表格空白单元格如何拖垮AI Agent的决策准确性

一个被忽视的数据陷阱

在文档智能处理链路中，OCR（光学字符识别）往往被视为已经解决的问题。但一个看似微不足道的细节——表格中的空白单元格——正在悄悄破坏下游 AI Agent 的决策质量。

根据 LlamaIndex 团队在 Twitter 上分享的观察，许多文档 OCR 工具在读取包含多个连续空白单元格的表格时会出现问题：数值会从原本所属的列和行发生错位（shift），最终导致下游系统对数字的错误解读。

这类问题的隐蔽性在于，OCR 引擎通常仍会输出一个结构完整、看起来合理的表格，但其中的数据对应关系已经被打乱。对于人类审阅者来说，错位可能一眼就能看出；但对自动化的 Agent 来说，它只会照单全收地把错误数据传递下去。

空白单元格为何如此棘手

结构对齐的挑战

表格的本质是二维的结构化数据，行列关系承载着语义。当某些单元格为空时，OCR 引擎缺乏可识别的文本锚点来判断边界，只能依靠视觉线条或空间位置推断。

一旦推断失误，原本属于第三列的数值可能被错误地归入第二列。这种「列偏移」在财务报表、实验数据表、账单等场景中尤其危险——一个数字放错位置，可能意味着完全不同的业务含义。

从技术实现角度看，主流 OCR 引擎处理表格时通常依赖两种策略：一是检测物理线条（ruled table），通过实线或虚线框定单元格边界；二是无线表格识别（borderless/spanning table），依靠文本块的空间分布和投影切割来推断列对齐。第二种策略在处理空白单元格时尤为脆弱——当某列连续多行为空时，投影算法可能将相邻两列之间的间距误判为「无列分割」，从而将后续列的内容整体左移。此外，PDF 本身的编码方式也是一个隐患：扫描件 PDF 需要 OCR 重建布局，而原生 PDF 虽然保留了字符坐标，但表格结构往往没有被显式标记，解析库仍需靠空间推断来还原行列关系，同样容易在稀疏区域出错。

错误的向下传导

AI Agent 的工作流通常是链式的：文档解析 → 数据提取 → 推理决策 → 执行动作。如果解析阶段的数据就已经错位，那么后续每一步都是在错误的基础上运算。

LlamaIndex 强调，这会造成「错误的数值解读在下游发生」。换句话说，问题的代价不会停留在解析环节，而是被放大并渗透到最终的 Agent 决策中。这正是为什么表格准确性对于关键文档的处理如此重要。

对文档密集型 Agent 的启示

随着越来越多企业尝试用 AI Agent 处理合同、发票、财报和研究数据，文档解析的质量正成为整个系统可靠性的地基。一个再强大的推理模型，也无法从错误的输入中得出正确的结论——garbage in, garbage out 在 Agent 时代依然成立。

对于开发者和团队来说，这意味着在选型文档解析工具时，不能只看整体识别率，还需要专门评估工具在复杂表格、稀疏表格（含大量空白）场景下的表现。LlamaIndex 为此推出了 LlamaParse，主打对复杂文档中高精度表格解析的支持，尤其面向那些「表格准确性极为重要」的场景。

如何降低风险

在实际工程中，可以考虑以下几个方向来缓解空白单元格带来的错位问题：

• 选择针对表格结构做过专门优化的解析工具，而非通用 OCR。
• 在数据进入 Agent 推理前，增加校验环节，例如行列数一致性检查、数值范围合理性检测。
• 对高风险文档保留人工复核，尤其是财务和法律类文件。
• 利用结构化输出（如带明确行列标记的格式），减少下游对空间位置的依赖。

「Garbage in, garbage out」这一原则在大语言模型（LLM）驱动的 Agent 场景下有其特殊性：传统程序遇到格式异常的输入往往会抛出错误，提醒开发者排查；而 LLM 具有较强的容错与补全倾向，面对错位的表格数据通常不会报错，而是「自信地」基于错误数据给出一个看似合理的推断。这种「有毒的流畅性」使得表格错位问题在 Agent 系统中比在传统程序中更难被发现。数据质量问题被掩盖在模型的自然语言输出之中，只有当最终决策结果出现偏差时，才可能被人工注意到——而此时错误往往已经造成实际影响。

小结

这条来自 LlamaIndex 的提醒，点出了 Agent 系统中一个容易被忽略却影响深远的环节。空白单元格问题看似技术细节，实则关乎整个自动化决策链路的可信度。在把文档处理交给 AI Agent 之前，先确保它读到的表格是对的——这一步的投入，远比事后追查错误决策来得划算。