炒股就看金麒麟分析師研報，權威，專業，及時，全面，助您挖掘潛力主題機會！

　　來源：Univer夢數科技

　　在最近一輪的 SpreadsheetBench 評測中，UniverAgent 取得了 68.86% 的 Pass Rate，位列排行榜第一，超越了包括 ChatGPT Agent 和 Excel Copilot 在內的主流方案。（對技術有興趣的朋友，歡迎點擊左下角「查看原文」到我們的 Github 轉轉，順手給個⭐️）

　　SpreadsheetBench 是當前電子表格自動化領域最具權威性的公開基準之一，微軟與 OpenAI 均曾在官方文章中引用其測試數據，微軟現任 CEO 薩提亞·納德拉（Satya Nadella）也曾在社交媒體上發表其評測結果。

　　這是該排行榜出現的第一支中國團隊。與榜上多數仍依賴 Excel 環境執行任務不同，UniverAgent 基於自研的 Univer SDK，實現了全程脫離 Excel 的表格計算與推理能力，可視為一次從底層重構電子表格智能的技術躍遷。這一成績的取得，並非單純依賴於更強的基座模型，而是源於我們對「電子表格 Agent」這一命題的系統性重構：從「生成腳本操作文件」的輔助工具，轉向「基於在線環境、具備混合執行能力的自主智能體」。 

　　本文將從技術視角拆解 UniverAgent 在 SpreadsheetBench 上的表現，探討它是如何在理解（Understanding）、準確性（Accuracy）和定位（Positioning）三個維度上建立優勢的。

　　一、SpreadsheetBench：真實業務場景的試金石

　　許多 AI Demo 看起來很美，但在真實業務中往往「一碰就碎」。SpreadsheetBench 的價值在於它提供了一個基於真實任務的嚴謹參考框架。

　　它包含 912 個來源於真實場景的任務，涵蓋了從數據清洗、複雜計算到格式調整的全流程。與簡單的「玩具數據集」不同，SpreadsheetBench 重點考察三個互相關聯的維度：

　　1．  UNDERSTANDING（理解能力）：能否準確理解自然語言指令中的業務意圖，並正確識別相關的數據區域（而非誤用無關區域）。

　　2．  ACCURACY（結果準確性）：數值計算是否精確，公式邏輯是否正確，數據類型（如日期、貨幣）是否符合規範。

　　3．  POSITIONING（定位準確性）：結果是否寫入了指定的工作表和單元格，且不破壞原有的表格結構。

　　這三個維度彼此牽制、很難被單一技術路徑同時兼顧：單純的 Python 腳本容易算對數值（Accuracy），但很難處理複雜的格式和位置約束（Positioning）；單純的 Excel 公式能處理位置，但難以應對複雜的邏輯推理（Understanding）。

　　UniverAgent 的高分，正是因為它通過系統設計，在這三個維度上取得了平衡。

　　二、核心差異：系統工程勝於模型參數

　　在 SpreadsheetBench 排行榜上，我們可以看到多種技術路線。UniverAgent 的核心差異在於：我們沒有把電子表格簡單視為一個 CSV 文件或一個 API 對象，而是圍繞其結構化、富交互、在線化的特性，設計了一整套 Agent 架構。

　　這套架構包含三個關鍵支柱：

　　1．  表格友好的上下文工程：通過 `SpreadsheetOverview` 和 `GetRangeData`，構建高信噪比的「地圖」與「放大鏡」。

　　2．  CodeAct + Planning 執行策略：引入多輪思考循環與自適應緩存，替代脆弱的「一次性腳本」。

　　3．  在線混合執行架構：Python 負責重數據分析，JavaScript （Univer SDK） 負責精細表格操作，兩者在在線環境中無縫協作。

　　三、上下文工程：構建高信噪比的「地圖」與「放大鏡」

　　電子表格任務的一大挑戰是上下文（Context）爆炸。一個幾千行的表格直接轉為文本會瞬間耗盡 Token 預算，且丟失關鍵的結構信息（如合併單元格、公式引用）。

　　UniverAgent 設計了兩層上下文抽象來解決這個問題。

　　1． SpreadsheetOverview：全局「地圖」與信息壓縮

　　`SpreadsheetOverview` 的作用是讓 Agent 在消耗極少 Token 的前提下，看清整個工作簿的結構。它不僅僅是數據的截斷展示，更包含了一系列智能壓縮策略。

