怎么用 AI 核对微信支付宝账单,找出偷偷涨价的自动续费?
Claude 刚上线的个人财务管家虽然惊艳但锁死美区,其实根本不用等官方开放,把微信支付宝账单导出来,用这套工具 3 秒就能生成同款 AI 财务大屏!
在苹果港区应用商店,一款主打导入微信支付宝账单并结合 AI 记账的 App,单月订阅定价在 HK$18–22,三个月订阅 HK$38,永久买断收费 HK$98–148。在海外模板交易平台 Payhip 上,一份由个人制作的财务看板 Excel 模板,标价 $10.97,同店另一款预算模板卖 $11.00。
市场上这些产品能卖出价格,抓住的都是同一个痛点:很多人想理清自己的开销,面对账单导出文件里密密麻麻的流水,根本抽不出半天时间去分类、核对和统计。
我用 Claude Sonnet 在命令行环境下搭建这套本地账单分析工作流,从开始到做完花了 8.5 分钟、对话交互 51 轮,按 API 价格折算约 1.36 美元。
最终跑出来的本地脚本,单次处理账单的实测耗时在 0.04–0.06 秒之间。整套流程完全在本地运行,依赖纯 Python 标准库,没有第三方扩展包,脚本本身的运行成本为 0 元。
拿这套工具帮客户制作账单诊断,端到端出一单大约耗时 8–12 分钟。这包含 2 分钟导出并归拢账单文件、几秒钟跑出结果,以及花上 5–10 分钟查看大屏、核实隐形扣费线索,并整理出 1–3 条具体的消费调整建议。
以前手工对账为什么让人头疼
每月发工资或者季度复盘时,想把个人或家庭的财务状况梳理明白,手工操作极其繁琐。
需要分别从微信钱包导出 UTF-8 编码的账单,从支付宝导出 GBK 编码的表格,有时候还得加上银行储蓄卡的流水。这几份表格表头字段不一致,编码也各不相同,光是把它们合并规范就要倒腾一阵子。
随后就是枯燥的体力劳动。面对几百行杂乱的商户名称,需要逐笔归类,还要核对订阅和排查重复扣款。建好数据透视表后,还得肉眼在列表里扫视,寻找有没有悄悄涨价的连续订阅,或者哪笔健身卡扣款在同一天被重复扣了两次。
更让人烦躁的是异常支出排查。如果把房租和房贷这种大额固定开支直接扔进公式,整张表的均值和分位数会被迅速拉高,系统不仅会把每月的房租报成异常消费,还会掩盖真正的单笔大额冲动消费。
对一份三四百笔流水的家庭账单进行手工整理,逐行核算需要估算耗时 25–60 分钟。很多人记账半途而废,就是因为被这套机械琐碎的操作耗尽了耐心。
五步搭建本地自动化分析流
这套工作流全部在本地设备运行,原始账单和生成的报表不会上传到外部服务器。
输入端支持微信账单 CSV、支付宝账单 CSV 以及银行导出的 xlsx 格式流水。中间经过五个处理阶段,直接产出结果:
原始账单文件 (微信 CSV / 支付宝 CSV / 银行 xlsx)
↓
第 1 步:编码与格式解析(自动匹配 UTF-8 与 GBK,内置轻量表格读取)
↓
第 2 步:规则分类与划转过滤(匹配本地关键词,剔除信用卡还款等内部流转)
↓
第 3 步:周期订阅与扣费排查(识别连续扣款,抓取暗中涨价与同日重复扣款)
↓
第 4 步:基准与异常检测(剔除周期固定支出后,按分位数捕捉异常单笔与尖峰)
↓
第 5 步:本地报告生成(输出离线交互式 HTML 财务大屏与结构化报表)最终生成的输出文件包含离线 HTML 交互大屏、Markdown 格式体检报告,以及一份可以直接提供给 Claude 提问的结构化上下文数据。
复制就能跑的命令与提示词
整套脚本放置在本地目录后,在终端执行这一行命令即可完成分析:
python3 bill_analyzer.py 微信账单.csv 支付宝账单.csv 银行流水.xlsx -o out --title "2026年Q3账单诊断"
脚本运行完毕后,双击打开目录下的 out/dashboard.html 就能直接在浏览器查看大屏。
