企业知识库里的Excel,不能简单转成Markdown:一套表格数据治理方法

点击上方蓝字，关注我们

前面两篇文章，我们分别聊了文件解析和文本清洗。

到了Excel，很多人会自然沿用同一套思路：先把工作表解析成文本，再转成Markdown表格，之后切分、向量化、入库。

这个流程处理简单的产品参数表、服务对照表，有时确实能用。但一旦遇到合并单元格、多级表头、公式、隐藏行、跨表引用，或者几万行明细数据，问题马上就会出现。

文件明明解析成功了，单元格里的文字和数字也都提取出来了，可知识库回答时，还是会把单位弄错、把区域混淆、把公式结果当成固定规则，甚至从一张已经过期的价格表里找到答案。

原因并不复杂。

Excel里的知识，很多时候并不写在某一个单元格里，而是藏在单元格之间的关系里。

表名是什么，表头分几层，单位写在哪里，空白代表什么，数字是人工输入还是公式计算，当前工作表又引用了哪一张基础数据表——这些信息共同决定了一个数字到底是什么意思。

所以，我对Excel进入企业知识库的第一个判断是：

我们先看一个假设示例。

某企业有一张《2026年华东地区新客户价格政策表》，其中一部分内容如下：

表格上方还有三条说明：

在人眼看来，这张表不难理解。

第二行产品线留空，通常是因为它沿用了上一行的“A系列”；“适用区域”留空，也可能代表继续沿用“华东”；“同上”指的是9折；最低成交价可能来自公式，也可能是审批后的固定值。

但解析工具拿到的，首先只是一个个单元格。

如果系统把每一行直接转成一句话，第二行可能变成：

这句话没有乱码，每个值也可能都提取正确，却几乎无法独立使用。

“同上”到底是多少？区域为空代表全国适用，还是继承上一行？15000的单位是什么？价格在哪个时间段有效？它适用于老客户吗？

只要这些条件没有和数据绑定，后面切分得再精细、向量模型再强，也无法稳定还原原表的业务含义。

这也是表格与普通文本最大的差别。

普通文本的含义主要跟随语句展开；表格的含义则同时依赖行、列、表头、标题、注释、格式和计算关系。

解析只把单元格取出来，还不等于把表格读懂了。

企业里的Excel看起来都是行和列，实际承担的任务可能完全不同。

我建议在治理前，至少把它们分成四类。

这四类表格的处理方式不能混用。

规则型Excel通常适合整理成知识。比如不同产品对应什么服务标准，什么客户可以申请什么折扣。它们的规模不一定大，主要价值在于解释业务规则。

明细型Excel则不同。几万条订单记录不是几万条“文档知识”。用户问“某客户过去12个月买过哪些产品”，真正需要的是按客户、时间和状态进行精确查询，而不是依靠语义相似度从大量文本片段中猜测。

统计型Excel不能只保留最终数字。比如“华东区续费率为72%”，如果没有统计周期、客户范围、分母定义和数据更新时间，这个数字很快就会失去解释力。

计算型Excel最容易被误处理。报价总额可能只是几个输入项和一套公式在当时条件下生成的结果。把结果转成文字存进知识库，却丢掉公式和输入条件，相当于只保存了计算器屏幕上的数字，没有保存怎么算出来的。