　　以一個簡單的銷售數據表為例，原始電子表格中的內容大致如下（只展示關鍵列）：

　　# Spreadsheet Context

　　 📊 Spreadsheet Overview - Total Sheets： 1 - Active Sheet： ‘Sales’ ## 📄 Sheet： ‘Sales’ - Sheet Used Range： A1：D35 （35 rows × 4 columns） - Tables Found： 2 - Formulas Found： 2 ### Table 1： A1：D25 |A1，Product|B1，Category|C1，Quantity|D1，Price| |A2，Laptop|B2，Electronics|C2，5|D2，1200.00| ．．．（中間行被省略） |A25，Monitor|B25，Electronics|C25，2|D25，350.00| ### 🔢 Formulas （0 formula group） - None ### Table 2： B32：D35 |B32，Category|C32，Total Quantity|D32，Total Sales| |B33，Electronics|C33，40|D33，48000.00| |B34，Furniture|C34，10|D34，2000.00| |B35，Office Supplies|C35，5|D35，1000.00| ### 🔢 Formulas （2 formula groups） - C33：C35 ← C33： =SUMIF（$B$2：$B$25，B33，$C$2：$C$25） - D33：D35 ← D33： =SUMPRODUCT（（$B$2：$B$25=B33）$C$2：$C$25$D$2：$D$25）

　　關鍵技術點在於：

　　●結構識別：自動識別 Table 邊界（如 A1：D25），而非盲目讀取整張表；

　　●層次化視圖： Spreadsheet -> Sheet -> Table / Formula， 層層遞進，既展示了結構，又避免了信息過載；

　　●公式組聚合：如上例所示，`C33：C35` 的公式邏輯完全一致，系統將其聚合為一條描述 `C33：C35 ← C33： ．．．`。這種處理方式能將上百行的冗餘信息壓縮為一行，Token 佔用減少 90% 以上。

　　在實測中，即便是 7000 行的大型工作簿，其 Overview 上下文體積通常也能控制在 0.5KB 以內。這為 Agent 提供了清晰的全局視野，顯著提升了 UNDERSTANDING 指標。

　　2． GetRangeData：結構化的「放大鏡」

　　當 Agent 需要深入處理特定區域時，`GetRangeData` 提供了結構化的局部視圖。它返回的不僅僅是二維數組，而是一個包含豐富元數據的對象：

　　============================================================

　　 📊 Range Data： A1：F32 ============================================================ 📋 Metadata：   • Shape： 32 rows × 6 columns   • Formula groups： 3 （74 total cells）   • Styled cells： 15 📄 Data Preview： （showing first 10 rows）    A      B       C      D       E      F 1  SN     DATE    ．．．    TOTAL   ．．．    ．．． 2  001    1/1     ．．．    1200    ．．．    ．．． ．．． 🔢 Formula Groups： （top 15 of 3）   • D2：D74 ← D2： =IFERROR（INDEX（．．．））   • E2：E74 ← E2： =VLOOKUP（．．．） 🎨 Style Definitions： （top 5 of 5）   • 01gvvu6： fs：11|bl：1|bg：#FFFF00 （3 cells） ============================================================

　　這個 `RangeData` 對象包含三個維度的信息：

　　●Values：直接映射為 `pandas.DataFrame`，便於 Python 進行向量化計算。

　　●Formula Groups：延續聚合策略，準確描述區域內的計算邏輯。

　　●Styles：將樣式定義（如 `bg：#FFFF00`）與引用解耦，使 Agent 能感知顏色、字體等視覺線索（這在處理「標紅異常值」類任務時至關重要）。

　　這種分層設計，確保了 Agent 既能「看全」也能「看細」，為後續的精準操作打下基礎。

　　四、執行策略：從「一次性腳本」到 CodeAct 循環

　　面對 SpreadsheetBench 中的複雜任務，試圖生成一段完美的「一次性腳本」往往是徒勞的。UniverAgent 採用了 CodeAct （Code as Action） 架構，將執行過程拆解為多輪交互循環：

　　Thought（思考）→ Code（編碼/工具調用）→ Observation（觀察結果）

　　1． 動態規劃與自我糾錯

　　在每一輪循環中，Agent 都會根據 `Observation` 修正自己的認知。

　　●   如果發現數據格式與預期不符，它會調整清洗邏輯；

　　●   如果寫入結果後發現位置偏移，它會讀取結果區域並重新調整座標。

　　這種「小步快跑、實時反饋」的機制，極大地提升了任務的 ACCURACY 和 POSITIONING 表現。

　　2． 自適應消息緩存（Adaptive Message Cache）

　　多輪交互雖然穩健，但會帶來上下文過長的問題。UniverAgent 引入了自適應消息緩存機制，充分利用 LLM 的 Prompt Caching 功能。系統會根據對話輪數自動插入緩存斷點，使得歷史上下文（包括龐大的表格結構信息）無需重複計算。這不僅降低了推理成本，更顯著提升了長鏈路任務的響應速度。