需要向 Claude 深度追问时,先把脚本生成的 out/claude_context.md 全文复制发送给 Claude,再根据需求配合下面这三段提示词使用:
1. 开场(贴一次)
下面是我自己账单的结构化报表 JSON(本地脚本生成)。接下来的问题请只依据它回答: 1. 报表里没有的信息直接说"报表里没有",不要猜。 2. 每个结论带商户名、具体金额与月份。 3. "隐形扣费线索"只是线索,请告诉我怎么核实,不要直接下定论。
2. 订阅清理
列出报表里所有周期性支出,按年化金额从高到低排。对每一项给出:商户、周期、单次金额与年化, 你建议"保留 / 复查 / 取消",理由只能来自报表(金额变动、自动续费或同日重复扣款)。 最后算出:如果取消所有"取消"项,每月、每年能省多少。使用频率这类报表没有的信息,列成一个我需要自己回答的问题清单。
3. 异常与对账
看 anomalies、duplicate_charges、month_spikes 三项。逐条告诉我:这笔钱最可能是什么(只能根据商户名、类目、金额推断,并标明是推断), 我该去哪里核实(微信或支付宝的订单详情、银行流水以及商家客服),以及核实时要带什么信息。 如果某个月的尖峰主要由一笔大额造成,指出来,并说明剔除后该月是否正常。
三个样本实测与真实画面
测试环节使用了三份严格按照官方格式虚构的账单样例,用来验证代码逻辑的准确性,并未采集真人隐私账单。运行结束后,通过无头浏览器截取了 4 张真实呈现的页面画面。
第一个测试样本是自由职业者的微信账单,包含 3 个月的 143 笔有效数据,另有 1 笔退款被自动跳过。脚本实测用时 0.05 秒。 数据测出收入 32,600 元,总支出 21,950 元,储蓄率为 32.7%,整体财务健康分判定为 73 分。 画面上,大屏顶端展示着收支总览卡片与圆环占比图。在订阅与隐形扣费模块,系统列出了 4 处自动续费线索,涵盖 OpenAI 服务、某云服务以及网易云音乐,并精准抓出了腾讯视频从 25 元悄悄涨到 30 元的变动提醒。异常支出区域,仅标出了 9 月份一笔 5,999 元的京东大额电子产品采购。手工做完同等分析,预计需要约 25 分钟。

第二个测试样本是家庭支付宝账单,采用 GBK 编码,共 405 笔数据,覆盖 6 个月。脚本实测用时 0.06 秒。 总收入为 169,800 元,支出 75,904 元,储蓄率达 55.3%,财务健康分为 78 分。 画面正中的警告区域以醒目的警示标签展示了一组同日重复扣款:8 月 20 日同一天扣了两次 199 元健身月卡。周期项模块还捕捉到了爱奇艺从 25 元调价到 30 元的痕迹,以及苹果 iCloud 续费记录。月度走势图上,6 月份的支出柱状图大幅超出均值,被标注为 1.44 倍异常尖峰,原因是一笔 6,499 元的天猫消费。手工核对这套流水,估算耗时约 60 分钟。

第三个测试样本是长达 13 个月的银行流水表格,共计 219 笔记录。脚本实测用时 0.05 秒。 测出收入 229,200 元,支出 100,724 元,储蓄率 56.1%,健康分为 75 分。 画面里的长期支出模块列着房贷支出与两笔各 6,800 元的年缴商业保险。大额保险支出被稳妥归入了周期性固定项,没有触发单笔异常警报。真正的单笔异常被定位到了 2 月份一笔 9,860 元的携程旅行订单。另外还检测出优酷订阅由 20 元上调至 25 元。人工手工整理这份表格,预计耗时约 35 分钟。

第四张画面直观呈现了耗时对比,将脚本实测的毫秒级墙钟耗时与手工分类透视的估算时间做了并列排布,端到端单次大约能为用户节省 20–50 分钟的操作精力。

过程中调优踩过的三个坑
在脚本写好跑通的过程中,遇到了三个具体的问题并进行了定向修复:
