10 月底,一份文档解析协议草案在 AI 圈引起讨论。它列出 140 条规则,覆盖文本、表格、表单、图表这几类页面元素,每条规则都配了示例页面和"应该解析成什么"的参考答案。发布它的厂商说,这些规则要解决一个容易被忽略的问题:两个解析器能把一页上的每个字都提取出来,却给出含义不同的结果。
这句话的严重性在于,AI 只能基于解析器交给它的结果来推理。解析器把表头归错了组,AI 的答案就跟着错,而字面上一个字都没有提取错。这正是 FlashTable 这类表单工具一直面对的场景:表格的结构判断,决定了下游拿到的数据是对还是错。
字都对,含义却不一样
协议草案里给了一个很典型的例子:一张销售统计表,第一行表头是年份,第二行表头是季度,2024 年下面又分 Q1、Q2、Q3、Q4 四列。三个解析器处理这张表,会得到三种结果。第一个把季度压进了表体,于是 4.1% 这一列上面没有年份,AI 要猜它属于哪一年;第二个直接丢掉了年份这一行,Q2 同时对应两列数值,AI 无从判断哪个是 2024 年的;第三个造了一个页面上根本没印的标签"2024 Q2",碰巧答对了,但代码换一个解析器就会出错。协议把三种都判为不合规——它要求两行表头原样保留,每一层都留在自己那一行。
这里的关键不是"哪个解析器更聪明",而是同一张表格,结构判断的分歧会直接改变数据的含义。字一个不少,答案却可能完全相反。
歧义出在结构判断
这类歧义集中在几个判断上。表头归属是第一个:一行表头跨几列、两行表头谁是父谁是子,判断错了,数字就挂到了错误的分类下。跨页是第二个:一张跨页的表格,算一张还是两张,直接影响它能不能被连续统计。图表是第三个:一张图是转成数据表、转成图代码、还是直接跳过,选择不同,下游拿到的内容就不同。这些判断没有客观标准,各家的解析器各自做决定,于是同一份文档在不同系统里被读出不同的结构。
协议给的是"事后对齐"
那份协议草案想做的,是给这些判断立一个共同的答案。它规定跨列表头用 HTML 表格表达,因为 Markdown 表格画不出"一格跨几列";规定表单里留空的字段写成 blank,勾选框保留为 x 和 ,可读但读不清的文字标成 illegible;规定图表转成一行一个分类、一列一个序列的数据表。这样,不同的解析器输出同一份文档时,至少能对齐到同一套结构。
但要注意,这套规则解决的是"事后"的问题。文档已经生成,结构已经固定,解析器只能在既有的版式里推断。协议能做的,是让不同的推断对齐,而不是消除推断本身。只要还停留在"从已成形的文档里反推结构",歧义就只能被约束,不能被根除。
FlashTable 从源头绕开歧义
FlashTable 的角度是把结构判断往前移,放在表格变成表单的那一次做完。用户把一份现成的 Word、Excel 或 WPS 表格粘贴进来,表头归属、合并关系、字段类型在这一次解析里确定下来——日期是日期、金额是金额、结论是下拉选项,表头分几层、跨几列,都作为表单定义固定住。之后填进去的每一条数据,从诞生那一刻就带着确定的结构:留空是空值而不是"被遗漏",勾选是布尔值而不是"某种标记",数字归属哪一行表头是写死的。
这样一来,AI 要处理的数据不需要事后用协议去对齐解析结果。表格还在生成的时候就已经结构化,下游拿到的是字段明确的记录,而不是一份"需要再判断结构"的文档。协议解决的是"同一份文档怎么被一致地读",FlashTable 解决的是"让文档在生成时就带着结构"——前者是事后对齐,后者是源头确定。
文档解析协议的出现,说明 AI 落地正在把一个过去被忽略的环节推到台前:结构判断。同一个表格、同一份表单,结构判断不同,数据含义就不同,AI 再强也只能在错的结构上做推理。FlashTable 在这一环承担的是把结构判断做在源头——用 DOM 树映射在表单生成时确定表头归属与字段类型,让数据从填进去的那一刻就结构化、可计算、可追溯。当越来越多的 AI 能力要靠文档和表格喂数据时,先解决"数据以什么结构进来",比事后用规则去对齐解析结果更省事,也更可靠。

