Tax AI 展示了一个比“报税自动化”更重要的方向：如何把 Codex 放进真实行业生产闭环，让业务智能体在专家修正、产品追踪、评测目标和工程改进之间持续变好。

自进化不是让模型凭空自己变强，而是把真实失败整理成 Agent 能处理的工程任务。专家指出问题，产品留下证据，评测定义目标，Codex 在明确边界内提出代码修改，人类再通过测试、审查和上线流程决定是否发布。

一、真实业务场景：报税准备的重复劳动

Crete 是由 30 多家会计师事务所组成的网络。每个报税季，要准备数万份报税表，背后对应数百万份底层文档。对于中高复杂度申报，光是数据录入，一份报税表就可能花费 8 小时。

这些材料远比数据库字段混乱。它们可能来自客户邮件、手写备注、业务年度文档、电子表格、附件，以及需要跨文件核对的数字。人类会计师在处理时，不只是搬运数据，还要判断哪个字段填到哪里，哪些数字需要沿用，哪些信息必须让客户再次确认。

Tax AI 试图解决的，正是这类高度重复、又必须保留专业判断的生产流程。

二、关键结果：效率提升来自流程，而不只是模型

Tax AI 在试点中处理了 7,000 份报税表，自动化了 1040 和 1041 报税表中大量耗时流程，为从业者节省了约三分之一准备时间，起草准确率最高达到 97%，吞吐量提升约 50%。

更值得重视的是系统提升速度。上线时，只有约 1% 的报税表能达到 75% 正确字段完成率；6 周后，这个比例提升到 86%。在更高的 90% 和 100% 正确字段完成率层级上，系统也继续增长。

这些数字说明，核心不是模型一次性做对所有事情，而是产品被设计成能持续收集证据、吸收修正、形成评测和工程任务。

三、三段式自进化闭环

第一段，贴近真正做业务的人。税务从业者知道哪些错误只是工作流噪声，哪些错误会真正阻碍提交。一个字段和系统预测不同，原因可能是系统漏提取，也可能是从业者偏好，也可能是税务引擎沿用了上一年度的值。只有熟悉业务的人能区分这些情况。

第二段，让产品留下完整证据。只记录输入和最终输出太粗糙。系统要知道原文件如何被整理，字段从哪里提取，引用指向哪段材料，字段如何映射到税务引擎，从业者提交前改了什么。这样失败才会从“结果不对”变成一条可追踪路径。

第三段，Codex 进入工程改进。重复出现的修正被归并成发现，再变成定向评测目标。Codex 带着这些证据进入代码仓库，检查提取模式、映射器、评分器、候选选择逻辑和相关技能，提出有范围的工程修复，再跑定向评测和回归评测。

四、租赁房产案例：把模糊失败变成明确任务

租赁房产收入通常进入个人报税表的 Schedule E。从工程角度看，这像是提取租赁收入和费用；但真实材料很乱，客户可能在邮件里写一个数字，在表格里放另一个数字，还有手写备注说明公平出租天数。

如果 Tax AI 总是漏掉公平出租天数字段，而从业者每次都稳定补上，这就不是随机错误，而是反复出现的失败模式。产品追踪捕获差异，审查行记录期望值、预测值和是否可执行，多个相似失败被归并后，就形成明确目标：在这类租赁房产材料中稳定识别该字段。

此时 Codex 拿到的任务不再是“把租赁房产做得更好”，而是一个有边界的工程问题：有代表性源材料，有期望输出，有评测命令，有代码路径，有相关文档和技能。

五、Codex 的边界：做工程修复，不替代业务判断

Codex 在这个闭环里的作用非常清楚。税务判断留给从业者，产品路线和上线决策留给工程团队，Codex 负责在证据充分、目标清楚、评测可跑的地方，把重复失败转成候选代码修改。

证据不清楚或无法安全自动化的案例，应该回流给产品团队，而不是被硬塞进自动闭环。真正的自进化不是跳过人，而是让人类专家的修正被结构化，让工程系统能吸收这些修正。

六、好的任务环境，决定 Codex 能否发挥作用

Codex 能不能有效工作，很大程度取决于任务环境是否可执行。粗糙输入是“这里错了”；更好的输入是：这里有一组反复出现的字段提取失败，这里是原材料和期望输出，这里是代码入口，这里是评测命令，这里是不能改的生产证据，这里是改完必须通过的回归检查。