第一,固定支出导致异常排查全盘失真。在最初的版本里,样本二报出了 13 笔异常,样本三报出了 15 笔异常,点开清单发现全都是固定的房租、房贷和定期托育开支。更糟糕的是,房贷把支出数据的 95 分位数大幅抬升,反而让样本三里真正属于异常冲动消费的近万元携程订单逃过了检测。修改方案是调整判定顺序:先扫描识别出按月循环的周期性商户,把这些固定开支从异常检测池中排除出去,再去算分位数阈值。规则修正后,异常警报立刻缩减到各有一笔,健康分也从 60 分修正为正常的 75 分。
第二,宽泛关键词吞掉日常话费。最初过滤非收支流转记录时,使用了“充值”这一泛化词,试图排除零钱充值和银行卡内转。结果导致账单里的三笔中国移动话费充值命中了过滤词,不仅没记入实际支出,也没被识别为月度通信周期扣费。随后把过滤词细化为零钱充值、钱包充值和银行卡充值,中国移动的话费扣除才重新回到统计范围,支出金额从 21,773 元修正为 21,950 元,周期项也从 5 项更新为 6 项。
第三,终端权限安全拦截。最初在命令行里尝试使用 heredoc 方式写入脚本,两次被系统安全规则拦截。之后改用受控的文件写入工具,把整套批量执行脚本沉淀为独立的 run_all.py 文件,顺利通过了安全检查。
算一笔账与开张方向
把这套服务拿来交付,成本构成非常简单:
脚本运行成本是 0 元,完全依托本地算力完成。
后续如果将生成的报表丢给 Claude 提问,输入文件体积通常在 12–13 KB,折合 12,000–13,000 字节,大约 8–10k tokens。一次提问包含约 1 万输入加上 1 千输出 token。花费计算公式是:输入 token ÷ 100 万 × 每百万输入价 + 回答 token ÷ 100 万 × 每百万输出价。由于市面上各个模型价格并不相同,这里不写具体金额,请按你实际使用的模型官方价格表代入。
服务效率上,以往人工整理报表加复盘需要 30–65 分钟,现在借助本地分析器与提问模板,8–12 分钟就能向客户交付一套包含财务大屏、隐形扣费筛查表和订阅删减建议的完整诊断报告。
可以切入的交付方向包括:
- 自由职业者季度财务归集与成本梳理
- 核心家庭月度预算体检与隐形扣费排查
- 个人年度数字资产与周期性软件订阅断舍离服务
这里说明几个实测里的真实边界。国内电商与二手交易平台上同类服务的具体成交订单量,我没查到公开数据。大屏界面的脚本语法通过了校验,并用 node 做了假 DOM 跑通渲染逻辑,渲染出 143/300(上限)/219 行数据,但我没在真实浏览器窗口里人工肉眼核验过整体视觉效果。遇到生僻商户名,系统会默认分流到其他支出分类,需要补规则。目前工具暂未支持多币种转换,也不包含支付宝、微信与银行卡之间的跨渠道去重功能。
换成你自己的账单跑一遍
把整套流程用在自己的账单上,只需三步:
第一步,打开微信支付与支付宝的账单流水页面,导出最近三个月或半年的明细文件。
第二步,在本地终端里运行脚本:
python3 bill_analyzer.py 你的账单文件.csv -o out --title "我的个人账单"
终端打印出解析的有效笔数后,就说明本地处理已经完成。
第三步,打开生成目录下的 report.md,检查“其他支出”所占比例。如果比例偏高,可以参考目录下的规则示例文件,把自己常去的特色商户名称与对应类目补进去,带上 --rules 参数重新跑一次。
确认数据无误后,双击 dashboard.html 查看自己的财务诊断全景。如果想进一步揪出可以取消的冗余支出,直接复制上下文文件和订阅提示词发给 Claude 即可。所有原始财务账单始终留在本地设备上,无需担心隐私外泄。
AI 财务管家没必要等官方开放权限。把手头的账单导出来跑一次,看看到底有哪些不必要的自动续费和涨价订阅,在不知不觉中消耗你的预算。
