用AI打造智能语音记账系统：从需求到实现的全流程

本文记录了我与AI助手（严主任）一起，从零开始搭建智能语音记账系统的完整过程。系统实现了通过自然语言对话自动记账，并同步到飞书多维表格的功能。

一、背景与需求

作为一名普通用户，我一直在寻找一种更便捷的记账方式。传统的记账APP需要手动选择分类、填写金额，操作繁琐。我的需求很简单：

“说出来，就能记上账”

具体来说：

• 通过自然语言描述消费（如”中午吃海底捞花了355元”）
• AI自动解析金额、分类、日期
• 自动写入我的飞书记账本
• 无需手动选择分类

二、技术方案选型

2.1 数据存储：飞书多维表格

我选择飞书多维表格作为记账本的存储载体，原因：

• 云端存储，多端同步
• 支持丰富的字段类型（单选、日期、公式等）
• 支持自动化流程
• 便于后续数据分析

2.2 技术架构

用户语音/文字 → AI解析 → 飞书Bitable API → 记账本

核心组件：

• 自然语言解析：提取金额、分类、日期、成员
• 智能分类：基于语义分析匹配消费类型
• 飞书API：Bitable写入接口

三、实现过程

3.1 第一步：API权限检查

首先检查对飞书记账本的访问权限：

import requests

APP_TOKEN = “your_app_token” TABLE_ID = “your_table_id”

获取字段信息

url = f”https://open.feishu.cn/open-apis/bitable/v1/apps/{APP_TOKEN}/tables/{TABLE_ID}/fields” resp = requests.get(url, headers={“Authorization”: f”Bearer {token}”})发现的问题：

• ✅ 可以读取表结构
• ✅ 可以写入文本、数字、日期字段
• ❌ 级联单选字段无法通过API写入

我的账本原本使用级联字段（一级分类关联二级分类），但飞书API不支持写入这种带条件的级联字段。

解决方案：将级联字段改为普通单选字段，牺牲部分联动约束，换取API可写入性。

3.2 第二步：自然语言解析

实现核心解析逻辑：

def parse_natural_language(text):
    result = {
        'amount': None,
        'category1': None,
        'category2': None,
        'member': '默认成员',
        'date': int(datetime.now().timestamp() * 1000),
        'transaction_type': '支出'
    }
    
    # 提取金额
    # 支持：35、35.5、35块、35块5、35元
    
    # 智能分类分析
    # ...
    
    return result

金额提取支持多种格式：

• “35” → 35.0
• “35.5” → 35.5
• “35块” → 35.0
• “35块5” → 35.5
• “35元” → 35.0

3.3 第三步：智能分类的实现

这是整个系统最核心的部分。我实现了两层分类策略：

第一层：精确关键词匹配

CATEGORY_KEYWORDS = {
    "外卖": ("食", "外卖"),
    "食材": ("食", "食材"),
    "加油": ("行", "加油"),
    "打车": ("行", "打车"),
    # ... 61个分类
}

第二层：语义推理（Fallback）

当没有直接匹配的关键词时，基于语义规则推理：

# 食的推理
if any(word in text for word in ['吃', '饭', '餐', '火锅', '烧烤', '餐厅']):
    if any(word in text for word in ['外卖', '美团', '饿了么']):
        return '食', '外卖'
    elif any(word in text for word in ['零食', '水果', '奶茶']):
        return '食', '零食水果'
    else:
        return '食', '馆子'

效果对比：

• 输入：”今天去吃了海底捞355元”
• 旧方案：无法识别（”海底捞”不在关键词列表）
• 新方案：食-馆子（基于”吃”+”餐厅”语义）

3.4 第四步：飞书Bitable写入

def add_record_to_bitable(record_data, token):
    url = f"https://open.feishu.cn/open-apis/bitable/v1/apps/{APP_TOKEN}/tables/{TABLE_ID}/records"
    
    fields = {
        "交易类型": record_data['transaction_type'],
        "日期": record_data['date'],
        "金额": record_data['amount'],
        "备注": record_data['remark'],
        "年份": datetime.fromtimestamp(record_data['date']/1000).strftime("%Y")
    }
    
    # 分类使用文本名称（不是ID）
    if record_data['category1']:
        fields['一级分类'] = record_data['category1']
    if record_data['category2']:
        fields['二级分类'] = record_data['category2']
    
    resp = requests.post(url, headers={...}, json={"fields": fields})
    return resp.json()

关键发现：

• 写入单选字段时，使用选项名称（如”食”）而非选项ID
• 使用ID会导致飞书显示为ID文本（如”opt5rwyvJY”）

四、遇到的问题与解决

问题1：级联字段无法写入

现象：尝试写入级联字段时返回错误：

cascade single select with conditions is not supported

解决：将级联字段改为普通单选字段，在代码层面维护分类映射关系。

问题2：选项名称显示为ID

现象：飞书表格中分类显示为”opt5rwyvJY”而非”食”

原因：使用了选项ID而非选项名称写入

解决：改用选项名称（如”食”、”外卖”）写入

问题3：二级分类名称有空格

现象：二级分类如”外卖 “（带2个空格），导致匹配失败

解决：
1. 手动清理飞书表格中的选项名称，删除多余空格
2. 代码中兼容处理（去除空格匹配）

问题4：分类映射不完整

现象：”海底捞”无法匹配到”食-馆子”

解决：增加语义推理层，基于关键词（如”吃”、”餐厅”）智能推断分类，而非仅依赖精确匹配。

五、最终效果

使用方式

支持两种输入格式：

带前缀：

记账：中午吃海底捞355元
记账:昨天加油300块

无前缀：

今天外卖35
给宝宝买奶粉289

识别能力

六、技术亮点

1. 分层分类策略

• 第一层：精确关键词匹配（高准确率）
• 第二层：语义推理（高覆盖率）

2. 多维度信息提取

• 金额：多种格式兼容
• 日期：相对/绝对日期
• 成员：自动识别
• 收入/支出：自动判断

3. 容错设计

• 分类无法识别时留空，不阻止记账
• 日期默认今天
• 成员使用默认值

七、代码分享

完整代码已开源在GitHub（可根据实际情况补充链接），核心文件：

• accounting.py：主程序
• accounting_cli.py：命令行入口
• ACCOUNTING_GUIDE.md：使用文档

核心依赖：

pip install requests

八、总结与展望

通过这个项目，我实现了一个真正零操作门槛的记账方式：

• ✅ 不用打开APP
• ✅ 不用选择分类
• ✅ 不用填写表单
• ✅ 说出来就记好

未来优化方向：
1. 接入语音识别，直接语音记账
2. 增加消费趋势分析
3. 自动识别重复消费（如”又是麦当劳”）
4. 与预算系统联动，超支预警

—

*本文记录了我与AI助手（严主任）共同开发记账系统的完整过程。从需求提出到最终落地，历时约6小时，全程通过自然语言对话完成，无需编写复杂代码。*

*作者：老达*
*日期：2026-02-27*