Payroll Data Audit 中文使用指南 - Skill ZIP 下载与风险提示

输入：任务目标、上下文材料、文件路径、约束条件或需要处理的内容。

输出：按 Skill 说明生成的文档、代码、检查结果、计划、建议或操作步骤。

示例任务

安装方式

风险边界

SkillHub 提供了源站安全报告入口，但本站不替代人工审查。使用前仍需检查权限、外部依赖和敏感数据边界。

SKILL.md 文档介绍

Payroll Data Audit v5.0.0

架构原则：确定性操作下沉到代码，模糊推理留给 LLM。AI 不做计算和判断，只做路由决策和报告翻译。

概述

工资数据审核系统，全量对齐《工资审核标准流程 SOP》6 步流程，对飞书/SAP/ADP 导出的工资表执行自动化合规校验。SOP 覆盖率 95%（41/43 项）。

功能范围

字段完整性检查（30+ 列名容错映射）
姓名/工号重复检测
公式校验（Decimal 精度，0.01 容差）
红线校验（实发≤0、加班超36h、低于最低工资、社保未缴）
黄线校验（绩效异常、出勤超限、工资波动）
蓝线校验（跨月趋势，仅提示）
政策校验（实习生豁免、离职当月社保、道旅国际社保/公积金豁免）
人数对比分析（新入职/离职/波动>5%）
总额环比分析（12项计薪科目，±10%阈值自动标记）
分主体/部门对比（按公司主体分组环比）
按人深入分析（连续在职筛选+排除逻辑+六类变化分类+核实标记）
HTML/Markdown 审核报告生成

不覆盖：实际算薪操作、薪酬市场调研、个税计算、社保核算。

使用

决策路由

先判断用户需求属于哪类场景，再执行对应流程：

| 用户说的 | 匹配场景 | 执行 |

|---------|---------|------|

| "帮我审核本月工资数据" | 完整审核 (Step 1→6) | run_full_audit |

| "快速看看有没有问题" | 红线校验 | --step red_lines |

| "发薪前帮我理一下数据" | 字段检查 | --step fields |

| "帮我验一下公式对不对" | 公式校验 | --step formulas |

| "帮我出个审核报告" | 报告生成 | generate_report.py |

场景一：完整审核（Step 1 → 6）

第一步：获取数据 — 要求用户提供本月工资数据文件（CSV/Excel），可选上月数据用于跨月对比。

第二步：执行审核

python3 -m scripts.rules_engine \
  --data <本月工资数据.csv> \
  --prev <上月工资数据.csv> \
  --output /tmp/audit_result.json

第三步：确认门 — 如果 summary.blocked == true（触发红线），不要生成报告，先输出红线清单并要求用户确认数据修正后再继续。

第四步：生成报告 — 通过红线后，用脚本输出 JSON 生成人类可读报告：

python3 scripts/generate_report.py \
  --input /tmp/audit_result.json \
  --format both

输出文件：report.html + report.md 在工作目录。

场景二：快速红线校验

python3 -m scripts.rules_engine \
  --data <工资数据.csv> \
  --step red_lines \
  --output /tmp/red_lines_result.json

适用于发薪前快速检查，只需 10 秒。

场景三：数据梳理（字段检查）

python3 -m scripts.rules_engine \
  --data <工资数据.csv> \
  --step fields \
  --output /tmp/fields_result.json

检查必填字段是否缺失、格式是否正确。

场景四：公式校验

python3 -m scripts.rules_engine \
  --data <工资数据.csv> \
  --step formulas \
  --output /tmp/formulas_result.json

验证应发/实发计算是否与公式一致。

场景五：报告生成

# HTML 可视化报告
python3 scripts/generate_report.py \
  --input /tmp/audit_result.json --format html --output report.html

# Markdown 报告
python3 scripts/generate_report.py \
  --input /tmp/audit_result.json --format markdown --output report.md

# 两者都生成
python3 scripts/generate_report.py \
  --input /tmp/audit_result.json --format both

补充说明

数据来源

优先：飞书多维表格导出 CSV / SAP HCM 导出 Excel / ADP 导出
降级：要求用户提供 CSV/Excel 文件
兜底：无任何数据源时拒绝执行，回复："请提供工资数据文件（CSV 或 Excel 格式），我才能进行审核。"

列名容错

脚本内置 COLUMN_ALIAS 字典，自动映射 30+ 种常见列名变体。

如果列名无法识别，脚本返回 {"error": "Missing column: XXX"}，LLM 必须原文转述。

精度处理

金额计算使用 decimal.Decimal，避免浮点误差累积。公式校验容差 0.01（1 分钱）。

规则更新

所有规则集中在 references/rules.json。修改规则只需编辑此文件，无需修改脚本。

为什么这样设计：业务规则变化频繁（如最低工资调整），集中管理避免每次都要改代码。

红线阻断

红线触发 → 立即阻断，不继续后续步骤，不生成报告。

为什么：红线代表严重违规（如负实发、低于最低工资），必须先修正数据再审核，否则报告无意义。

常见错误场景

| 场景 | 处理 |

|------|------|

| 数据源字段缺失 | 列出缺失字段清单，要求用户补充后重试 |

| 日期格式混乱 | 脚本自动尝试多种格式解析，失败则返回错误 |

| 无上月数据 | 跨月对比/按人分析跳过，在报告中标注"无基准数据" |

| Python 环境无 pandas | 提示用户 pip install pandas numpy openpyxl |

| 红线触发 | 立即阻断，输出红线清单，要求用户修正后重跑 |

依赖安装

pip install pandas numpy openpyxl pytest

测试

cd payroll-data-audit
python3 -m pytest scripts/tests/ -v

56 个测试全部通过。CI/CD 自动运行：push/PR 时触发 pytest + coverage（80% 门槛）+ lint。

踩坑记录

fillna(None) 不兼容新版 pandas → 所有 fillna 统一用 fillna(0)
df[mask] 索引不对齐 → mask 创建时必须用 pd.Series(..., index=df.index) 确保索引一致
空数据阻塞流程 → run_full_audit 开头增加空数据快速返回
YL-005 规则字段名不匹配 → 使用 实际计薪出勤天数 > 应计薪出勤天数 而非 班天数合计
RL-004 字段缺失时仍触发 → 字段不存在时跳过，不报误判

Payroll Data Audit

快速判断

适合任务

输入与输出