在数字政府与大数据审计全面推进背景下，基层审计机关作为国家审计体系的基础单元，面临数据体量激增、人力资源有限的现实矛盾。人工智能技术凭借数据处理、智能识别、风险预警等优势，为基层审计提质增效、转型升级提供了重要技术支撑。环翠区审计局在工程招投标场景中，不断寻求人工智能与审计工作的交汇点，探索建立“人工智能辅助处理任务+审计人员主导专业决策”的实践模式，实现审计业务水平数智化提升，为基层审计机关依托人工智能提升审计质效、服务国家治理提供理论参考与实践指引。

一、人工智能审计的核心技术

人工智能审计是指将机器学习（ML）、自然语言处理（NLP）、知识图谱（KG）等人工智能技术深度嵌入审计作业全流程，实现数据采集自动化、数据分析智能化、风险预警实时化、决策支持知识化的智数化审计模式。其核心技术体系包括以下几个层面：

一是机器学习技术，通过对大量数据分析，识别模型和规律，从而构建适应新数据的模型进行预测或决策，适合用于审计数据的挖掘和风险评估，包括监督学习、无监督学习等不同类型。监督学习算法可以通过对大量已标注的审计数据进行学习，建立分类和预测模型，用于判断新数据的类别和风险程度。无监督学习算法则可以在没有预先标注数据的情况下，对审计数据进行聚类和关联分析，发现数据中的潜在模式和关系。

二是自然语言处理技术，它赋予计算机理解、分析和生成人类语言的能力，在审计非结构化数据处理中发挥关键作用。审计工作中涉及的纸质文档、合同文本、会议纪要、审计报告等非结构化数据，使用传统的人工处理方法效率低下，而DeepSeek等大语言模型能够直接读取、提取主要内容，也可以将大量审计报告投递给模型，让其对问题进行分类、汇总、分析、总结。多模态大语言模型能更进一步对工程建设领域的各类设计图进行扫描识别，通过图纸上的线条、标注等内容对设计图进行审核，筛查审计疑点。

三是知识图谱技术，可以将审计领域的知识和信息进行结构化表示，为审计人员提供知识查询和推理服务。审计知识图谱可以整合审计法规、审计案例、行业知识等多方面信息，当审计人员遇到问题时，通过知识图谱可以快速查询相关法规和案例，获取解决方案和参考依据。知识图谱还可以进行知识推理，根据已有的知识和信息，推断出潜在的审计风险和问题，为审计人员提供决策支持。

环翠区审计局积极探索人工智能技术在审计过程中的创新应用，通过融合机器学习、自然语言处理及知识图谱，提升审计工作智能化水平。在数据采集和分析环节，依托互联网端Deepseek等人工智能应用，对被审计单位公开披露的信息进行智能抓取与深度挖掘，对海量数据进行分类、聚类与异常检测，对政策文件、公告报告等文本内容进行语义解析与关键信息抽取，快速识别潜在风险点。综合考量数据安全、大语言模型的显存需求和响应速度等因素在本地部署参数量适中、推理速度较快的Qwen3_8B中型密集模型，支持审计人员日常交互中的智能问答、要点归纳等低延迟应用场景，在保障敏感数据不越域的前提下，实现智能辅助与人工研判的有机结合。

二、招投标领域应用场景

招投标机制作为资源配置的重要机制，承载着保障公平竞争、提高资金效益的功能。然而，招投标领域长期以来是违法违规行为的高发地带，围标串标、虚假招标、违规分包、利益输送等问题屡禁不止，严重侵蚀市场秩序与公共利益。招投标材料非结构化程度高，大量内容以PDF扫描件、图片甚至手写文件形式存在，人工逐页翻阅、比对关键信息耗时费力，容易遗漏线索。环翠区审计局根据招投标领域项目违规行为特征，利用人工智能进行快速辅助识别。

