后面我研究了一下，简单来说就是，大模型在处理复杂表格时，对“值”的理解远优于对“结构/位置”的理解，这是其核心短板。如果你只是发给它一份方案、几份简历，那它的理解力确实不错，很快就能像讲故事一样把要点讲出来。但是，在工作中，我们遇到的文件往往没有这么简单，它们有不同的章节，不同的层级，还有不同的文件格式，互相嵌套。例如一份财务报告，就包含了 8 大章 24 节 68 小点，其中还有 32 张配图以及 10 张表格，如此复杂的文档，会加速破坏 AI 理解能力。
还有一个问题就是文章的篇幅。虽说现在大模型的上下文窗口，已经能容纳百万字的小说了，把《魔戒》三部曲放进去都不成问题，可“能容纳”跟“可理解”是两个问题。如今市面上大部分的模型，理解力都相当有限，篇幅一长，后面的内容它就读不进去了，或者读一半忘一半，这时候你让它写个人物小传，甚至问它一个事件评价，它的回答都是顾头不顾尾的。
所以，平时我让大模型给我填表的时候也是这样的，它能填对内容，但是容易填错位置，而且越长的表格，错误越多，填错一个位置，手动修改特别麻烦，不如人工填了。
而且，这种问题，还是“不分模型”的。市面上有名的模型我都尝试过，或多或少都存在这个问题，越是能力差的模型，到后面越明显。
https://imgur.com/a/Guu8GR2
问题说到这里，那该怎么解决呢？
指望大模型自己进化？那恐怕是指望不上了。识别结构和层级这种事情，跟大模型“Next Token Prediction”的底层范式不一致，无论怎么进化，大模型都是要从头到尾进行识别，而非基于结构层级。
使用传统软件解决方案？传统软件不够智能，成本对于小公司来说也太高了。而且，到目前我也没有找到特别合适的方案。
总不能回归人力手搓吧？
所以，我的解决方案就是，将计就计，根据大模型的这种特性，自己做了一个填表工具，去补齐它的短板。
思路是这样的：
首先，识别并拆分文档中的独立章节，然后分批将章节内容提交给大模型处理，避免大模型“理解力超载”。其次，填表工具会把“工作经历”、“学习经历”这种需要连续多行输入的区域给识别出来，并把它们跟其它部分拆开，避免大模型混淆。此外，填表工具还会根据用户画像（如基本信息等）自动判断哪些地方是需要填的，哪些地方不用填，提高干活的精确度。
以一张大约 200 个空格的用户信息表为例，有了工具的加持，现在大模型 1 分钟就填完了，比之前快了 5-6 倍，节省了大量的 Token ；准确率也达到 90%以上，秒杀单独使用大模型填表的时候。更不用说它还能识别不同类型的资料，省得我在不同的文档格式之间转来转去了。
大家觉得有用的话，可以试用一下： https://www.gosnapfill.cn/landing?utm_source=v2ex
