北京
一张收据是份很小的文件，但它的"后半生"意外地长。得有人认出商户、找出真正的总额、选好分类、确认这笔有没有录过，再交给会计。软件订阅、设备采购、共享办公账单、客户会议，一样来一遍，原本顺手的小事就变成了反复分神。
LedgerZero AI 想把这些步骤收进一条流水线：提取商户、日期、发票号、币种、金额和明细行；给出带 Schedule C 参考的支出分类建议；标记重复的发票号，以及商户、日期、金额三项都吻合的记录；把缺失信息和不寻常交易挑出来等人复核；最后支持搜索、筛选、编辑，再导出 CSV 或可打印的审计包。
它瞄准的客户是自由职业者和独立承包商——想有人帮忙整理业务支出，但文档控制权得留在自己手里。
推理跑在谁的机器上
这个产品的价值有一半在"推理在哪跑"。开放权重可以下载，配合本地运行时，装上软件和模型之后，自由职业者能在自己控制的机器上处理文档，提取环节不需要把内容发给第三方模型 API。
默认的本地模型是 Gemma 2（gemma2:2b）。提取器先检查本地 Ollama 服务，拼一个包含文档文本和期望字段的提示词，再调用 /api/generate 并开启 JSON 输出。期望结构包括商户、日期、币种、小计、税、总额、支付方式、客户名和明细行；生成之后，代码会先归一化数值、日期、币种代码和条目数组，再往下传。
连接器也支持其他已安装的模型，包括 Llama 和 Qwen。这是可配置的集成，不等于每个模型都被同等基准测试过。
规则干重复活，模型只做提取
分类映射和重复检查放在模型之外。把这些操作显式化，结果更容易检查：用户能看到被分配的分类、能复核警告，而不是拿到一段生成的财务建议。
Ollama 不可用、超时或输出不可用时，一个确定性解析器顶上作为兜底。这样用户不必先下载模型就能把流程走一遍，同时保留一条独立的开放权重提取路径供本地使用。
技术栈刻意做小：Node.js、Express、原生 JavaScript 和 CSS、一个 JSON 文档存储，加上 Ollama 做本地推理。处理流程是：文档文本 → 用 Ollama / Gemma 做结构化提取 → 字段归一化 → 基于规则的支出分类 → 重复与异常检查 → 可编辑账本 → CSV / 摘要 / 可打印审计包。
它还不是无人值守的记账
这是个带可编辑复核步骤的工作原型，不是无人值守的记账工具。一次针对提交源码的验证运行通过了分类器测试，但在提取、多币种和数字格式化三组测试里发现了失败。这些用例需要改进，作者没有声称达到生产级准确率，也没有声称测试套件全部通过。图片提取还取决于是否选到合适的视觉模型，自带的 PDF 解析器也有局限。
税务视图是简化的组织性估算。建议分类、抵扣比例，以及仪表盘假定的 25% 税率，都需要对照用户实际情况复核；审计评分是应用层的启发式，不是认证。
托管演示和本地安装的隐私边界不一样。Vercel 上的演示走服务端 API 端点，目前报告的是启发式兜底引擎——它是流程预览，不会在你的浏览器里跑 Gemma，那里请用合成的样例文档。想让文档处理留在自己电脑上，应用服务器和 Ollama 都得在本地跑。
定价是提案，不是销量
产品假设很简单：围绕开放内核，卖一个方便、有支持的桌面体验。仓库里提出的是 MIT 社区版免费、49 美元一次性 Pro 桌面授权、149 美元的机构版。这些是提议的套餐，不是销量证据，也不是已经发货的付费版本。多客户工作流和支持还需要进一步开发和验证。
本地推理让一次性买断更说得通，因为每多处理一张收据不会产生按量计费的云端模型 API 开销。硬件、电费、维护和支持仍然有成本。
想快速走一遍：打开仪表盘选 Load Sample Invoices，检查提取出的记录和分类建议，打开 IRS Schedule C 表单视图，再试试 CSV 导出或审计包。源码在 GitHub 上，以 MIT 许可证发布。作者 Gautam Pandit 说，下一个里程碑是提升提取可靠性，并在把提议的定价当作已验证需求之前，先和自由职业者一起测试这套流程。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
