時。

OpenAI 和 Thrive Holdings 聯手給 Crete 旗下 30 多家會計師事務所做了一款叫 Tax AI 的報稅智慧體。在過去的報稅季裡，它一口氣處理了 7000 份 1040 和 1041 稅表，幫會計師省下了大約三分之一的報稅時間，整體吞吐量提升了約 50%，初稿準確率最高達到 97%。

但這篇案例最有意思的地方，不是它幫人省了多少小時，而是這個系統會自己改程式碼、自己修 bug。

讓系統自己看懂會計師的紅墨水

剛上線時，Tax AI 表現其實挺一般：只有 25% 的稅表能在欄位填寫上達到 75% 的準確率。但僅僅過了六週，達到這個門檻的稅表比例就飆升到了 86%，90% 和 100% 準確率的比例漲得更快。

它是怎麼在六週內突飛猛進的？OpenAI 的駐場工程師和 Thrive 團隊沒有去挨個手動調 prompt，而是搭建了一套閉環。

會計師稽核稅表時修改的每一個數字，都會被系統記錄下來。系統對比 Tax AI 的預測值和最終申報值，記錄下完整的證據鏈路，分清這究竟是模型沒提取出來，還是對映規則出了錯，亦或是往年結轉帶來的偏差。

接著，系統把這些高頻錯誤自動歸類。比如發現模型老是漏掉 Schedule E 裡的「合理出租天數」，或者分不清同一份材料裡的多處房產，它就會自動把這些錯誤打包成一套針對性的評估測試集。

Codex 上場：自己寫 PR 自己修

有了評估測試集，Codex 就接管了後面的苦活。

Codex 不只是看最終結果，它會調取整個呼叫鏈路、程式碼倉庫和測試資料，順藤摸瓜排查根因：是提取的 schema 漏了欄位，還是文件分類選錯了原始檔，亦或是稅務引擎的對映邏輯有空缺。

定位問題後，Codex 會直接上手改程式碼，比如擴充套件 schema、更新對映規則，然後跑專項測試和迴歸測試，確認沒把舊功能搞掛，最後提一個候選 Pull Request 送給人類工程師審查。

從最初處理簡單的 W-2 和 1099 表格，到後來拿下複雜的 K-1、附表以及各類邊緣案例，系統越難啃的骨頭吃得越多，給會計師省下的時間反而越成倍增加。

為什麼重要

我們認為，OpenAI 這次展示的案例，真正揭示了垂直領域 AI Agent 的落地正解：不要試圖在實驗室裡把系統調完美才交付，而要把生產環境做成能夠自動造養料的飛輪。

對企業和開發者來說，最大的啟發在於架構設計。以往大家把人類專家的修正當成一次性的「驗收駁回」，改完就完了；而 Tax AI 把專家的每一次修改變成了結構化的評估用例。如果你在做法律、審計、醫療這類依賴深厚行業經驗的系統，這種把專家糾錯直接轉化為 Codex 修復任務的閉環，是目前最值得照抄的作業。

對行業而言，這給垂直 SaaS 敲響了警鐘。過去軟體公司拼的是誰僱的工程師多、誰改規則快，而未來比拼的是閉環的自愈速度。只要有高質量的業務資料鏈路，系統自己迭代的速度會徹底甩開純人工開發。

不過看起來這套模式也有門檻。它嚴重依賴高質量的 production traces 和嚴格的迴歸測試，如果底層評估指標沒設好，讓模型自主提程式碼很容易把系統引入區域性最優甚至跑偏。如何確保自動生成的 PR 不引入隱蔽的合規風險，依然需要資深工程師嚴加看守。