一是校验招投标流程合规性。通过采集对比公共资源交易网公开采购公告、变更公告、中标公告、采购合同及验收公告，快速筛查时间逻辑，输入“招标文件开始发出之日起至投标人提交投标文件截止之日止，最短不得少于二十日”等招标投标法相关规定，自动识别“疑似不合规”项目；对采购公告、中标公告及采购合同进行结构化数据提取、条款要素匹配与内容差异校验，识别规格参数、服务要求、履约期限等关键信息前后矛盾等异常情况，研判是否存在公示信息与履约合同不符的“阴阳合同”；对招标公告发布时间、合同签订时间及项目开工时间等进行时序关系校验，精准识别“先施工后招标”等违规操作。

二是挖掘投标单位隐形关联。通过关联分析和知识图谱技术，深度挖掘投标单位间隐形关联。建立“投标主体关系图谱”，将企业、主要人员、注册地址、中标项目等信息关联，揭示注册地址临近、人员交叉等可疑线索；通过语义与排版特征，比对投标文件的技术方案相似度、错别字分布及格式特征，发现内容雷同或非独立编制的痕迹；检测多源数据异常，对MAC地址重复、IP地址重复等疑点进行排查，锁定围串标线索。

三是预警招投标异常行为。通过设定统计规则及阈值监控，自动发现异常行为模式。对同一项目合同金额进行汇总，判定是否超过法定招标标准，识别是否存在“化整为零”规避招投标的情况；对投标人资质、业绩等与招标文件比对，分析是否存在不符合要求投标人中标或招标时“量身定制”资格条件等问题；分析评标专家评分分布，对评分偏离度超阈值项目进行预警，分析是否存在评标专家违规情况；分析企业投标报价、中标频率，如“多家企业在同一项目中频繁联合投标，且轮换中标”“某企业投标报价接近控制价，从未中标却持续参与”“特定组合的企业在多个项目中报价呈固定比例关系”等异常情况，为审计人员提供重点关注线索。

四是监测工程造价偏离。工程造价失控是招投标后环节的常见问题，往往与招投标阶段的低价中标、后续变更有关，人工智能技术可有效监测造价异常，预警虚增工程量及套取差价疑点。收集同类工程的材料用量、人工成本等造价数据，构建行业基准数据库，建立“合理造价区间模型”，对特定项目的工程量清单进行逐项比对，在某工程审计项目中，判断钢筋含量显著高于平均水平，预警可能存在的虚增工程量风险。建立综合单价、工程量、合价三维分类字典，统计工程量清单首位非零数字频次分布，在对某工程核对分析时发现，工程单价首数字“5”出现频率达15%（标准值约8%）存在异常，核查发现施工单位结算阶段更换工程材料单价套取差价问题。

三、基层审计机关智能化转型的实践路径

一是强化数据治理。强化数据全流程治理，建立覆盖数据采集、清洗、存储、使用、销毁全周期的治理体系。制定统一的数据标准与接口规范，运用自动化工具进行数据校验与异常检测，建立分级分类管理体系，对敏感数据实施自动脱敏和权限控制。将大语言模型部署在单位内网环境，积极对接金审三期管理系统、财务系统等，强化数据安全管理，本地大模型对历年审计报告、问题清单、整改案例等专有数据进行学习训练，在风险识别、异常检测、合规检查等方面提供精准支持。

二是守住质量底线。在法规层面探索人工智能审计证据的采信标准和规范，尽快制定出台相关制度，明确审计工作中人工智能大模型的使用条件、结果运用、注意事项等，为审计结果应用提供指导。坚持可解释人工智能导向，优先采用规则学习、决策树等可解释性较强的算法，或在复杂模型基础上增加解释模块。要求人工智能系统在输出结论的同时，提供高亮文本段落、标注异常特征等依据说明，在审计工作底稿中明确记录人工智能辅助判断的过程和依据，形成可追溯的审计轨迹。

三是强化人才培养。在数字化转型背景下，审计机关亟需建立与智能化审计相适应的人才培养体系，制定与数字化审计相匹配的专业知识体系和能力评价标准，将数据分析、机器学习、自然语言处理等技术能力纳入审计人员的核心胜任要求。另一方面，降低技术使用门槛，通过模拟审计场景让传统审计人员快速掌握智能工具的使用方法，提供“对话式操作”界面，使审计人员无需掌握复杂编程技能，通过自然语言指令与智能体互动，实现技术与人才的高效适配。于晨