AI 到底是怎么「读」文件的?——从 Excel 到 PDF,附件如何解析

当我们把需要分析的 Excel 数据表拖进 Deepseek，它是如何读取附件数据的？

真相是——AI 根本没见过那个 .xlsx 文件。 它读到的东西，是由系统在毫秒之内翻译好的一段纯文字。

不只是 Excel。上传的 PDF、Word、PPT、图片、音频——所有那些以为「AI 能直接看」的文件，AI 都没有真正触摸过。它看到的，从头到尾，全是同一件东西：文本。

这也解释了为什么 Markdown 和 JSON 在 AI 时代突然重要了起来——不是偏好问题，而是它们天生就是 AI 的母语，不需要翻译。

02 根本原理：LLM 只消费一种东西——token

先回到最底层的问题：一个 LLM 的输入到底是什么？

不是文件，不是图片，甚至不是文字。

LLM 看到的，是一串整数——token。这是自 Transformer 架构诞生[1] 和大规模语言模型（如 GPT-3）出现以来 [2]，所有 LLM 共有的输入范式。

输入: "帮我分析这个表格"           ↓Tokenizer: "帮" → 8234"我" → 2109"分" → 1823"析" → 3821           ...           ↓LLM 收到的: [8234, 2109, 1823, 3821, ...]

而 tokenizer（分词器）能处理什么？只有文本。 如果把一个 .xlsx 文件的原始字节流直接丢给它，它根本不认识——那不在它能 tokenize 的范围内。

所以 LLM 接收信息的路径只有一条：

文本 → token → LLM

从来没有「文件 → LLM」。任何文件要想进入 LLM 的「大脑」，都必须在到达 tokenizer 之前变成文本。

03 六种文件，六种「翻译」方式

被拖进 AI 窗口的文件千差万别，但它们到 AI 面前时全被翻译成了同一件事：文字。只不过每种格式的翻译方式完全不同。

📊 Excel（.xlsx）—— 主力拆解    

.xlsx 是什么？很多人以为它是某种「办公表格格式」。从计算机角度看，它是一个 ZIP 压缩包，里面装着一堆 XML 文件。这是国际标准 ECMA-376（即 Office Open XML）规定的格式结构 [3]。

可以做一个小实验：把一个 .xlsx 重命名为 .zip，解压——会看到 xl/worksheets/sheet1.xml、xl/sharedStrings.xml 等等。

AI 不是读了一个表格，是读了一个 ZIP。

当「上传 Excel」时，翻译层做的是：

.xlsx 文件 → openpyxl（或类似库）    → 打开 ZIP → 解析 sheet1.xml → 提取单元格坐标、值、类型    → 重新组装为 Markdown 表格文本：      | 月份 | 区域 | 销售额 | 增长率 |      |------|------|--------|--------|      | Q1   | 华东 | 500万  | 8%     |      | Q2   | 华东 | 560万  | 12%    |    → 插入 prompt

在这个过程中丢失了什么？

• 图表——它们是二进制图形对象，不体现在 XML 单元格里，直接消失
• 条件格式——颜色规则、数据条、图标集，全部丢失
• 公式——=VLOOKUP(A2, Sheet2!A:B, 2, FALSE) 的逻辑无法传递。部分解析器能读出公式文本，但 ChatGPT 等产品的上传接口通常只提取计算后的结果值，公式本身被丢弃
• 合并单元格——合并区域被展开或丢失层级关系
• 多 Sheet——ChatGPT 等主流对话产品的上传接口通常只处理第一个 Sheet，跨 Sheet 引用全部断裂

所以 AI「分析 Excel」的准确度，上限由这次翻译的质量决定。公式没了它无法追溯计算逻辑，合并单元格裂了它无法还原层级关系，图表丢了它根本不知道有过图表。

📄 PDF —— 翻译质量最不稳定

PDF 的翻译分两种情况。如果 PDF 是由文字处理器或排版软件直接生成的（内部含有文本层），PyPDF2 之类的工具可以直接提取文字——但提取顺序取决于 PDF 内部的对象排列，双栏排版时左栏右栏可能交错输出，读起来像天书。