　　五、架構優勢：在線環境與混合執行

　　UniverAgent 的另一大護城河，在於其運行環境。與基於 `openpyxl / VBA` 等依賴 Excel App 操作本地文件的離線方案不同，UniverAgent 直接運行在 Univer 在線表格引擎 之上。

　　1． Python + JavaScript 混合雙打

　　在處理複雜任務時，單一語言往往力不從心。UniverAgent 創造性地採用了混合執行模式：

　　●Python （pandas/numpy）：負責「重」邏輯。例如多表合併、透視分析、複雜統計。Python 在數據處理上的生態優勢在這裏得到了最大化釋放。

　　●JavaScript （Univer SDK）：負責「細」操作。例如設定條件格式、調整列寬、插入圖表、精確寫入單元格。這些是 DOM 無關的 Headless 環境，保證了渲染的一致性。

　　示例場景：

　　下面我們用一個簡單例子展示混合執行模式的優勢：

　　任務：從某個銷售明細區域中，按類別匯總銷售額，並把結果寫回到當前表格的指定區域。

　　import pandas as pd # 1． 通過工具獲取數據 range_data = get_range_data（「A1：C100」）# 假設列為： Category， Item， Amount df = range_data.to_dataframe（） # 2． Python 側進行數據分析 totals = df.groupby（「Category」）[「Amount」]．sum（） categories =list（totals.index） values =list（totals.values） # 3． JavaScript 側寫入結果 js_code =f「」「 （） => {{     const workbook = univerAPI.getActiveWorkbook（）；     const sheet = workbook.getActiveSheet（）；     const categories = {categories！r}；     const values = {values！r}；     // 從第 0 行第 5 列開始寫入結果（也就是 F1 開始）     for （let i = 0； i < categories.length； i++） {{         const row = i；       // 0-based 行號         const colCategory = 5；         const colAmount = 6；         sheet.getRange（row， colCategory）．setValue（String（categories[i]））；         sheet.getRange（row， colAmount）．setValue（Number（values[i]））；         // 金額列設定為貨幣格式         sheet.getRange（row， colAmount）．setNumberFormat（「$#，##0.00」）；     }}     return {{         success： true，         writtenRows： categories.length     }}； }} 「」「 result = eval_js（js_code） print（result）# => {‘success’： True， ‘writtenRows’： N}

　　這種分工使得 UniverAgent 既擁有數據分析的深度，又具備原生表格操作的精度。

　　2． 在線協作的天然優勢

　　基於在線架構，UniverAgent 的每一次操作都是對「活」的表格進行的。這意味着：

　　●狀態自然保持：無需反覆讀寫文件，中間狀態實時駐留在內存中。

　　●所見即所得：Agent 的操作可以實時同步給人類用戶，便於人機協作與監督。

　　●版本控制：利用在線表格的版本回滾能力，Agent 的誤操作可以被輕鬆撤銷，大大降低了實驗成本。

　　六、結語：邁向自主電子表格工程

　　SpreadsheetBench 的 68.86% 只是一個數字，它背後反映的是電子表格自動化從「玩具」走向「工具」的技術跨越。

　　UniverAgent 的實踐證明，通過極致的上下文工程、穩健的 CodeAct 循環以及原生在線的混合架構，AI 完全有能力勝任複雜的電子表格工作。我們不再是在生成一段輔助腳本，而是在構建一個能夠理解業務、精準執行、自我糾錯的電子表格工程師。

　　未來，隨着模型能力的提升和工具鏈的完善，我們期待看到更多企業級場景下的自動化落地，讓數據處理真正迴歸價值本身。

　　文末最後打個小廣告，近期團隊正在招募 AI Agent 相關人才，如果你看了對我們正努力的方向很感興趣，歡迎聯繫我們：developer@univer.ai

新浪聲明：此消息系轉載自新浪合作媒體，新浪網登載此文出於傳遞更多信息之目的，並不意味着讚同其觀點或證實其描述。文章內容僅供參考，不構成投資建議。投資者據此操作，風險自擔。

責任編輯：何俊熹