基于持续经验驱动执行的深度表格研究

大语言模型在处理非结构化表格上的复杂长程分析任务时常常举步维艰，这类表格通常具有层级式与双向表头以及非规范布局。我们将这一挑战形式化为深度表格研究（Deep Tabular Research, DTR），它要求对相互依赖的表格区域进行多步推理。为解决DTR，我们提出一个新颖的智能体框架，将表格推理视为闭环决策过程。我们精心设计了耦合的查询与表格理解，用于路径决策与操作执行。具体而言，(i) DTR首先构建层级元图（meta graph）以捕获双向语义，将自然语言查询映射到操作级搜索空间；(ii) 为在该空间中导航，我们引入期望感知的选择策略，优先选择高效用的执行路径；(iii) 关键的是，历史执行结果被综合为孪生（siamese）结构化记忆，即参数化更新与抽象化文本，从而支持持续改进。在具有挑战性的非结构化表格基准上的大量实验验证了框架的有效性，并凸显了在长程表格推理中将战略规划与底层执行分离的必要性。