核心功能
Payroll Data Audit 是一款专为企业薪酬合规设计的自动化审核系统，采用"确定性操作下沉到代码，模糊推理留给LLM"的架构原则，确保AI不做计算判断、只做路由决策和报告翻译。
全量SOP流程覆盖（41/43项，95%）
系统完整映射《工资审核标准流程SOP》6步标准流程：
- Step 1 数据扫描确认：强制前置步骤，扫描发薪月分布、公司主体、计薪项汇总、特殊人员识别（入职/离职/转正/调薪）、工号重复检测
- Step 2 数据逻辑验证：30+列名字段映射、公式校验（Decimal精度，0.01元容差）、5项业务规则（出勤工资/天数/绩效系数/加班/最低工资）
- Step 3 异常数据扫描：4条红线（实发≤0、加班超36h、低于最低工资、社保未缴）+ 6条黄线（绩效异常/出勤超限/工资波动等）+ 4条蓝线（跨月趋势提示）
- Step 4 总额对比分析：12项计薪科目环比，±10%阈值自动标记异常
- Step 5 按人深入分析：连续在职人员筛选，排除实习生/入离职/调薪/请假>2天/多主体发薪人员，6类变化分类+核实标记
- Step 6 汇总审核报告：HTML/Markdown双格式，表格化呈现（v6推荐）
- Step 7 审核清单看板：28+条规则展开清单，含结果+数据依据+处理建议，支持动态交互看板（零依赖纯内嵌JS）
- Step 8 抽样校验：随机抽样30人独立重算，偏差率≤5%通过，>5%触发根因分析
关键特性
智能排除逻辑：v7.2修复多项P0阻断bug，RL-003/RL-007排除逻辑完全生效——低于最低工资检查自动排除实习生（日薪/月薪）、当月入职/离职、长时间请假（病假/事假>5天）；社保未缴排除实习生（月薪）；跨月工资变化自动识别上月1号调薪/转正豁免。
数据支撑原则：每个结论必须有数据依据——"通过"需输出检查数/通过数/阈值；异常需列出具体人员/工号/异常值/预期值/规则ID；趋势判断需给出具体数值/变化幅度/驱动因素；排除说明需注明原因和匹配规则。
端到端流水线：run_full_pipeline.py一键执行8个阶段不中断，输出11个必发文件（含总审核报告Master Report、审核结论摘要、数据支撑索引等），支持分段审核run_audit.py断点续传。
技术架构
- 规则集中管理：
references/rules.json唯一真相来源，支持无代码扩展规则（红线/黄线/蓝线/政策/业务规则/排除条件） - 三者联动机制：报告↔看板↔数据索引通过rule_id双向锚定，保证数据一致性
- 精度保障：
decimal.Decimal避免浮点误差，公式容差0.01元 - 红线阻断机制：触发BLOCK级红线立即终止流程，不生成报告，强制数据修正后再审
显著优点
1. 合规严谨性：强制数据扫描确认，红线阻断防止带病发薪，抽样校验二次确认
2. 工程成熟度：v7.2.1历经多版本迭代，修复数十个P0阻断bug，列名容错40+变体，日期格式智能解析
3. 可解释性：规则判定过程详解（judgment字段），可见"怎么判的、排了谁、阈值是什么"
4. 操作灵活性：支持快速红线校验（10秒）、分段审核（大数据量防截断）、单节点编排（Workflow集成）
潜在局限
1. 数据源依赖：必须提供CSV/Excel格式工资数据，无上月数据时跨月对比功能降级
2. 非算薪工具：明确不覆盖实际算薪操作、个税/社保计算、外部薪酬调研
3. 中文场景优化：_get_pay_month()针对中文日期格式优化（"2026年4月"/"2026年04月"/"202604"），国际化场景需验证
4. 规则维护成本：政策规则（如最低工资调整）需手动更新rules.json
适合人群
- HR薪酬团队：月度发薪前强制审核，替代人工逐项核对
- 财务合规部门：审计留痕，满足内控要求
- 大型企业：多主体、多部门、复杂计薪结构场景
- 有SOP执行需求：需严格按6步流程执行，禁止跳步
常规风险
- 误报风险：v7.2已大幅修复，但复杂调薪场景仍需人工复核judgment详情
- 数据泄露：工资数据敏感，需确保
/tmp输出目录权限控制 - 规则滞后：政策变化后未及时更新rules.json可能导致漏检
- 阻断过度：红线触发后完全阻断，紧急发薪场景需评估是否启用
--step跳过