用 Claude 做月度支出体检：从账单接入到预算清单

这篇能做出什么

做完这篇教程，你会得到三样东西：

1. 一张干净的月度流水表：把银行和信用卡导出的原始账单，统一成 date / amount / currency / merchant / direction / account 六列，去掉卡号、姓名等敏感信息。

2. 一份分类拆解报告：钱花在哪几个大类、每类的环比变化、Top 商户、固定订阅支出、异常单笔，全部由 Claude 按你给的分类字典生成，不确定的条目标记成“待确认”而不是瞎猜。

3. 一份可执行的预算清单：不是“少喝咖啡”这种空话，而是“把 A 订阅从月付改年付、每月省 X 元、下月账单里验证这一笔”这种能打勾的动作。

举个例子，输入是三个月共 400 多行流水，输出长这样：

```markdown

```

先说清一件事：Claude 本身不是银行直连工具，它不会替你登录网银。数据进入 Claude 有三条路径——手动上传导出文件、通过第三方账单聚合服务导出、通过连接器（Connector / MCP）读取。哪条路适合你，取决于你对隐私和便利的取舍，具体支持范围以 Anthropic 官方文档当前版本为准。下面按“手动导出”这条最可控的路走一遍，最后再讲连接器方案的边界。

前置条件清单

• 一个 Claude 账号，能上传文件、能开 Project（不同套餐能力不同，以官方页面为准）
• 近 2～3 个月的银行流水、信用卡账单，导出成 CSV（多数网银支持导出 CSV 或 Excel）
• 本地装 Python 3（只用来做脱敏和格式统一，不装也能用表格软件手动做，只是慢）
• 一个本地文件夹，专门放这次的账单，用完可整个删掉
• 心理准备：只上传脱敏后的数据。完整卡号、身份证号、网银密码、短信验证码，一个都不要出现在对话里

第一步：决定数据怎么进 Claude

三条路径的差别很实在：

第一次做体检，建议走第一条。原因很简单：你能清楚知道 Claude 到底看到了什么，删的时候也删得干净。

第二步：把账单脱敏成“够用就好”的数据

分析支出根本不需要你的卡号。写一个小脚本，把敏感字段砍掉，账号换成散列别名：

```python

sanitize.py

import csv, re, hashlib

RAW = "raw_transactions.csv" # 银行导出的原始文件

OUT = "clean_transactions.csv"

左：你银行文件里的列名；右：本教程统一列名。按实际表头改左边

COLUMN_MAP = {

"交易日期": "date",

"交易金额": "amount",

"币种": "currency",

"商户名称": "merchant",

"收支方向": "direction",

"卡号后四位": "account",

}

def alias(v: str) -> str:

return "acct_" + hashlib.sha256(v.encode()).hexdigest()[:6]

with open(RAW, newline="", encoding="utf-8-sig") as f, \

open(OUT, "w", newline="", encoding="utf-8") as g:

reader = csv.DictReader(f)

writer = csv.writer(g)

writer.writerow(["date", "amount", "currency", "merchant", "direction", "account"])

for row in reader:

merchant = row.get(COLUMN_MAP["商户名称"], "") or ""

商户名里常混订单号、手机号，把连续 4 位以上数字抹掉

merchant = re.sub(r"\d{4,}", "", merchant).strip()

writer.writerow([

row.get(COLUMN_MAP["交易日期"], "").strip(),

row.get(COLUMN_MAP["交易金额"], "").strip().replace(",", ""),

row.get(COLUMN_MAP["币种"], "CNY").strip() or "CNY",

merchant,

row.get(COLUMN_MAP["收支方向"], "").strip(),

alias(row.get(COLUMN_MAP["卡号后四位"], "unknown")),

])

print("done ->", OUT)

```

跑完打开 clean_transactions.csv 看一眼，确认没有姓名、完整卡号、备注里的转账留言。有就再加两行清洗规则。

第三步：统一格式，把“脏数据”挡在分析之前

Claude 分析得好不好，八成取决于这一步。三条硬规则：

1. 日期统一成 YYYY-MM-DD。03/04/2025 到底是 3 月 4 日还是 4 月 3 日，机器猜不出来，人也会看错。

2. 金额统一成带符号的数值。支出为负、收入为正，退款单独标正数并加 refund 标记。

3. 转账和还款要单独标出来。信用卡还款、自己账户间互转，如果当成支出算，你的总支出会凭空翻倍。

在 CSV 里加一列 type，取值只用这几个：

```csv

date,amount,currency,merchant,direction,account,type

2025-03-02,-38.50,CNY,某某咖啡,支出,acct_a1b2c3,expense

2025-03-05,-288.00,CNY,某某云服务,支出,acct_a1b2c3,subscription

2025-03-08,1200.00,CNY,工资,收入,acct_d4e5f6,income

2025-03-10,-1200.00,CNY,信用卡还款,支出,acct_a1b2c3,transfer

2025-03-12,38.50,CNY,某某咖啡,收入,acct_a1b2c3,refund

