跳到主要內容

「翻譯」 員工 0 人，我如何靠 Claude Code 獨自處理 60 家客戶的稅務與會計

https://x.com/kandmybike/status/2032817897119096855

2026年3月14日 發表於 X (Twitter)

今天，我要徹底公開我事務所幕後的運作機制。我的事務所裡沒有任何員工，但我手頭上有 60 家顧問客戶。在稅務行業的常態中，通常認為每 10 家客戶就需要 1 名員工，處理 60 家客戶至少需要 6 人，換算成人工成本每年超過 3,000 萬日圓。

但我用 0 人就做到了，核心工具就是 Claude Code。

你可能會覺得「這是在吹牛吧？」，但這真的是事實。本文將從具體的系統架構到處理流程完整呈現，希望能為同業或從事後勤（Back-office）工作的人提供參考。

一、整體圖像：我事務所的系統架構

首先看整體架構。在我的事務所，以下機制每天都在自動運行：

  • Claude Code（司令塔）
  • 🤖 每晚 21:00：freee（會計軟體）自動分錄
  • 🤖 每晚 22:00：X（Twitter）追蹤者數據記錄
  • 🤖 MCP（Model Context Protocol）連接：連結 freee API、Gmail、Google日曆、Notion、Slack。

Claude Code 扮演大腦的角色，將各個工具串聯起來。重點在於「不需要人類每次下指令」。系統分為「定時自動執行」與「我手動輸入指令啟動」兩種模式。

二、核心自動化流程：每晚處理 60 家公司的帳務

這是最具衝擊力的部分。每晚 21:00，Claude Code 會自動啟動，處理 60 家公司在 freee 上所有未處理的交易明細。

Phase 1：獲取未處理明細

透過 API 抓取各公司的銀行流水，鎖定「未處理」且「支出」的項目，並篩選出當前會計年度的數據。

Phase 2：兩階段自動判定會計科目

這是最關鍵的技術點，我採用兩階段邏輯：

  • 【第 1 階段】關鍵字辭典匹配： 針對 14 個常用科目（如旅費、消耗品、通信費），建立超過 100 個關鍵字。系統會將摘要正規化（半角/全角轉換）後比對。如果是「法律事務所」則自動歸類「支付報酬」，並自動抓取廠商名稱。
  • 【第 2 階段】Claude API 補位： 關鍵字無法判定時，才呼叫 Claude API。提供 14 個備選科目讓 AI 以 JSON 格式回答。若信心水準（Confidence）高則直接註冊，低則留給我人工確認。
  • 優點： 大部分靠關鍵字，速度快且省 API 費用；複雜的才交給 AI。

Phase 3：重複檢查與註冊

在註冊前，會根據日期、金額、摘要前 40 個字進行重複比對，防止二重複核。

Phase 4：數據安全性（非常重要）

處理 60 家客戶時，數據隔離是底線。

  • 各公司處理完全按 company_id 獨立運作。
  • 日誌文件（Log）也是獨立的，絕對不會發生 A 公司的資料混入 B 公司的情況。

處理時間： 以前用瀏覽器自動化腳本要跑 5 小時，現在直接對接 API，全數處理完只需 30~50 分鐘（每家公司僅需 20~40 秒）。每天早上起床，前一天的帳就已經記完了。

三、自動攔截「不該記帳的項目」

自動化最怕「亂記」。我設定了 7 種排除規則，會自動跳過並留給人工審核：

  1. 內容不明的扣款（只有數字、無店名）。
  2. 借款還本（公庫、融資、貸款）。
  3. 社會保險與稅金。
  4. 薪資發放（避免隱私外洩）。
  5. 投資理財（證券戶）。
  6. ATM 提款（改為轉帳處理）。
  7. 公共事業費（需特殊核對）。

心得： 專業知識告訴我們「哪裡該自動、哪裡該人工」，這才是安全的關鍵。

四、其他高效率應用場景

  • 大量資料轉換（130 件發票 → 15 分鐘）： 客戶給了 130 份 PDF 發票，要求匯入 freee。我叫 Claude Code 寫個 Python 腳本，15 分鐘內精確提取金額、稅金、廠商名稱並轉成 Excel 格式。
  • 會計軟體遷移： 從 MoneyForward 轉到 freee，通常要手動對應科目，極其耗時。現在只要讓 Claude Code 寫轉換腳本，幾秒鐘就搞定。
  • MCP 連結實現「零謄寫」： 透過 MCP 連結 Gmail、Notion 等，可以實現「自動撰寫催款信下稿」、「從會議記錄自動生成下回議程」。稅務士 80% 的工作是在搬運數據，現在這部分幾乎歸零。

五、管理 AI 的「說明書」：CLAUDE.md

這是我對 AI 的長期工作手冊。裡面寫明了：

  • 分類規則（如：餐飲費 1 萬日圓以下記「會議費」，以上記「交際費」）。
  • 安全政策（絕對禁止輸出 API Key 或個人編號）。
  • 判斷邊界（什麼情況下可以自動處理，什麼情況必須詢問我）。 這就像給員工的 SOP，但 AI 永遠不會忘記，也不會抱怨。

六、為什麼「後勤專業人士」更應該用 Claude Code？

很多人覺得「我又不是工程師，這太難了」。 事實正好相反：正因為你不是工程師，你才該用。

因為你擁有「業務知識（Domain Knowledge）」。你知道分錄怎麼分、稅務怎麼報，這些是 AI 缺少的「現場知識」。只要你有這些知識，程式碼的部分 Claude Code 會幫你寫好。 這次系統中的程式碼，幾乎 100% 都是 Claude Code 寫的，我只負責下達邏輯指令。

