ARTICLE · 994386
15道题实测全对,Table RAG让Excel变知识库
15道题实测全对,Table RAG让Excel变知识库有位读者在上一篇文章下面留言：“能解决通用的 Excel 入知识库吗？” 说实话，我卡了一下才敢答。 
想直接回“能”——反正代码都在，换个文件路径就能问。可我心里清楚，示例里那张销售表是我自己生成的，干净得像样板间：单 sheet、一行表头、合并只出现在首列。你手里那张表，多半没这么乖。所以不耍嘴。“通用”两个字掰开揉碎：哪些真能用，哪些还差着，一条条对。 为了把这个问题讲清楚，我把代码翻了一遍，有个地方比我记忆里更通用，也有三个地方确实做不到——都摆在下面，你上手之前先看“边界”那一节。 
代码在 GitHub 上，15 道题实测全对。先说好消息。 你可能已经试过用标准 RAG 处理 Excel。 把表格当纯文本导入，按 token 切块。一个 500 token 的 chunk，常常卡在第 15 行半。第 16 行的“华东区”被切到下一个块，而它的列名“Q3 销售额”还留在上一个块里。检索时向量相似度命中“华东区”，递给 LLM 的却是一截没有表头的数据。LLM 只能猜。我上一篇文章给过一组实测：200 个查询，标准 RAG 准确率 38%，幻觉率 22%。38%，等于每 10 个问题错 6 个。这不是模型不行，是分块把表格的骨头拆了。 把表格当文本切，等于把账本撕成纸条再拼起来。 你以为加个 Text2SQL 就稳了？没这么简单。精确查询确实能答对，但模糊分析呢？“哪个区域增长最快”要跨行比较，SQL 写不出来。还有那个中文匹配的坑——库里存的是“华东”，用户问的是“华东区”，差一个字，SQL 就查空。查空不是模型笨，是它根本不知道列里到底存了哪些值。 从 clone 到问出第一句话，四条命令： 表格解析、多粒度索引、混合检索，这套思路不新。新的是把工程细节走通了。 导入你自己表格的那一刻，四个自动闭环已经就位：列类型和取值参考自动推断，表名取文件名，合并单元格在内存里回填不改源文件，终端持续问答。你不需要手写 schema，不需要管合并单元格。pandas 读到一堆 NaN 时，openpyxl 已经在内存里把该填的值填好了。 思路到代码之间隔着坑。有两个坑文章里没写，因为当时还没踩到。 暗防线一：别让 SentenceSplitter 把你刚修好的结构再切碎。 行级分块之后，如果你走 LlamaIndex 默认的 from_documents，SentenceSplitter 会二次切断行块，overlap 还会重复行。等于前脚解决结构丢失，后脚又把它引进来。解法很简单：行块直接以 TextNode 入索引，绕开默认切分。结构安全了，别再用默认切分把它毁掉。 暗防线二：让模型看见列里到底存了什么值。 中文提问“华东区”和库里存的“华东”差一个字，Text2SQL 就查空。解法是把文本列的去重值、数值列的范围做成取值参考，注入 prompt。模型见过准确取值，才写得对 WHERE 条件。这一步不复杂，但少了它，精确查询就是纸面 100%，实际到处碰壁。 附一个平台坑：百炼的 OpenAI 兼容端点，OpenAIEmbedding 必须设 check_embedding_ctx_length=False，否则默认 tiktoken 分块会被 400 拒收。单 key 覆盖全部调用是百炼模式最舒服的地方，这个参数是最容易栽的坑。 上篇文章的分流方案在纸面上是 87%。仓库里放了一套评测脚本，15 道题真值全部由 DataFrame 现算、不硬编码：精确对账 12 题全对，模糊分析 3 题全对。15/15。 关键在 execution-guided retry。SQL 执行报错或空结果时，把报错回喂重试一次。这个机制对齐 NeurIPS 2024 TableRAG 论文的 execution feedback。再看论文里的三个机制：schema 检索、行块保表头、执行反馈重试，仓库里都有对应实现——不是重新发明，是把论文的工程化路径走通了一遍。 先说已经通用的：任意位置的合并单元格都会在内存里回填，不只是首列，无合并的文件也兼容；列类型自动推断 TEXT/REAL/INTEGER；表名取文件名，多文件互不覆盖。 还没通用、你上手前要知道的： 通用化的路线图：多 sheet 逐表入索引、多级表头拍平、高基数列改采样+范围描述。这三件事都在计划里。另外两条老边界不变：纯向量没上 BM25 混合、查询扩展没做，数据量放大前先补这两个。单 key 单模型（qwen-plus + text-embedding-v3），换模型改两个环境变量的事。 仓库地址在文末参考文献。clone、换 Excel、开始问。如果你手里的表不满足上面某条边界——比如多 sheet、多级表头——别走，评论区把表的形态描述一下：哪些形态最多，通用化改造就从哪里开工，下一篇就是它。 月薪7万招FDE，AI公司到底在抢什么? RAG实战——我的Wiki系统准确率从60%提升到95% “从Prompt到Skills,RAG到底还行不行？！”
想直接回“能”——反正代码都在，换个文件路径就能问。可我心里清楚，示例里那张销售表是我自己生成的，干净得像样板间：单 sheet、一行表头、合并只出现在首列。你手里那张表，多半没这么乖。通用两个字，掰开揉碎
五分钟跑起来
git clone https://github.com/helloworldtang/table-rag-pipeline cd table-rag-pipeline uv sync export DASHSCOPE_API_KEY=你的key uv run make_dataset uv run chat.py 两道前作没讲的暗防线
15/15：从思路的 87% 到实测的 100%
边界说清楚：回答“通用吗”这个问题
只读激活的单个 sheet，多 sheet 工作簿要先拆文件。 表头必须是规范的第一行单行表头，多级表头或说明行会打乱列推断。 高基数文本列（几千个去重值）的取值参考会撑爆 prompt，宽表要先挑重点列。
参考文献
table-rag-pipeline 仓库 https://github.com/helloworldtang/table-rag-pipeline 前作：RAG处理表格数据——Table RAG让我把Excel变成了知识库 RAG处理表格数据——Table RAG让我把Excel变成了知识库 TableRAG: Retrieval-Augmented Generation with Table Retrieval and Formatting (NeurIPS 2024) https://arxiv.org/abs/2410.04739
参考文献
RAG处理表格数据——Table RAG让我把Excel变成了知识库 https://www.53ai.com/news/RAG/2026082498064.html HTML表格 - 菜鸟教程 https://www.runoob.com/html/html-tables.html table是什么意思_table的翻译_音标_读音_用法_例句_爱词霸 ... https://www.iciba.com/word?w=table Table表格 | Element Plus https://element-plus.org/zh-CN/component/table