```

这一列不用全手填，先让规则跑一遍，剩下的交给 Claude。

第四步：规则先行分类，Claude 兜底

纯靠模型分类，好处是灵活，坏处是不稳定——同样的“某某便利店”，这个月归“餐饮”，下个月归“日用”。稳妥做法是：关键词规则覆盖大头，剩下的未知项批量交给 Claude。

```python

classify_rules.py

import csv, json

RULES = {

"餐饮": ["餐", "咖啡", "茶", "美团", "饿了么", "restaurant", "cafe", "bakery"],

"交通": ["地铁", "公交", "打车", "加油", "停车", "railway", "airline"],

"居住": ["房租", "物业", "水费", "电费", "燃气", "宽带"],

"购物": ["超市", "便利店", "商城", "mall", "market"],

"订阅": ["云服务", "会员", "subscription", "storage", "music"],

"医疗": ["药", "医院", "诊所", "体检"],

}

def rule_categorize(merchant: str) -> str:

m = merchant.lower()

for cat, kws in RULES.items():

if any(k.lower() in m for k in kws):

return cat

return "待确认"

unknown, rows = [], []

with open("clean_transactions.csv", newline="", encoding="utf-8") as f:

for row in csv.DictReader(f):

if row["type"] in ("transfer", "income"):

continue

cat = rule_categorize(row["merchant"])

row["category"] = cat

rows.append(row)

if cat == "待确认":

unknown.append({"merchant": row["merchant"], "amount": row["amount"]})

with open("unknown.json", "w", encoding="utf-8") as g:

json.dump(unknown, g, ensure_ascii=False, indent=2)

print(f"共 {len(rows)} 笔，待确认 {len(unknown)} 笔")

```

如果“待确认”比例超过 20%，说明关键词表太窄，回到 RULES 里补几个词再跑一遍，比让模型硬猜划算。

第五步：给 Claude 的分析指令怎么写

指令里必须出现四样东西：角色、分类字典、输出格式、防编造约束。直接抄这份模板：

```markdown

你是我的个人支出分析助手。我只提供已脱敏的流水，不含卡号与身份信息。

【任务】

1. 按下面这 12 个类目归类 merchant，不要新增类目：

餐饮 / 交通 / 居住 / 购物 / 订阅 / 医疗 / 教育 / 娱乐 /

人情往来 / 手续费 / 待确认 / 其他

2. 统计每个类目的小计、笔数、占比，以及相对上月的环比。

3. 列出金额 Top 10 商户，标注所属类目。

4. 找出所有疑似固定订阅（同一商户连续 2 个月以上、金额相近）。

5. 标出单笔超过 500 元的支出及其商户。

【约束】

• 只依据我给的表格，不要补充任何我没提供的数字。
• 归类没把握的，写进“待确认”，并在备注里说明你怀疑的两个类目。
• 输出用 Markdown 表格，金额保留两位小数。
• 如果表格被截断或行数对不上，先告诉我，不要继续算。

【数据】

（在此粘贴 clean_transactions.csv 内容，或直接上传文件）

```

几个实操要点：

• 先给字典，再给数据。顺序反了，模型容易自创类目。
• 行数多就分批。一次贴几百行容易截断，按“每批 150 行、每批结束报一次行数”来切。
• 要它复述总数。让 Claude 在报告开头写“共读取 N 笔、合计 X 元”，和你本地脚本的结果对一下，对不上就重发。

第六步：让 Claude 拆解“钱花在哪”

拿到第一版统计后，追问三轮，每轮只问一件事：

第一轮——结构

> 按占比排序，指出占比前 3 的类目，并说明这三类合计占了总支出的百分之多少。

第二轮——变化

> 对比两月数据，指出环比增幅超过 20% 且绝对金额超过 200 元的类目，逐条给出可能原因（只说可能，不要下结论）。

第三轮——异常

> 列出本月出现、上月没有的商户，以及金额为整数的支出（房租、会员费常是整数，异常整数往往值得看一眼）。

三轮下来，你会得到类似这样的结论：餐饮涨了 26%，主要来自新增的 5 家外卖商户；订阅类目 4 笔共 288 元，其中 2 笔是自动续费且你半年没用过。这才是“体检”该有的颗粒度。

第七步：生成可执行的预算清单

预算建议最容易变成废话。给指令时加两个硬约束：每条动作必须绑定一个具体商户或类目，必须写清验证方式。

```markdown

基于上面的分类结果，帮我做下月预算，遵守以下规则：

1. 用「固定支出 / 必要弹性支出 / 可选支出」三分法，不用 50/30/20。

2. 每类给出：本月实际、下月预算、差额、差额来自哪几笔具体支出。

3. 只给 3 条行动建议，每条必须包含：

• 动哪个商户或类目（写到名字）
• 预计每月省多少（用我数据里的真实金额推算）
• 下个月怎么验证（看哪一类、哪一笔）

4. 如果某类已经很低，明确写“不建议压缩”，不要凑数。

