用途：当用户需要大规模匹配不同财务数据源（如银行对账单与总账）时使用，目标是用模糊匹配与 AI 消除手工录入，快速核对数千笔交易。
主要能力：先做数据源评估，确认来源 A（如银行对账单 PDF/CSV）与来源 B（如总账/ERP 导出）是否存在共同 ID（参考号、支票号），并定义匹配标准（精确匹配：同 ID、同金额、同日期；模糊匹配：名称相似、金额相同、日期前后 2 天）。按优先级执行：数据清洗（统一供应商名称，如 AWS 与 Amazon Web Svcs）、确定性匹配（按 ID 精确匹配）、概率性模糊匹配（Jaro-Winkler 或 Levenshtein 距离）、异常处理（标记无法匹配项）。还包含供应商名称规范化、金额容差匹配（如 0.05 美元内视为匹配以处理舍入误差）、多对一解析（一笔银行存款对应总账中三张发票）。
使用方式：大型数据集不依赖 LLM 直接匹配 5 万行，而是用 pandas、RecordLinkage 等 Python 库处理，LLM 仅用于解决代码无法处理的约 5% 歧义匹配。脚本 calculate.py 提供精确、容差与子集和匹配引擎，可用 python3 scripts/calculate.py 自测，也可导入函数用于实际计算。输出为对账报告：匹配率、已对账总金额、双方未匹配项清单、需人工确认的歧义匹配（含置信度）、以及针对银行手续费或利息的日记账分录建议。资产包含 reconciliation-statement-template.md 银行对账模板。
适用场景：银行对账、总账核对、大规模交易匹配与审计留痕。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；LLM 不适合直接匹配超大数据集，需依赖脚本与人工复核歧义项。