因此，企业看到一个Excel文件时，先不要问“怎么切分”，而要先问：

这张表是在表达规则、保存记录、汇总指标，还是执行计算？

类型判断错了，后面的技术流程越自动化，错误就会复制得越快。

处理普通文档时，我们经常关注正文、标题、段落和列表。

处理Excel，还要多看几层关系。

01表名和工作表名称，决定数据属于什么场景

“价格表”与“2026年华东区新客户内部最低成交价”看起来都可以当标题，但两者提供的业务边界完全不同。

同一个工作簿里，也可能同时存在“当前政策”“历史政策”“基础参数”“测算结果”几个工作表。只提取单元格内容，不保留工作表身份，很容易让不同用途的数据混在一起。

02多级表头，决定列与列之间如何组合

企业表格经常使用两层甚至三层表头。

比如第一层是“产品版本”，第二层是“标准版、专业版、旗舰版”；另一组第一层是“服务方式”，第二层是“在线、上门、驻场”。

如果解析后只留下第二层表头，“标准版”和“在线”就成了同一层级的孤立词，系统不知道它们分别属于哪个维度。

03合并单元格，往往表示共享条件

合并单元格不只是排版美化。

一个纵向合并的“华东区域”，可能表示下面20行产品都适用华东；一个横向合并的“单位：万元”，可能约束右侧多个金额字段。

简单取消合并而不补全作用范围，会让后续行失去条件；机械地把内容填满所有单元格，又可能把原本只用于展示的标题误当成数据值。

所以“拆合并单元格”只是操作，识别它表达的关系才是治理。

04颜色、批注和隐藏内容，可能承载业务状态

有些企业用红色表示停用，黄色表示待确认，灰色表示历史项；也有人把审批说明写在批注里，把中间计算过程放在隐藏列中。

这些做法不够标准，但它们确实存在。

解析系统如果只读取可见文本，可能漏掉重要信息；如果把所有隐藏内容都当正式知识，又可能把辅助计算、废弃字段和内部备注一起放出来。

正确做法不是默认保留或默认删除，而是先识别这些格式在当前企业中的含义，再把真正有用的状态转换成明确字段。

例如，把红色字体从视觉信号转换为：

格式适合给人看，字段才适合让系统稳定执行。

文本清洗中，多余空行通常可以直接删除。Excel里的空白单元格要谨慎得多。

它至少可能表示六种情况：

本条记录确实没有数据

该字段不适用于当前对象

录入人员尚未填写

延续上一行或上一组的值

公式暂时返回空字符串

内容被人为清除，但业务状态没有同步更新

这些含义对应的处理方式完全不同。

“不适用”可以作为一个确定状态；“尚未填写”代表数据不完整；“沿用上一行”需要补全上下文；公式返回空值则要检查触发条件。

如果清洗规则把所有空白都替换成0，库存为空可能被理解为库存为零；把所有空白都向下填充，也可能让原本不适用的产品继承了上一行价格。

所以企业需要为关键字段建立空值规则：这个字段允许为空吗，空白分别代表什么，是否可以自动补全，什么情况必须人工复核。

没有业务规则支持的填充，只是在用确定的数字掩盖不确定的数据。

Excel中一个显示为“13,200”的单元格，背后可能有三种来源：人工录入、公式计算，或者从其他工作表引用。

这三种来源在人眼看到的结果一样，对知识治理的含义却不同。

假设最低成交价的计算逻辑是：

如果知识库只保存最终结果13,200，它无法回答：

标准价调整后，最低成交价是否应该同步变化

华南区域是否也适用这个结果

折扣和区域调整项分别来自哪里

这个数字是政策下限，还是某次报价的计算结果

对计算型Excel，至少要区分四类内容：

如果公式本身是一条稳定业务规则，可以把它整理成可解释的知识，同时保留原公式和版本。

如果结果会随着库存、汇率、税率、折扣或客户条件变化，就不适合把某一次结果当成长期有效的知识。更稳妥的方式，是让知识库解释规则，再调用实时数据或计算服务生成答案。

大模型擅长理解用户在问什么，但不应该替代需要精确执行的公式计算。

Markdown适合表达标题、段落、列表和规模不大的规则表。它结构清晰，也方便后续切分。

但“格式干净”和“业务适用”是两回事。

一张20行的服务权益表，转成Markdown后，人和模型都比较容易理解；一张20万行的订单明细表，转成Markdown只会得到一个巨大的文本文件。

文本越多，不代表知识越完整。对于需要精确筛选、聚合、排序和实时更新的数据，结构化查询往往比向量检索更合适。

可以用一个简单标准来判断：

企业知识库不必把所有信息都塞进向量库。

真正可用的系统，往往会同时使用文档检索、关键词检索、数据库查询和业务接口。用户看到的可能仍然是一个问答入口，背后却应该根据问题类型选择不同的数据通道。

前面的判断如果要落到项目里，我建议把Excel入库拆成六步。

01识别表格角色，决定是否进入知识库

先给每个工作簿和工作表分类：规则型、明细型、统计型还是计算型。

同时确认它服务什么业务场景，谁维护，多久更新一次，当前是否有效，是否包含敏感信息。

这一步的结果不是简单的“入库”或“不入库”，而是确定它的处理路线。