```

输出大概长这样：

```markdown

行动 1：取消「某某云存储」「某某会员」两笔自动续费，合计 288 元/月 → 月省 288。

验证方式：下月账单中「订阅」类目应降至 0～50 元区间。

行动 2：餐饮外卖从每周 5 次降到 3 次 → 按本月客单价推算月省约 400。

验证方式：下月「餐饮」类目笔数应从 42 笔降到 26 笔左右。

行动 3：把某笔月付服务改年付（若确认会长期使用）→ 年省约两个月费用。

验证方式：改完后该商户一年只出现 1 笔。

```

第八步：固化成每月能复跑的流程

别每次重写指令。把上面几段提示词存成一个 prompt.md，连同 sanitize.py、classify_rules.py 放进同一个文件夹；如果用 Project 功能，把分类字典和分析指令存为项目说明，每月只换 CSV。

复跑流程压缩成四步：

```bash

python sanitize.py # 脱敏 + 统一列名

python classify_rules.py # 规则分类，产出 unknown.json

把 clean_transactions.csv 和 unknown.json 交给 Claude，用 prompt.md 里的指令

把结论追加到 report-YYYY-MM.md

```

第三个月开始，你就有连续基线了，环比才有意义。

授权范围、可撤销性与隐私边界

这部分值得单独说清，尤其是走连接器路线的人。

授权范围

• 只申请只读权限。任何要求“发起支付”“转账”“修改账户设置”的授权，一律不接。
• 授权页面上会列出 scope，仔细看有没有“读取全部账户”“读取历史交易”这类宽泛描述。能用单个账户就别授权全部。
• 连接器能读什么、能写什么，以该连接器的官方文档为准，不要凭印象判断。

可撤销性

• Claude 侧：在设置里的连接器 / 集成页面断开，断开后该连接器不能再读取。
• 数据源侧：第三方聚合服务的授权，要去它自己的后台撤销，光在 Claude 里断开不一定同步失效。
• 银行侧：部分银行 App 里有“第三方授权管理”，可以强制解除。
• 撤销后建议再检查一次：历史对话里已经上传的文件、已经生成的报告，仍然存在，需要单独删除。

隐私边界

• 不上传：完整卡号、身份证号、网银登录密码、短信验证码、安全问题的答案。
• 谨慎上传：带个人姓名和住址的账单 PDF。能导 CSV 就导 CSV，PDF 里信息量大得多。
• 上传前问自己一句：这份文件如果被完整看到，最坏情况是什么？如果答案让你不舒服，就先脱敏。
• 不同地区对金融数据聚合的监管要求不同，涉及自动化接入时，以官方页面和当地法规为准。

常见坑与排错

金额全变成正数，支出收入分不清

银行导出常把方向放在单独一列。检查 direction 是否被正确读取，必要时用 amount 的正负号重建。

信用卡还款被算成支出，总支出翻倍

典型双重计算。把还款和账户互转统一标成 type=transfer，统计时排除。

退款当月被当成收入，类目占比失真

退款单独标 type=refund，归到原类目做冲减，别混进收入。

日期 03/04/2025 被解析成 3 月 4 日，实际是 4 月 3 日

统一转 ISO 格式再分析。转换前先抽 10 行人工核对。

CSV 打开是乱码

Excel 导出的中文 CSV 常见编码问题。读取用 encoding="utf-8-sig"，写出用 utf-8。

Claude 报的行数和本地对不上

文件被截断。分批发送，每批让它报“本批 N 行、小计 X 元”，累加核对。

模型给某个商户编了个类目

在指令里加一条：“归类依据必须是商户名中的关键词，并在备注列写出你匹配到的关键词。”写不出关键词的，就该进“待确认”。

类目分得太细，20 多个类每类都是几十块

控制在 12 个左右。类目是用来做决策的，不是用来做会计凭证的。

多币种混在一起加总

先按当月汇率折算成一种货币，并在报告里注明汇率来源和日期，以官方发布为准。

下一步建议

1. 先跑三个月，别只跑一个月。 单月数据的“异常”大多只是发放时间差异，三个月才能看出趋势。

2. 加一次订阅专项审计。 把所有 type=subscription 的行拉出来，逐条问“过去 90 天我用过吗”，这一步的省钱效率通常最高。

3. 把规则库当资产维护。 每次“待确认”里新出现的商户，补进 RULES，三个月后自动分类率能到 90% 以上。

4. 想自动化再上连接器。 手动流程跑顺了、清楚自己要哪几个指标之后，再考虑接入只读连接器，这时你才有能力判断授权页面上的 scope 是不是过分。

5. 每季度做一次“预算 vs 实际”复盘。 重点看连续两个月超支的类目——那不是意外，是预算定错了，该改的是预算数字本身。