← 返回全部情报
会计 AI 公司 Basis:用行为规格评轨迹,不把「答对税表」当成唯一验收;Cursor 里改上下文像改代码 的封面

·Cursor Blog·工程博客收录 2026-09-30

会计 AI 公司 Basis:用行为规格评轨迹,不把「答对税表」当成唯一验收;Cursor 里改上下文像改代码

行为规格长程 Agent上下文工程轨迹评测Braintrust会计 Agent

一句话结论

长程会计 agent 会做成百上千个依赖前文的决策,只看最终税表对不对会漏掉坏过程;Basis 把「在什么情况下该查什么证据、做什么决定」写成不给模型看的行为规格,用裁判评真实轨迹,并在 Cursor 里像改代码一样打磨提示词与技能。

打开原文 Cursor Blog:How Basis builds long-horizon accounting agents with Cursor

背景与理念

Cursor 博客 2026-09-04 这篇客户故事介绍 Basis。Basis 专为会计师做长程 agent,承接月结、公司与合伙税表、审计计划与现场等工作,公司从第一天就在 Cursor 上建设。文章强调:长程不只是「跑好几小时」,而是轨迹上有成百上千个后续依赖前序的决策,错误会复利;会计领域又缺少便宜客观的测试、真实标准答案昂贵,最终结果也可能掩盖不可靠过程。

因此他们把 agent 读到的上下文(提示、技能、工具说明、领域知识)当成生产输入:措辞和组织结构会改变下一步行为,生成后不读就上线是生产风险。

具体做法

  1. 行为规格(behavior spec)。Markdown 文件写给人和裁判看,不喂给执行中的 agent。一份有用规格要写清:何时适用、该检查哪些证据、该做什么决定与动作、证据不全时怎么办、失败长什么样。目标是让行为可判定,而不是把每一步写成脚本。
  2. 裁判评轨迹。裁判拿到规格、可观察轨迹和证据(工具调用、产物、检索来源、决策记录),返回 true / false / NA,从而在没有整题标准答案时也能抽查关键过程。
  3. 开发闭环。团队先选定值得度量的反复行为 → 在 Cursor 写/改规格 → agent 在 Basis 运行时产生轨迹 → 裁判评分 → false 指向实现缺口 → 在 Cursor 里改运行时上下文、工具或框架 → 再跑再量。规格与运行时保持分离:规格是标准,实现去追标准。
  4. Cursor 的用法。工程师并排打开规格与 agent 窗口,用 Markdown 预览迭代措辞,随时换模型问「这句话是太含糊还是太脆」,同时改 agent 真正看到的 skills 与工具描述。Basis 与 Braintrust 把行为规格做成开放格式,供其他团队复用。

关键数据/例子

文章给出的生产侧数字包括:单个交付物上 agent 可完成 5 小时以上工作;Form 1065 合伙税表上,大约 30 到 40 小时的人工工作,Basis agent 可在大约 6 到 7 小时完成;Basis 称受到头部 25 家会计师事务所中约 40% 的信任。

联合创始人 Mitch Troyanovsky 的原意是:正确的税表答案仍可能藏着坏过程,他想知道 agent 有没有查过一级权威,而不只是结果碰巧对。

创新点

第一,把过程行为从结果指标里拆出来单独度量。第二,规格故意不进入模型上下文,避免「考题泄漏」式的自说自话。第三,把提示词与技能的编辑环境当成工程 IDE 问题来解决。信息来源:Cursor Blog《How Basis builds long-horizon accounting agents with Cursor》。

可否复用

  1. 给自己最重要的三到五个 agent 行为各写一份「行为规格」(适用场景、必查证据、允许动作、证据不足时的默认、失败样例),先不给执行中的模型看。
  2. 抽查真实运行轨迹时,按规格逐条判 true/false/NA,而不是只看最终产出好不好看。
  3. 把提示词、技能和工具说明放进可预览的 Markdown 仓库,改完再用同一批历史任务回归。
  4. 高风险领域优先度量「有没有走对过程」(是否核对来源、是否保留出处),不要只验收最终数字。
  5. 规格与实现分离:发现 false 时改运行时上下文或工具,而不是把标准答案写进提示词里背答案。

笔记会在输入时自动保存。