电子表格与工作簿智能体。
一个读取单元格值的工作簿智能体,读的是一份缓存,而它缓存的是一张没人画过的依赖图。这正是这类智能体演示起来漂亮、审计起来糟糕的原因:显示 48,210 的那个单元格,是一条公式的输出,而它的输入散落在另外三张工作表上——所以一处看起来局部的编辑并不局部,一份只显示一个单元格变化的 diff,可能已经挪动了四十个数字。请构建在公式图之上而不是渲染出来的网格之上,把你的写入原语做成「公式补丁 + 重算 diff」,并用那唯一要紧的基准差距来设定自主度——单条指令的编辑约 57% 分,而多表工作流落在 35% 以下。
步骤 1两个文件,两种不同的对象:读图,不是读网格。
一个 .xlsx 文件为每个单元格存了一条公式以及那条公式上一次求出的值。两者都在文件里。你的库交给你的是哪一个,是一个大多数团队无意中做下的配置决定,而它决定了你造出来的是哪一类智能体:
# openpyxl: the same cell, two different objects wb = load_workbook("plan.xlsx") # formulas wb["Rev"]["E12"].value -> '=SUM(Q1:Q4)*FX!B3' wb = load_workbook("plan.xlsx", data_only=True) # cached values wb["Rev"]["E12"].value -> 48210 # and the trap: data_only reads the value EXCEL last wrote. # a workbook generated by a script and never opened in Excel has # no cached values at all — every formula cell reads as None.
所以,读值的智能体读到的是「最后一个按下保存的人当时屏幕上恰好显示的东西」,而读公式的智能体读到的是真正的模型。只有后者能回答任何编辑都绕不开的那个问题:有什么依赖它?在摄入时把公式解析成一张依赖图,只做一次,你就拿到了安全写入的前提——每个单元格的可达集合。没有它,每一次编辑都是盲写。
这个问题的读取侧另一半——先从一张人类格式化过的工作表里拿到可查询的模式,以及为什么「表头在哪一行」就是整个模式决定——在对表格与电子表格的检索里。本手册讲的是写入侧。
步骤 2让基准差距替你设定自主度,因为它异常清楚。
电子表格工作的公开度量比大多数智能体领域都好,而这些数字对「把人放在哪里」说了一些很具体的话。把厂商自报的数字当成厂商自报、把预印本当成预印本,这个形状依然成立:
- 单条指令的编辑:约一半正确,而且在快速改善。SpreadsheetBench(NeurIPS 2024)是取自线上 Excel 论坛的 912 个问题。其作者报告 GPT-4o 以及包括 Copilot in Excel 在内的商业产品为 17–20%,而人类高于 70%。微软此后报告 Excel 的 Agent Mode 在同一套 912 条指令上达到 57.2%,评分使用的是基准作者自己那套基于 openpyxl 的脚本。大约两年里约 3 倍的提升,是在一个真实任务分布上的真实进展。
- 多表工作流:差得远。SpreadsheetBench 2 预印本在跨多表工作簿的 321 个专家标注任务上做评测——是端到端的业务工作,而不是一条指令。整体准确率停留在 35% 以下,而在电子表格产品之中,所报告的最高者是 Claude for Excel 的 15.4%。
- 调试别人的工作簿:地板。在同一份预印本里,调试是最弱的类别,为 12.00%。
这三行是一份自主度政策,不是一张排行榜。「加一列算毛利」属于第一条,可以在轻度审阅下运行。「把这六张表之间的季度合并重建一遍」属于第二条,应当在计划层设闸,而不是在输出层。「查出为什么这个模型的合计是错的」属于第三条,是一项研究任务,智能体的职责是产出证据交由人类判断——一道渐进式自主的阶梯,每一条占一级。
第一条与第二条之间的差距,不是一个你靠等待就该指望被填平的能力差距。单条指令的任务自带裁判——指令本身说了要做什么。多表工作流没有;它只有一个意图,而满足该意图的结构是欠定的。这与评测多轮智能体比评测单轮更难是同一个理由,只是出现在一个你真能从数字里看见它的领域。
步骤 3写入原语:一份公式补丁,然后一份重算 diff。
不要让智能体交给你一个新工作簿。重新生成的文件与旧文件之间没有可审阅的关系——格式会移位、列宽会变,而你真正在意的那一处编辑,会隐没在上千处无关差异之中。把工作的单位做成「针对公式图的补丁」,把审阅的单位做成「应用它所产生的效果」:
# what the agent proposes patch: - cell: Rev!F12 before: '=SUM(B12:E12)' after: '=SUM(B12:E12)*FX!$B$3' reason: convert local-currency total to USD # what the harness computes BEFORE anything is saved recalc diff (LibreOffice --headless / formulas / Excel COM): Rev!F12 48,210 -> 44,433 (intended) Rev!F13..F28 unchanged Summary!C4 1,284,900 -> 1,281,123 (expected: rolls up F12) Board!B7 12.4% -> 11.9% (NOT in the plan) Covenants!D2 PASS -> FAIL (NOT in the plan) # 2 cells edited. 5 outputs moved. the last two are the review.
