对表格与电子表格的检索。
你把电子表格切成分块的那一刻,就已经删掉了让它可被回答的唯一属性。一个单元格之所以表示「EMEA 第三季度收入」,全靠它所在的位置;把它切进一个 400 token 的窗口,它就变成了 48,210 这个数字和一些词挨在一起,而没有任何重排器能把那层关系找回来。表格数据需要两层检索,而不是一层——用嵌入找出是哪张表,用查询引擎找出是哪个单元格——而代价高昂的意外在于:难点既不在前者也不在后者。难点是一张电子表格在有人决定「表头在哪一行」之前根本没有模式(schema),而下游的每一个答案都继承了那个决定。
步骤 1分块到底毁掉了什么,说精确些。
散文被切开时退化得很优雅。从文档里撕下来的一段话仍然是一段话;它失去了上下文,但保住了意思。表格不是这样运作的,因为一个单元格的含义完全由两个坐标承载,而这两个坐标位于文件的别处——一个列表头(可能在上方 300 行处),以及最左列的一个行标签。
把一张工作表序列化成分块,存活下来的东西可以这样算。一个 5,000 行的财务模型,按每块 50 行切,得到 100 个分块,其中恰好只有一个包含表头行。另外 99 个是裸数字的矩阵:
# chunk 1 of 100 — the only one that knows what the columns are Region,Segment,Q1_2026,Q2_2026,Q3_2026,FX_rate EMEA,Enterprise,41200,44800,48210,1.0850 ... # chunk 47 of 100 — what retrieval actually hands the model APAC,Mid-Market,18400,17950,19100,0.6720 APAC,SMB,9100,8840,9330,0.6720 ... # ask "what was EMEA enterprise revenue in Q3?" and the embedding # for chunk 47 is a perfectly good match for the *words* in the # question. the number it contains is for a different region, # a different segment, and it is reported in a different currency.
这比「没找到」更糟。没找到是可挽回的——模型会说它找不到这个数字。而这种失败返回的是一个自信、格式漂亮、错误的数字,而让它显得可信的正是那个格式。这恰恰是接地本该防止的病症,却通过接地机制本身发作了。
把表头重复进每一个分块,是标准的第一道补救,而它只是把失败挪了个位置。现在你有 100 个嵌入近乎一致的分块,因为它们共享那段主导了向量的表头文本,彼此只在数字上不同——而数字恰恰是嵌入表示得很差的东西。你用一个「答错」问题换来了一个「每个分块对每个问题看起来都一样相关」的检索问题。
步骤 2两层:用嵌入找表,用查询找单元格。
行得通的架构,在数据类型发生变化的那个点上把工作一分为二。语义相似度是「拿一个含糊的问题去搜一批候选表」的正确工具;它是「在某一张表内部做精确查找」的错误工具。所以把各自用在它强的地方:
- 第一层——表的发现,针对描述而非数据。每张表索引一份文档:标题、来源、带含义与单位的列名、行数、时间覆盖范围,以及少量样例行。嵌入那个。这份文档很小、语义丰富、而且稳定,这正是混合检索与重排这一套擅长的全部。「哪张表里有按季度的 EMEA 收入?」是一个关于描述的问题。
- 第二层——单元格查找,靠查询。把选中的表装进某个可被查询的东西里——SQLite、DuckDB、一个 dataframe——让智能体针对你交给它的模式生成 SQL 或 dataframe 代码。「EMEA 企业客群第三季度收入是多少?」就是一个
WHERE子句,而WHERE子句要么对,要么报错。这个二值属性,正是这一层不是嵌入问题的全部理由。
这个分工还有第二个容易被忽略的回报:聚合变得可能了。再多的分块检索也无法正确回答「APAC 全年总收入是多少」,因为答案不存在于任何一个分块里——它必须被算出来。一旦第二层是查询引擎,SUM 就是免费的,于是你能回答的问题类别扩大了,而不只是答得更准。这与代码即动作是同一招,只是用在了检索边界上。
让这两层对失败保持诚实。第一层应当连分数一起返回候选表,而智能体要能说「这些都覆盖不了这个问题」——这远好于成功地查错了一张表。这就是智能体式检索的循环,只多一条规则:智能体可以重新选表,而不只是重新措辞。
步骤 3表头就是模式,而真实工作簿里没人把它写下来过。
第二层需要一个模式。数据库会给你一个;电子表格不会,而这正是大多数实现悄悄崩掉的地方。「一张表」和「某人导出的一个 CSV」之间的差距,是一堆承载着含义、却没有任何机器表示的人类惯例:
- 表头不在第 1 行。真实工作表开头是标题、一个空行、一行「最后更新于」,还有一个 logo。表头在第 6 行,而一个假定第 1 行的解析器会悄悄把你的列命名为
Unnamed: 0到Unnamed: 11。 - 表头跨两行。一个写着
FY2026的合并单元格坐在Q1 | Q2 | Q3 | Q4之上。真正的列名是这一对。天真地压平,你会得到四个叫 Q1 的列——而在一个有两个财年的工作簿里,是八个列、四个不同的名字。 - 单位藏在表头里,或在一条批注里,或根本不存在。
Revenue (€000s)这一列的数字比读者预期的小一千倍。清洗时把那个括号丢掉,你就把一个三个数量级的错误焊进了每一个答案里,而追踪里没有任何东西能抓住它。 - 合计行长得和数据一样。一个
Total行与其他每一行类型相同。把它纳入SUM,你就重复计算了;结果是看似合理,而不是荒谬,所以它会一路发出去。 - 你读到的值不是存储的值。一个显示