规则内容可以进入知识库；大规模明细数据进入数据库查询通道；计算逻辑交给规则或计算服务；统计报表保留口径，并把有长期价值的分析结论整理成知识。

02恢复表格结构，不要急着生成文本

解析后先检查：

工作簿和工作表名称是否保留

表格标题、说明和数据区域是否正确识别

多级表头有没有恢复成完整字段名

合并单元格的作用范围是否明确

单位、币种、时间范围是否与对应字段绑定

隐藏行列、批注和颜色是否包含业务含义

公式、引用和显示值是否分别提取

跨工作表关系是否仍然存在

如果这些关系已经在解析环节丢失，不要直接进入清洗。应该回到原文件重新解析，必要时保留原表坐标和单元格位置，供人工复核。

03把每条记录变成可以独立理解的内容

向量检索召回的通常是局部内容，不会自动把整张表的所有上下文一起带回来。

因此，适合知识化的表格记录，需要补全它所依赖的表头、单位、时间和共享条件。

假设业务负责人已经确认，空白的产品线和适用区域确实沿用上一行，前面的A200记录可以整理成：

注意，这段文字只能根据原表中已经确认的关系生成。

如果“空白代表沿用上一行”没有得到业务确认，就不能靠模型自行补全。无法确定的内容要标记待复核，而不是为了句子完整而猜一个答案。

04清洗并标准化关键字段

完成结构恢复后，再处理数据质量：

去除完全空白的无效区域和重复模板

统一日期、金额、币种和计量单位

统一产品、部门、地区和客户类型的命名

区分0、空值、不适用、待填写和未知

识别重复记录与冲突记录

标记失效、停用、草稿和待审批内容

对金额、日期、型号和公式进行重点复核

标准化的目的，是让同一业务对象拥有稳定表达，不是把不同含义强行改成同一种写法。

例如，“元/套”和“人民币元/套”可以统一；“含税价”和“未税价”不能因为都是价格就合并成一个字段。

05按问题类型选择存储和检索方式

治理后的结果可以进入不同位置：

规则说明进入文档知识库

版本、区域、产品、权限和有效期进入元数据

大规模明细进入数据库或数仓

公式和参数进入计算服务或规则引擎

原始Excel作为证据保留

高风险或无法判断的记录进入人工复核区

同一张Excel也可以被拆成多条路线。

比如报价模板中的“折扣审批规则”进入知识库，“客户名称和本次采购数量”属于业务数据，“报价公式”交给计算服务，最终报价单则作为一次业务记录留档。

这比把整个文件统一转成Markdown更复杂，但它更接近企业真实的数据使用方式。

06建立来源和验收机制

每条关键知识都应该能够回到原始证据，至少保留：

来源定位不一定都要展示给最终用户，但系统必须保留。

当业务人员质疑一个价格、参数或规则时，团队需要快速确认：它来自哪张表、哪个版本、哪个单元格，清洗过程中做过什么转换。

不能追溯的知识，出了问题就只能重新猜一次。

系统显示“解析成功”或“生成多少知识片段”，不代表表格已经可以使用。

正式入库前，可以用下面这组问题验收：

01工作簿、工作表和表格标题是否完整保留？

02多级表头是否恢复成了没有歧义的字段名？

03合并单元格表达的共享条件是否正确绑定到相关记录？

04空白单元格是否区分了未知、不适用、待填写和沿用上值？

05金额、单位、币种和时间范围是否与具体数据绑定？

06公式、输入值、引用关系和显示结果是否已经区分？

07隐藏行列、颜色、批注中是否存在尚未处理的业务信息？

08跨工作表引用和版本关系是否仍然可以追溯？

09明细数据、计算任务是否被错误地全部向量化？

10关键答案能否定位到原文件、工作表和原始单元格？

对于普通产品对照表，可以采用规则检查加人工抽样。

对于价格、合同金额、财务指标、库存和对外承诺，验收标准应该更严格。因为系统把一个词理解错，可能只是召回效果下降；把币种、单位或有效期理解错，可能直接变成业务风险。

企业处理Excel时，最容易被“格式统一”带偏。

好像只要把Excel转成Markdown，表格就变成了适合大模型使用的干净文本。可真正决定数据含义的，往往不是格式，而是表头、单位、条件、公式、版本和记录之间的关系。

Markdown可以是规则型表格的一种输出形式，却不应该成为所有Excel的默认终点。

面对一张表，企业更应该先完成四个判断：

它是在表达规则，还是保存明细？

它是在汇总统计，还是执行计算？

哪些内容适合被检索，哪些数据必须精确查询？

哪些结果可以长期保存，哪些必须根据实时条件重新计算？

这些问题弄清楚以后，解析、清洗、切分和入库才有正确的方向。

所以，Excel进入企业知识库的第一步，不是选择转换工具，也不是设置切分长度。

先判断这张表在业务里究竟是什么。

下一篇，我们继续聊图片、图表和流程图。

这类资料比Excel更进一步：很多信息根本没有直接写成文本，而是藏在位置、连线、颜色和图形关系里。OCR可以识别文字，但识别出文字，仍然不等于读懂一张图。

我是 小明，企业AI 落地顾问。不讲技术黑话，只聊 AI 落地的真实路径，欢迎带着你的企业AI落地困扰找我聊🤝