重算 diff 就是整个控制点。它很便宜——对一份副本做一次无头重算——而它把一处无法审阅的改动,转换成一张简短的「被挪动的数字」清单,而那是一位财务负责人真能批准的东西。关键在于,智能体必须在 diff 运行之前声明它预期的影响范围,这样框架才能标出「动了但没被预测到」的输出。未被预测的变动不一定是错的,但它永远是该去看的那一处,也正是通用影响半径纪律在表格场景下的形态。
有两处机制值得做对。请把绝对引用原样保留——$B$3 与 B3 在任何东西被复制的那一刻就行为不同,而一个把它们归一化掉的智能体,等于埋了一个将来才会出现、出现在别的单元格、发生在别的用户身上的 bug。另外,绝不要原地写入:在副本上操作、保留原件,并让恢复路径就是一次文件移动。撤销与可逆性在这里异常便宜,也异常值钱,因为另一种结局是一个财务团队无路可退。
步骤 4能活过审阅的那种失败:构想对,结构错。
工作簿智能体的典型错误不是一个错的答案。它是一条「用错误的区域实现了正确想法」的公式,产出的数字数量级正确、格式正确、落在正确的单元格里。SpreadsheetBench 2 预印本记录了它的极端形态:它形容为「构想上合理但结构上错误」的公式,产出了约 4% 的单元格准确率。输出里没有任何地方看起来是坏的。
它到来的方式是一张简短且反复出现的清单,而每一条都有一个机械化的检查:
- 差一位的区域,把表头或合计行包了进来。
SUM(B1:B50),而表头是第 1 行、Total是第 50 行。检查:断言任何聚合区域都不与表卡标记为表头或合计的行相交。 - 区域没够到数据末尾。在一张现在有 412 行的表上硬写
B2:B400,会悄悄丢掉十二行。检查:把每个区域的范围与工作表的已用区域比对,标出任何在最后一行数据之前就结束的聚合。 - 经由小计造成的重复计算。对一列已经含有小计的列求和。检查:标出任何「区域内含有某个单元格、而该单元格本身就是对同一区域内若干单元格的
SUM」的情形——这是一个纯粹的图属性,计算便宜,而且它抓住的正是这类错误里代价最高的那一种。 - 单位与货币被悄悄混用。把一列以千为单位的加到一列以个为单位的上。检查:为每列携带一个声明过的单位,并拒绝跨两个不同单位的相加。
- 本该是引用的地方写了硬编码数字。
=48210*1.085今天给出正确答案,然后永远冻在那里。检查:标出任何「所含数字字面量等于工作簿别处某个当前单元格值」的待提交公式。
请把这些作为针对补丁的确定性断言来跑,而不是作为一个请求交给模型。它们是答案清脆的图谓词,这让它们恰恰是裁判模型最不该干的活、也恰恰是代码最该干的活——这个区分在用代码写出确定性的财务工作流里论证过。
步骤 5智能体绝不能做什么,以及什么必须在编辑后依然存在。
工作簿常常是某种受监管事物的记录系统,而且它是唯一没有事务日志的记录系统。由此跟出几条约束,而在财务或报表语境下它们没得商量:
- 绝不要悄悄把一条公式替换成它的值。这是唯一一种在值 diff 里看不见、却摧毁模型的编辑。如果智能体必须冻结某个数字,补丁必须用文字说出来,而原公式必须被保留在批注或相邻的审计列里。
- 为每个被改动的单元格留下归属。追加一张工作表,记单元格地址、原公式、新公式、运行 id、提示词与模型版本。这就是审计轨迹,而在工作簿里它必须住在工作簿内部,因为这个文件在一小时之内就会被邮件发出你的基础设施之外。
- 把工作簿自身的内容当作不可信输入。单元格文本、批注与工作表名来自这个文件来自的任何地方,而一份由交易对手转发来的工作簿就是一个提示词注入面——参见提示词注入。绝不要执行宏,也绝不要让
WEBSERVICE或外部链接公式在重算期间运行;在摄入时就把它们剥掉。 - 在那份署名的产物前停下。如果一个工作簿喂给一份对外报送的报表,那智能体的输出是一份提案,不是一次提交。落进监管报送里的那个数字需要一个具名的人,这就是问责与角色规则,施加在一个没人把它当成系统的文件上。
还有一条,很容易被漏掉:保护假设输入页。大多数真实模型都有一小组「其他一切都读它」的假设单元格。把它们标出来,默认对智能体设为只读,并要求一份显式、单独批准的补丁才能动其中任何一个。一个通过改假设来达成预期输出的智能体并没有做那件工作——它挪动了球门,而重算 diff 会看起来完美无缺。
步骤 6工作簿智能体清单。
- 摄入:解析公式而非值;构建依赖图;记录表头行、合计行与每列单位;剥掉宏与外部链接公式。
- 提案:一份公式补丁,每个单元格附一条理由,并声明预期影响范围。
- 验证:在副本上做无头重算;对计算出的输出做 diff;标出每一个未被预测到却动了的输出。
- 断言:STEP 4 的五项结构检查,以代码形式,失败即关闭。
- 设闸:单单元格编辑用轻度审阅;多表工作用计划层批准;调试只交证据。假设单元格永远需要它自己的批准。
- 留痕:文件内部一张审计表;原件完好保留;恢复就是一次文件移动。
- 度量:用真实请求攒出你自己的任务库,按重算后的输出而不是按动过的单元格来评分——再加上「智能体预测的影响范围与实际 diff 相符」的比率,那是它是否读懂了这个模型的最佳领先指标。
如果你只先建一样东西,就建重算 diff——在智能体之前,在提示词之前。它只是对一份副本做一次无头重算、再比较两张值网格;它是让之后每一个决定都可被审阅的那个控制点;而它也是唯一能把「智能体改了这个模型」变成一位财务负责人三十秒内能批准或驳回的东西的产物。然后再加上依赖图,这样智能体就能预测那份 diff,而不是发现它。