相信大家都遇到过这种情况，感觉很简单的问题，怎么AI就是给出错误的答案，或者要花老半天。这很可能不是模型或智能体做的不好，而是数据处理没花心思。

我们做remio，很多时候就是在跟这类问题死磕：用户电脑里那些真实存在、但AI普遍处理不好的文件。这事我们看得太多了，多到几乎成了产品的日常。

可这种"AI处理不好"的事，讲给别人听并不容易。每次想举例子，要么过于专业，要么过于零碎，听上去都像在挑刺。直到前几天，我手头有个再普通不过的PPT，顺手用它做了一次对比测试，结果意外地适合拿出来讲。八个产品的反应放在一起，不需要我多说一句话，问题就摆在那儿了。

我把PPT先放上来，大家自己看一眼。

故事是这样的

就这两页。一张讲三路召回加扩展加过滤的检索结构，一张讲在有限的上下文窗口里怎么按权重压缩内容。内容很简单，问题也很简单：

Summarize the strategy remio used in organization of context.

读一个PPT，总结里面讲了什么。2026年了，这应该是所有AI产品的基本功。

我把同样的PPT、同样的问题，丢给了八个产品。

第一种反应：直接放弃

三家对话型AI先表态了：一家国民级聊天助手D、一家搜索厂出品的对话AI G、一家做知识库的助手I。它们的回答几乎一模一样：

"根据您提供的文档，里面只有Organization of Context这样的标题，没有正文内容，我无法总结策略。如果您能提供完整内容，我会很乐意帮您。"

PPT是12MB的文件，打开后两张大图清清楚楚摆在那儿。它们的反应却像是我递了一张白纸过去，然后客客气气地还了回来。这一类反应，我们见得最多。它不是模型不够聪明，是产品在文件这一层根本没下功夫，没看见就当作没有。

第二种反应：硬磨出答案

第二批的画风完全不同。虽然最终它们都答对了，但代价很大。

国民级聊天助手O想了1分39秒，过程其实挺精彩。它先把幻灯片渲染成图，结果是两张黑图。又试着从EMF里直接抽字符串，抽出来是"4444 4444 MMMM"这种乱码。又换工具转PNG，还是白板。直到某一步它注意到EMF文件内部的GDI Comment记录里藏着一段以"%PDF"开头的二进制，意识到这是一个嵌在EMF里的PDF（PowerPoint在某些版本下确实会这么干），于是写了几行Python把这段PDF抠出来，再用pdftotext拿到了真正的文字内容，最后给出一份相当不错的总结。这一连串动作是真有本事，连不少做过文件解析的工程师可能都想不到去搜"%PDF" header。代价是1分39秒和一连串的尝试，但它最终找到了那条隐藏路径。

海外通用Agent C的路子更曲折。先发现文本提取很稀疏，判断"这一定是图重的幻灯片"，开始一步步往下挖：转PNG、用LibreOffice渲染、解析EMF内部结构、找隐藏位图。最后从一段二进制里捞出了776×335的ARGB像素流，自己重建出图片，再喂给视觉模型。我看了看它的工具调用栏，几十步。

通用Agent明星M走得最远。它的工作流和C差不多但更夸张：各种EMF解析器轮番试、装新工具、转SVG、扫ASCII字符串、读PPTX内部XML……前前后后跑了好几十轮，最后给出了完整答案。它的使用记录上留着这一笔：单这一次提问，消耗了520积分（这可真是史上最不受欢迎的520啊）。

它们都解出来了。换个角度看，通用Agent能现学现卖地处理一个从没见过的格式问题，这本身就是过去两年模型和Agent进步的成果。但这种"靠通用智能现场解题"的方式，几乎注定了昂贵和漫长。

第三种反应：磨到我点了取消

还有一位国产对话Agent W，路数跟C、M类似。意识到WMF格式、调LibreOffice、解析XML……我盯着它的进度条看了20分钟，工具调用计数还在涨，答案一个字也没吐。

我点了取消。

这道题难在哪

谜底其实很无趣：这两页PPT关键信息都在两张图里。而这两张图，存的是WMF/EMF格式，一种Windows上的老牌矢量图格式。你可能没见过这个格式，但是每次你从一页PPT里选一些内容，以图片的格式黏贴到另一页时，你就会遇到这种格式。为什么要黏贴为图片呢，因为只有这样贴过去之后才不会乱，还能无损放大。根据我们统计，大概有四分之一的PPT里有这种图片格式。

绝大多数AI处理PPT的流程都差不多：PPTX当成ZIP解压，抽文本、抽图片、送给大模型。文本一抽，只剩几个标题。图片一抽，是WMF，视觉模型不认识。

到这儿，三种反应就分化了。一种产品就此打住，告诉用户"没东西"。第二种产品意识到不对，临场推理着往前蹚，路上要试错、装工具、烧token、花钱。第三种产品也蹚，蹚到一半出不来。

remio这边

我们把同样的PPT丢给remio，10秒左右，答案出来了，准确，完整。

重点是remio一点都不绕路。PPT里会有WMF这件事，我们在工程层面提前处理过了，文件入库的时候就把矢量图里的文字、表格、架构关系提取了出来。等用户提问的时候，那两张图的内容跟任何其他文档没有区别。

这不是模型更聪明，是有些活提前在工程里做完了，留给模型的就只是回答问题。

我们想做的就是这件事

聪明模型遇到一个问题解一个问题，每解一次都得花一次代价。这件事Agent范式天然如此，没办法。但用户的真实文件世界并不在乎"范式"，它只在乎你能不能用、要不要等、要不要花钱。

remio做的事情，说白了就是：那些早晚要踩的坑，提前替用户踩平。

PPT里的WMF/EMF矢量图，我们解析矢量图，把它变成模型一眼就能看懂的普通图。PPT里的数学公式我们也专门处理了，能在LaTeX、MathML、OMML这些格式之间互转，让公式以文本形式被AI理解、被检索到、被点击跳转回原片。扫描版PDF走本地OCR加版面分析，让纯图像的文档也能被检索，而且会还原标题、分栏、表格的层级，不是简单地把文字拼成一团。音视频不限量本地转写，自动分说话人，还能跟你的人物库关联起来。

这些事情不性感，写在产品介绍里也没人会激动，但它们就是普通人电脑里真实文件的样子。把这一层做扎实，上面的AI才谈得上发挥。

那个看起来人畜无害的PPT，能让大半个AI圈集体翻车，原因正在这里。带公式的PPT、特殊编码的CSV、8小时的录音、繁简混排的字幕……每一个普通文件背后都可能藏着一道这样的题。模型再强，也得有人把这条路先铺好。

风轻扬：汪源，杭州久痕科技创始人&CEO，前网易副总裁、杭州研究院执行院长、网易数帆总经理，2024年6月创立久痕科技，研发首个全面记录个人办公数据的AI办公助手产品remio，点击文末「阅读原文 」可快速访问remio官网。

附：八家产品的反应实录