如果 PDF 是扫描件（图片 PDF），那就需要先 OCR、再提取。而 OCR 的准确率取决于扫描质量——模糊、倾斜、手写字都会导致识别错误。

所以同一个 PDF，AI 读出来的内容有时候对有时候完全错。不是 AI 的问题——是翻译层的锅。

🖼️ 图片 —— 根本不是「读」，是「看」

图片不经过文本翻译层。多模态模型（GPT-4V、Claude Vision）有专门的 Vision Encoder，它把图片像素转化为一串与文本 token 混合的 feature token（特征向量）。这项技术源自 CLIP 等视觉-语言对齐模型 [4]。

所以 AI 不是「读了图片里的文字」，而是「看了整张图的视觉特征后，对内容做了一个描述」。可以把它理解为——AI 看着图片，用自己的话说了一遍上面有什么。

这解释了为什么 AI 识别图表中的精确数值偶尔会出错，为什么手写体比印刷体更难读——它不是 OCR 引擎，是视觉语义模型。

🎵 音频 —— 先听写，再推理

音频文件（.mp3、.wav、.m4a）先用 Whisper 等语音识别模型转成文本（ASR，自动语音识别）[5]，再把这段文本插入 prompt。

如果音频里有多个人在说话，ASR 通常不区分说话人（除非用了 speaker diarization），所以 AI 看到的是一段没有标注谁在说话的对白文字。

📝 Word（.docx）—— 和 Excel 同宗但更简单

.docx 也是 ZIP + XML，通过 python-docx 解析。翻译层主要丢的是排版信息：字号、加粗、颜色——保留了文字内容和段落结构，但视觉层次被抹平。

🌐 网页（HTML）—— 需要先「清洗」

HTML 本身就是文本，但它是带着标签的文本。<div class="sidebar"><ul><li><a href="...">广告</a>——这些内容对 AI 来说都是噪音。Agent 需要先用 Firecrawl 或 Tavily 把 HTML 转为干净的 Markdown，去掉导航栏、广告、侧边栏，只留正文。

04 把 Excel 再拆深一点——为什么它是最复杂的？

在上面六种格式里，Excel 是最特别的一个。因为它的信息损失不是从二进制到文本的损失，而是从「多维结构」压缩成「一维文本」的损失。

一个 Excel 文件里至少有这些信息层：

翻译后的 AI 看到的是：「有一张表格，行是月份和区域，列是销售额和增长率」。它看不到公式、看不到图表、看不到条件格式——而这些东西往往是数据分析的核心。

这解释了为什么「帮我看这个 Excel 里的数据和图表」——AI 总是只分析数据，从来不提图表。不是它忽略了，是根本没收到。

05 所以什么样的格式 AI 能直接读？——Markdown 和 JSON 的意义

理解了上面的流程，结论就很清楚了：

任何本身就是纯文本的格式，AI 都能零损耗直接读。不是文本的格式，必须经过翻译——而有翻译就有损失。

这就是 Markdown 和 JSON 存在的核心意义。它们不是「比 Word/Excel 更好的格式」——它们是唯一一类不需要翻译、AI 能直接消费的格式。

在对话窗口里打出来的字，是 AI 直接读的。写在一个 .md 文件里贴给 AI，也是直接读的。但放在 .xlsx 里的东西，AI 读到的是经过翻译的二道信息。

所以：JSON 和 Markdown 不只是 AI 时代的偏好，而是 AI 通信的原生协议。 用它们给 AI 数据，等于在说同一种语言。用 Excel/PDF/Word，就等于让中间人翻译——翻译得好是运气，翻译得差是常态。

06 Markitdown：承认「AI 只能读文本」这件事

理解了「AI 只能读文本」这个前提，就容易理解为什么 Markitdown 能在 GitHub 上超过 10 万 Stars（截至 2026 年 4 月已达 10.7 万）[6]。

它是微软 AutoGen 团队开源的一个 Python 工具，只做一件事：

把任何格式 → Markdown。

PDF、Word、PPT、Excel、图片（OCR）、音频（ASR 转文字）、网页、CSV、ZIP……20+ 种格式，一键转成 Markdown。

from markitdown import MarkItDownmd = MarkItDown()result = md.convert("sales_report.xlsx")print(result.text_content)# 输出：# | 月份 | 区域 | 销售额 |# |------|------|--------|# | Q1   | 华东 | 500万  |