工程師用 AI 是做出「技術很厲害」的東西；專業人士用 AI 是做出「實務上正確」的東西。

總結：我不請員工的原因

不請員工的優點太大了：

  1. 人工成本為 0： 可以調降顧問費，直接回饋客戶。
  2. 資訊風險大減： 只有我一個人，資安管理極度單一。
  3. 決策極速： 想到新工具當天就能導入。

半年前我覺得 40 家客戶是極限，現在處理 60 家卻覺得遊刃有餘。真正的自由，是透過 AI 槓桿，將枯燥的重複勞動轉化為創造價值的時間。

如果你也想優化你的後勤流程，歡迎私訊我！讓我們一起打造高效的 AI 協作機制。


留言

張貼留言

這個網誌中的熱門文章

Vibe Coding：為什麼 Junior 更快上手？Senior 要如何追趕？

現象層面（市場觀察） 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變，非常熱門。 身為 Cympack 產品開發團隊 ，我們也一直關注這個議題，在閱讀這篇文章時觀察到一些有趣的現象，對我們來說，這正好反映出 AI 正在改變開發生態，junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位，其中有些啟發（insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding？ 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」，反而 embrace 快速迭代、快速出成果 反觀 Senior： 熟悉大型系統設計 有豐富的「工程正統流程」知識（架構設計、測試策略、效能優化、設計模式） 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師，對 prompt engineering 沒那麼熟練，還在觀望 技能面（未來的關鍵能力） Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢？ Prompt 撰寫 / AI 互動 Junior 較強（熟悉 chat-based 流程） 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強（能看出潛在問題） 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding，並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力，但若不主動練習 vibe coding，長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享，希望帶給各位的感受， 『與 AI 協...
張貼留言
繼續閱讀>>

Vibe Coding 協作到自建 Dev Agent？從 Claude / Codex 到 OpenHands

過去一年，越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題，到後來很多人愛上 Cursor，直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗，已經大大改變了我們寫程式的方式。 更現實的是，在很多企業內部、政府單位、或涉及機密資料的專案裡， 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理，萬一專案裡有未公開的技術、敏感客戶資料，或是受限於法規 （像金融、醫療、政府標案） ，直接用雲端 AI 工具就會踩 紅線 。  因此，許多團隊反而更希望 「自己架一套 Dev Agent」 ，可以在內網執行，資料完全掌握在自己手上，該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline，全部客製化、安全可控。 這時候，像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手，而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署，從 CLI 操作到瀏覽器查詢， 從多檔案編輯到自動測試，全部都能自己完成，甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說，這是一條 從 「AI 幫你寫一段程式」，走向「AI 幫你解決一整個任務」 的進化路徑。而且，還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」，能模仿人類工程師從建立程式、修改程式碼、執行指令，到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端（OpenHands Cloud）與本地 Docker 運行版本，用戶能配置 LLM（如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用，又或者如果自己本機有 docker 的話，可以自己Local 版本透過 Docker 自架環境。 ...
張貼留言
繼續閱讀>>

Google Gemini 全端 AI Agent 快速入門 - 打造「思考」的 AI 助理

一套從搜尋、反思到輸出的全端 AI 代理人範例，讓你看懂什麼叫 Research Agent 在 AI 工具百家爭鳴的今天，大家都在問一個問題： 「我能不能不只問 AI 答案，而是讓它像一位助理一樣，有流程、有反思、還有出處，真正幫我完成一件事？」 Google 最近釋出了一個相當具有指標意義的開源專案 gemini-fullstack-langgraph-quickstart ，正是為了解這個問題而誕生。 這套系統到底是什麼？ 這個範例不是傳統 Chatbot，而是展示一個完整的 AI research agent ： 它會根據使用者的提問，自動發想搜尋關鍵字、查資料、整合重點，最後給出答案還附上引用來源。背後的邏輯設計得非常扎實，不只是能跑，更是具備可讀性、可擴展性與可商用性。 它的流程大致如下：  1. 使用者輸入問題（例如：「抖音是否影響台灣選舉？」）  2. Gemini LLM 幫你想出關鍵字（不只是照抄問題）  3. 呼叫 Google Search API 抓資料   4. LangGraph 控制流程 → 判斷資料夠不夠 → 若不足，自動補查  5. 整合最終答案，並產生 citation（來源說明） 你可以想像這就像一位實習助理幫你寫報告， 不只輸出一段內容，而是會 去查、會判斷、會補資料，而且說明「我為什麼這樣說」 。 LangGraph 是什麼角色？ LangGraph 就是整個 Agent 背後的控制系統 。 用白話講，它幫你定義 AI 每一步要幹嘛、遇到什麼狀況該走哪條路、要不要反思、要不要再查，甚至可以定義條件邏輯與資料流動。 這就不像寫一個單純的 Chat API，而是比較像「把一個流程圖變成可以跑的程式」。 對工程師來說，它提供了從 prompt 到流程控制的設計彈性；對產品設計來說，它讓 AI 有了 「多步驟任務執行」 的能力。 技術架構與使用方式 這整套系統是 Fullstack 架構，前後端都幫你整好了，技術選型也非常實用：   前端：Vite + React + TailwindCSS + Shadcn UI  後端：FastAPI + LangGraph...
張貼留言
繼續閱讀>>