这篇讲 Ramp Stack 做记账自动化的经验。团队最大的错误是去自动化一个自己并不理解的流程，所以写代码之前先把人类怎么干这件事描述清楚：记账工作分对账、数据录入、差异分析与日程计提四类，每类再拆成步骤，比如应付账款对账要拉出未付账单与总账、逐行比对、追查不匹配的差额，账单合计 3500 美元而总账只有 3000 美元时，任务就是找出那笔缺失的 500 美元并记录更正。数据是瓶颈，上线前没有数据就只能造：他们用「世界」模拟公司，其中一家是通过 Shopify、亚马逊和批发渠道卖货的 DTC 家居品牌，带着完整账本、真实交易和刻意做脏的 Excel 文件。一个评测用例由任务、世界、轨迹与评分四部分构成，评分用会计撰写的分项标准交给 LLM 裁判，通过失败会掩盖部分进展，六项里拿四分才能告诉你漏了哪两项。实测里 GEPA 式自动调提示词没有泛化，更高推理强度只是更贵；技能消融把八个技能裁到四个提升了 2.8 分，把最大的表格技能压缩 61% 质量不变、每月省下约 3 万美元。他们还专门测记忆：同一家公司往前滚一个月，代理写完本月结账再被考下个月的任务。