好的环境由几部分组成：可写工作区和只读生产证据分离；定向评测和回归评测定义成功标准；技能和文档告诉 agent 怎么行动；生产追踪、原文档和业务字段说明提供调查证据。

七、评测体系：把专家修正变成可重复检查

自进化闭环最关键的中间层是评测。没有评测，专家修正只能停留在案例经验；有了评测，修正才会变成可反复运行的验收标准。Tax AI 的进步不是靠一次大版本升级，而是靠大量具体失败被转写成可执行检查。

一个有效评测至少要包含四类信息：原始材料、期望字段、系统预测、差异原因。只知道预测错了不够，还要知道错在提取、映射、引用、评分、候选排序，还是业务规则理解。差异原因越细，Codex 能做的工程修复越精准。

评测还必须分层。定向评测解决某一类失败，回归评测防止修好一个字段却破坏其他字段，端到端评测检查完整报税流程是否更接近真实交付。只有分层评测齐备，Agent 生成的改动才有进入生产流程的基础。

八、生产治理：自动化越强，边界越要清楚

业务智能体进入生产流程后，最大的风险不是模型不够聪明，而是边界不清楚。哪些字段可以自动草拟，哪些必须由从业者确认；哪些错误可以由工程修复，哪些属于税务判断；哪些数据可以进入训练和评测，哪些必须只读隔离，都要提前定义。

真正成熟的系统不会追求“全自动替代专家”，而是把自动化放在可审计、可回滚、可解释的位置。每一次修改都应该能追到原材料、字段映射、评测记录和上线版本。这样，当从业者发现问题时，系统能快速定位来源，而不是在一堆黑箱输出里猜测。

这也是 Codex 适合承担工程改进而不适合直接承担最终业务责任的原因。它可以帮助修提取器、补评测、改映射逻辑、整理文档，但最终发布仍然需要测试、审查和业务确认。

九、为什么这才叫自进化

很多产品把“模型每周换新版本”称为自进化，但那更像外部模型能力升级。Tax AI 的自进化在于业务现场本身成为学习来源：从业者每一次修正，都会被系统理解成潜在失败样本；失败样本被归并成评测；评测反过来推动代码和规则改进。

这条链路让改进不再依赖少数工程师凭感觉猜问题，而是来自真实生产数据。哪里反复出错，哪里就形成改进优先级；哪些改动真的有效，评测会给出反馈；哪些改动破坏其他场景，回归测试会及时暴露。

因此，自进化不是模型自己幻想需求，而是系统有能力把真实业务摩擦转化为工程输入。它的学习对象不是抽象知识，而是具体错误、具体字段、具体文档和具体流程。

十、可复制的是闭环，不是税务场景本身

Tax AI 的启发不只属于税务。会计、审计、IT 服务台、保险理赔、医疗行政流程等场景都有类似结构：一线专家处理真实案例，产品系统记录他们的修正，工程团队把重复失败转成评测和代码任务。

只要这三件事连起来，Agent 才有机会持续变强。否则“自进化”就只是口号。

一个具体例子是，资深会计师去年花 180 小时做报税准备，今年只花 15 小时。节省的时间可以用于给客户解释报税表、接新客户和扩展服务。自动化的价值不只是减少字段录入，也能把专业服务从后台劳动转回客户关系。

十一、做自进化业务智能体前，先问四个问题

第一，有没有真正懂业务的人持续提供高质量修正。第二，产品有没有把修正和上下文记录成结构化证据。第三，重复失败能不能被整理成明确评测，而不是停留在客服反馈或截图里。第四，Codex 进入任务时，有没有可读证据、可改代码和可运行验证。

这四个问题都能回答，自进化才有工程含义。它会变成一条普适流水线：专家在真实工作里指出问题，产品把问题保存成证据，评测把证据变成目标，Codex 在目标范围内提出改动，人类再通过评测、代码审查和上线流程决定是否发布。

十二、结论：真实失败才是系统变好的燃料

Tax AI 最值得学习的地方，是把人如何教系统、产品如何留证据、Codex 如何做工程改进接成了一条闭环。相比单纯追问模型能力，这种生产系统设计更接近行业落地的真实难点。

会自进化的业务智能体，不是无人监管的自动化机器，而是一个能把真实失败转成结构化证据、评测目标和工程改进的系统。专家仍然在回路里，工程师仍然负责架构和上线，Codex 则负责把明确失败推进成可验证改动。