iPAS 備考專區 登入

iPAS AI 應用規劃師 初級 科目二 生成式 AI 應用與規劃・115 年第一次・L12・第 14 題

LLM 讀 Excel 表格,Context Engineering 怎麼做?

原題

某企業導入大型語言模型(LLM)分析內部報表,使用者經常提供 Excel 匯出的表格資料(如銷售數據與統計表)。測試時發現,模型對原始表格解析效果不穩定。為提升模型理解與回應品質,下列哪一種上下文工程(Context Engineering)作法較為適當?

白話

某企業導入 LLM 分析內部報表,使用者經常提供 Excel 匯出的表格資料(如銷售數據與統計表)。測試時發現模型對原始表格解析效果不穩定。為提升模型理解與回應品質,題目要你選出較適當的上下文工程(Context Engineering)作法。

問你:哪一種 Context Engineering 作法較為適當?

一句話總結

把 Excel 的原始表格格式轉換成 JSON 或 Markdown table 這類 LLM 易讀的結構化格式,是 Context Engineering 改善模型理解表格的正確做法。

情境

先感受問題:把 Excel 貼給 AI,它看得懂嗎?

假設你是「全球貿易」物流公司的資訊部門主管,老闆要你讓業務主管可以把 Excel 報表貼給公司的 AI 助理,問「哪個客戶上季業績最好」或「哪條航線利潤率最低」。

你的工程師直接讓使用者把 Excel 複製貼上,結果 AI 有時答得很準,有時答得一塌糊塗,甚至把欄位看錯。Excel 複製出來的原始格式可能長這樣:

客戶名稱   Q1銷售額   Q2銷售額(空格跟 Tab 混用,沒有結構)

LLM 是文字模型,它讀文字時需要清楚的結構告訴它「哪個是欄位名稱、哪個是對應的值」。原始 Excel 格式的空白、Tab、對齊方式對 LLM 來說是雜訊,不是結構。

Context Engineering 的核心問題就是:你給 AI 什麼樣的輸入,就得到什麼樣品質的輸出。

舊方法

沒做 Context Engineering,會踩哪些坑

  1. 直接貼原始 Excel 格式:Excel 匯出的 CSV 或複製貼上的文字,有大量空白、跨行欄位、合併儲存格,LLM 難以判斷哪個數字屬於哪個欄位
  2. 模型解析不穩定:同一份表格,有時解析對,有時解析錯,因為輸入格式不一致,模型靠「猜測」填補結構
  3. 忽視欄位語意:表格欄位名稱如「Q1」「代碼 A」,模型不知道代表什麼意思,輸出的解讀可能完全錯誤
  4. 隨機切割表格:把一張表格亂切成幾段分別輸入,每段都沒有完整的欄位標頭,模型完全無法理解表格結構
  5. 以為「完整資料」就夠:以為只要資料完整、不要遺漏,模型就能理解。但格式不對,再完整的資料 LLM 也讀不準

新方法

轉成結構化格式,LLM 才讀得準

「全球貿易」的工程師改了輸入流程:使用者上傳 Excel 後,系統自動把表格轉成 Markdown table 格式再送給 LLM。

Markdown table 長這樣:每一欄有明確的欄位名稱,每一列是一筆資料,用 `|` 符號分隔,LLM 在訓練時見過大量這種格式,解析能力非常穩定。

或者轉成 JSON 格式:每一列資料變成一個物件,欄位名稱是 key,數值是 value,結構非常明確,LLM 一眼看出「客戶名稱對應到全球物流公司、Q1 銷售額對應到 250 萬」。

轉換之後,業務主管問「哪個客戶上季業績最好」,AI 每次都能精準回答,不再有解析不穩定的問題。

這就是選項 A 講的:將表格內容轉換為結構化 JSON 或 Markdown table,是 Context Engineering 的正確作法。

錯選項

為什麼其他選項是錯的

B在維持原始表格呈現方式下,補充欄位與數據說明

字面在說什麼

不改表格格式,只在旁邊加文字說明「這欄是什麼意思」。

為什麼不對

根本問題是「原始表格格式 LLM 不易解析」,只在旁邊加說明而不解決格式問題,治標不治本。LLM 還是面對一個難以解析的格式,只是多了一堆文字說明,效果改善有限,也可能因為輸入更長而引入新的混亂。

誰會選錯

以為「補充說明就能解決問題」的人。這種思路類似於「報表看不懂就加備註」,但 LLM 需要的是格式本身清晰,不是靠備註解讀格式。

C將表格資料隨機切割後分段輸入

字面在說什麼

把表格分成幾段,每次只輸入一部分,讓模型逐段處理。

為什麼不對

「隨機」切割表格是最糟糕的做法。表格的每一列都需要有欄位標頭才能理解,隨機切割後很多段落根本沒有標頭,模型完全無法判斷每個數字代表什麼。就算分段有標頭,隨機切割也會破壞跨列的數據關係。

誰會選錯

聽說過 Chunking 概念後,以為「把資料分段輸入」就是 Context Engineering 的正解。但 Chunking 是針對文字文件的語意切割,不是把表格隨機亂切。

D直接提供原始表格內容以保留完整資訊

字面在說什麼

什麼都不做,直接把原始 Excel 內容貼給 LLM,因為這樣資訊最完整。

為什麼不對

這正是題目描述「解析效果不穩定」的原始狀況。完整資訊和易讀格式是兩件事:資料可以完整,但格式不對 LLM 還是讀不準。維持現狀不是解決方案。

誰會選錯

以為「資訊完整性」比「格式清晰度」更重要的人。在 LLM 使用場景中,格式對解析品質的影響極大,不能只靠資料完整性。

變形題

同個考點下次怎麼變形

延伸

想再往下看,這 5 個

答案、題目或解析有問題?回報這題

出處:iPAS 經濟部產業人才能力鑑定 ・ 115 年第一次 iPAS AI 應用規劃師 初級 科目二 生成式 AI 應用與規劃 第 14 題

看官方原文 PDF

原題 © 經濟部產業發展署,AITerms.tw 僅作教學解析使用,本站解析以 CC BY-NC-SA 4.0 授權。