48,210的单元格可能存的是公式,而它求值成什么,取决于工作簿别处的输入。读渲染值就是在读一份缓存。这个区分正是电子表格与工作簿智能体的全部主题;它在这里之所以要紧,是因为一个过期的缓存值被检索出来时,和一个新鲜的一样干净。
这些都不稀奇;每一份财务与运营工作簿都长这样。其含义是:表的摄入是一个解释步骤,需要每张表做一次人工审阅,而不是一个你拿去扫目录的解析器。好消息是它是「审一次」的:一张表的结构变化远少于它的内容,所以成本按表计,而且会被摊薄。请把结构性阅读当作面向 RAG 的文档解析的一部分,而不是第二层在查询时能推断出来的东西。
步骤 4写一张表卡,并让它成为你索引的那个东西。
让这两层都真正运作起来的那个产物,是每张表一份小文档——就叫它表卡吧。它既是第一层嵌入的东西,也是第二层在查询时被告知的东西,这意味着两层不会彼此漂移:
# table card: one per table. the indexed document AND the schema. table: fy26_revenue_by_segment source: finance/FY26 Plan v7.xlsx, sheet "Rev by Seg" header_rows: 6-7 # merged FY above quarters data_rows: 8-412 excluded: 413 # "Total" row — do not aggregate grain: one row per (region, segment) columns: region text # EMEA|APAC|AMER|LATAM segment text # Enterprise|Mid-Market|SMB q1..q4 integer # EUR thousands, NOT units fx_rate decimal # to USD, rate at period close caveats: Q4 is forecast, not actual, until 2027-01-15 owner: fp&a refreshed: 2026-11-03 # layer 1 embeds this. layer 2 receives it verbatim as the schema. # the "excluded" and "caveats" lines are the two that prevent # confident wrong answers, and they are the two a parser cannot infer.
有三个属性让这份功夫值得花。表卡是可审阅的——一位财务负责人读一眼就能发现 Q4 是预测值,而这是任何嵌入都永远不会告诉你的。它很小,所以一百张表就是一百份短文档,而不是一个语料库。而它携带着注意事项,那恰恰是让一个答案敢被拿去行动的内容,也恰恰是数据本身没有的内容。
两条运维上的提醒。refreshed 字段是一个检索信号,不是元数据:一个根据「三月最后刷新」的表作答的智能体应当把这一点说出来,而这就是索引新鲜度与失效在表格形态下的样子。另外,表卡继承它那张表的权限,所以如果不同用户能看到的行不同,过滤条件就属于第二层的查询之内——参见权限感知检索,它的论证在谓词变成一个 WHERE 子句时原封不动地成立。
步骤 5怎么评测它——以及为什么公开榜单替你定不了这件事。
人会很想靠读 text-to-SQL 基准分数来挑方案。有两项发现应该让你停手。
第一,在真实数据上的绝对数字很低,而且已经低了一段时间。Spider 2.0 的发布论文报告,它测过的最佳智能体框架在完整的 agentic 基准上达到 21.3%,而在纯文本的 Spider 2.0-lite 设定下,最先进的解析器只处理了 5.7% 的问题。这些数字来自 2024 年,之后已有改善,但结果的形状才是耐久的那部分:带着真实列命名惯例的企业级模式,和干净的学术模式是不同的问题,而差距是巨大的,不是边际的。
第二,而且更尴尬的是,标注本身不可靠。2026 年 1 月,Jin、Choi、Zhu 与 Kang 的一项审计估计,BIRD Mini-Dev 的标注错误率为 52.8%,Spider 2.0-Snow 为 62.8%。当他们修正了 BIRD Dev 的一个子集并对榜单上 16 个开源智能体重新评分时,执行准确率变动幅度为 −4% 到 +19%,排名位次变动为 −9 到 +9。他们最锐利的那个观察才是要带走的:未修正子集上的排名与完整开发集高度相关,而与修正后的子集只有弱相关——也就是说,榜单忠实地复现自己,却很差地追踪正确性。
请把这个结果读成一句关于你自己评测集的话,而不只是关于他们的。如果专业标注者在一个已发表的基准里标错了一半的问题,那你们团队一下午写出来的题库并不会更好。请对一个样本做双标注、裁定分歧,并把分歧率当作你所报告的任何准确率数字的上限——这与智能体评测中的人类基线是同一套纪律。
那该量什么,按信息量排序。首先是选表准确率:第一层要么选对了表,要么没选对;它标注起来很便宜,而且它为其他一切设了上限。然后是在一个取自用户真实问过的问题所构成的题库上的执行匹配,评分方式是比较结果集而不是比较 SQL 字符串,因为存在许多种正确的查询。然后是对不可回答问题的拒答率——往题库里掺进一些任何已索引表都答不了的问题,量一量智能体多久会编一个数字出来而不是如实说明;这是那种让你损失信誉而非损失准确率的失败模式。更广的方法见评测 RAG。
请这样做:别再把电子表格的行放进你的向量索引。为每张表写一份表卡,和那个「对数字负责」的人一起过一遍,索引这些卡片,并把选中的表装进 DuckDB 或 SQLite 让智能体去查。把你的审阅预算花在解析器推断不出来的那两行上——哪些行是合计,以及单位是什么。把选表与答案正确性分开标注,因为出错时几乎总是第一层,而选错的表会产出一个看起来正确的答案。