SheetCompass：基於分層關係圖的智能體電子表格推理框架
針對大語言模型在處理電子表格時因結構扁平化導致的空間語義丟失問題，本文提出 SheetCompass 框架。該框架通過構建顯式的分層關係圖，捕捉工作表內外的結構依賴與空間佈局，並結合記憶驅動機制保留任務關鍵信息。實驗表明，SheetCompass 能顯著提升 LLM 在複雜工作簿上的推理與自動化能力，有效解決現有方法無法利用全局空間上下文的痛點，為電子表格智能處理提供了新的技術路徑。
电子表格作为组织、分析和操作半结构化数据的核心工具，在商业与科研领域应用广泛，但自动化推理仍是大语言模型面临的重大挑战。现实世界中的工作簿往往包含隐性的跨表关联、细粒度的列依赖以及复杂的空间布局，而现有方法通常将这些多维结构强制扁平化为顺序字符串，导致工作表内部边界和跨表语义信息严重丢失。这种处理方式使得 LLM 无法像人类专家那样利用全局空间上下文进行直观检查与推理。为此，本文提出了 SheetCompass，一个由图引导和记忆驱动的智能体框架，旨在通过显式建模工作表内部及跨工作表的结构关系，同时保持任务相关信息在记忆中的持久性，从而实现对复杂工作簿更有效的推理与自动化处理。这一核心贡献不仅弥补了传统扁平化方法的缺陷，还为 LLM 理解二维数据空间提供了新的范式，使其能够更贴近人类处理电子表格的认知逻辑，解决了当前自动化工具在处理复杂业务场景时准确性不足的关键问题。 在技术实现上，SheetCompass 摒弃了简单的文本序列化策略，转而采用分层关系图来显式表示电子表格的结构。该方法首先解析工作簿，构建包含单元格、行、列及工作表节点的图结构，明确捕捉表内的空间邻接关系和表间的引用依赖。这种图结构保留了多维数据的拓扑特征，使得智能体能够识别出隐含的逻辑连接，例如跨工作表的数据汇总或条件依赖。与此同时，框架引入了记忆驱动机制，确保智能体在长序列推理过程中不会遗忘早期的关键上下文或中间计算结果。通过结合图结构的全局视野与记忆模块的状态保持，SheetCompass 允许智能体在执行复杂任务时进行多步规划，动态调整对特定区域或关系的关注焦点。这种设计避免了传统方法中因上下文窗口限制或信息丢失导致的推理断裂，使得模型能够处理涉及多表联动、复杂公式嵌套等高难度场景，实现了从被动文本处理到主动结构感知的技术跨越。 在实验评估方面，研究团队在多个包含复杂结构和工作簿的基准数据集上对 SheetCompass 进行了全面测试。实验重点考察了模型在数据提取、逻辑推理及自动化操作任务上的表现。结果表明，相较于传统的扁平化输入方法，SheetCompass 在准确率和任务完成率上均取得了显著提升。特别是在处理包含隐式跨表关联和复杂空间布局的工作簿时，该框架展现出更强的鲁棒性。消融实验进一步证实，分层关系图的构建和记忆机制的引入是性能提升的关键因素。移除图结构引导后，模型在处理跨表依赖任务时的错误率明显上升；而缺乏记忆驱动机制时，长链条推理任务的连贯性大幅下降。这些结果有力证明了显式结构建模与状态保持对于提升 LLM 在电子表格领域推理能力的必要性，验证了 SheetCompass 在处理真实世界复杂工作簿场景中的有效性。 SheetCompass 的提出对开源社区和工业落地具有深远的行业意义。在开源层面，该框架为 LLM 处理非结构化或半结构化数据提供了可复用的架构参考，推动了智能体在垂直领域应用的技术演进。对于工业界而言，电子表格是金融、会计、数据分析等行业的核心载体，SheetCompass 能够显著提升自动化办公工具的智能化水平，减少人工干预，降低数据处理错误率。其图引导和记忆驱动的设计思路也可迁移至其他具有复杂空间或结构依赖的数据场景，如数据库查询优化或文档布局分析。后续研究可进一步探索该框架在实时协作编辑、动态数据更新等场景下的适应性，以及与其他多模态大模型的结合，以实现对更复杂办公生态的全面智能化支持。这一工作不仅解决了当前的技术瓶颈，也为未来构建更强大的通用智能体奠定了坚实基础。