2025 年还出了 MarkItDown-MCP，作为一个 MCP Server 可以直接被 Claude Code 或任何 MCP 兼容的 Agent 调用。

这个工具的灵魂不在于技术多高深——而在于它明确承认了一件事：AI 只能读文本。我们的工作就是给所有人类文件格式做一个统一的翻译层。

就像没人会把 ZIP 直接扔给文本编辑器，得先解压。Markitdown 就是 AI 时代的「解压软件」，只不过它解的不是 ZIP，是 .xlsx、.pdf、.docx、.pptx——把人类世界的繁复格式，统一翻译成 AI 的母语。

07 实战启示：跟 AI 打交道，格式应该怎么选？

总结：如果内容主要给 AI 看（RAG 文档、Agent 数据、LLM 上下文），用 Markdown 和 JSON。如果主要给人看，用传统格式——但要清楚 AI 多了一道翻译损耗。

08 More

这个认知偏差的背后，是一个更根本的问题：

人对数据的认知和 AI 对数据的认知，是两套完全不同的体系。

对人来说，「文件就是信息」——一个 Excel 文件 = 一张表格，一张图片 = 一个场景。格式是透明的。

对 AI 来说，「文本才是信息」——所有不是文本的东西都是「待翻译的噪音」。在被翻译成文本之前，这些东西对 AI 来说等于不存在。

这个认知差解释了近年来的几个趋势：

• 为什么 Markdown 突然成了 AI 时代的第一格式？ 不是编辑器好用——它就是 AI 的母语。写 Markdown，等于跟 AI 说同一种语言。
• 为什么 JSON 是 AI 工具链的默认交换格式？ 因为 JSON 是纯文本，能表达复杂结构，且 AI 不用翻译就能读。
• 为什么「AI 能直接处理 Excel」是幻觉？ 除非 AI 调用了代码执行环境去读写 .xlsx，否则它只是在读写一段翻译过的文本。
• 为什么 Agent 必须先做预处理？ 因为网页（HTML 噪音）、文件（二进制）、多媒体（非文本）——所有这些 AI 都不能直接消费。它们需要先被翻译。

09 最后

这篇的核心，一句话：

每次把文件拖给 AI，AI 从来没碰过那个文件本身。它读到的是系统帮它翻译的文本。翻译得好的，给人的感觉是 AI 真的「读懂了」。翻译得不好的，就觉得 AI 不够聪明。其实 AI 从头到尾都只做了一件事——读文字。

选择用什么格式跟 AI 沟通，不只是偏好的问题。是选的格式，能不能以最小损耗穿越「人类世界 → AI 世界」这道翻译边界。

🔧 附：Markitdown 快速上手

pip install markitdown

from markitdown import MarkItDownmd = MarkItDown()# Excel → Markdownresult = md.convert("data.xlsx")print(result.text_content)# PDF → Markdownresult = md.convert("report.pdf")# Word → Markdownresult = md.convert("document.docx")# 图片 → Markdown（自动 OCR）result = md.convert("scanned.jpg")# 批量转换import osfor f in os.listdir("docs/"):if f.endswith((".xlsx", ".pdf", ".docx", ".pptx")):        result = md.convert(f"docs/{f}")with open(f"output/{f}.md", "w") as out:            out.write(result.text_content)

📚 参考文献

[1] Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]//Advances in Neural Information Processing Systems 30. Long Beach: NeurIPS, 2017: 5998-6008.

[2] Brown T, Mann B, Ryder N, et al. Language models are few-shot learners[C]//Advances in Neural Information Processing Systems 33. Virtual: NeurIPS, 2020: 1877-1901.

[3] ECMA International. Standard ECMA-376: Office Open XML File Formats[S]. 5th ed. Geneva: ECMA International, 2021.

[4] Radford A, Kim J W, Hallacy C, et al. Learning transferable visual models from natural language supervision[C]//Proceedings of the 38th International Conference on Machine Learning. Virtual: ICML, 2021: 8748-8763.

[5] Radford A, Kim J W, Xu T, et al. Robust speech recognition via large-scale weak supervision[J]. arXiv preprint arXiv:2212.04356, 2022.

[6] Microsoft AutoGen Team. MarkItDown: Python tool for converting files to Markdown[CP/OL]. GitHub. (2024). https://github.com/microsoft/markitdown.

📌 觉得有用？「点赞」、「分享」+「推荐」，让更多人看到！