[{"data":1,"prerenderedAt":86},["ShallowReactive",2],{"blog:detail":3},{"id":4,"title":5,"body":6,"description":12,"extension":66,"meta":67,"navigation":81,"path":82,"seo":83,"stem":84,"__hash__":85},"content/blog/0139-2026-10-28.md","给 AI 编一套设计词汇表的项目冲上 GitHub 榜首，表格解析走了另一条路",{"type":7,"value":8,"toc":57},"minimal",[9,13,18,21,24,27,31,34,38,41,44,48,51,54],[10,11,12],"p",{},"GitHub 每日趋势榜上，最近有一个名为 impeccable 的仓库排到了首位，单日新增收藏接近 2900。它的定位写得很简单：给编码智能体使用的一套设计词汇表。同期上榜的还有几个类似方向的项目——给智能体装配技能包的框架、把设计规范拆成可调用模块的仓库。这批项目指向同一个判断：AI 能做到什么程度，很大程度上取决于人能把意图说得多清楚。",[14,15,17],"h2",{"id":16},"ai-听不懂做个带合计的表单","AI 听不懂\"做个带合计的表单\"",[10,19,20],{},"同一个需求，\"做一个带合计的表单\"，交给不同的人，结果可能差很远。列宽多少、字段是什么类型、合计落在哪一行、跨页怎么处理——这些细节在人的脑子里是默认的，传到机器那里却需要被一条条说清楚。impeccable 这类项目想做的事，就是把人脑子里的默认规则整理成一套机器能读的词汇。",[14,22,23],{"id":23},"表格的结构藏在版式里",[10,25,26],{},"表格是个更典型的例子。一份 Word 里的检验记录表，人看一眼就知道：第一行是标题，第二行是表头，表头分两层，\"检测项目\"下面分\"标准值\"和\"实测值\"，中间几行是合并单元格，最后一列是判定结论。这些信息不需要被告诉，版式本身已经表达出来了。机器拿到同一份文件，则需要被显式描述：表头有几层、哪些单元格是合并的、每个字段是什么类型、有没有公式。描述得越完整，还原精度越高；缺一项，就只能靠推断。",[14,28,30],{"id":29},"flashtable-不要求描述直接读结构","FlashTable 不要求描述，直接读结构",[10,32,33],{},"FlashTable 走了另一条路。它不要求使用者先学会一套描述词汇，而是直接从原表读取结构：一份现成的 Word、Excel 或 WPS 表格整体复制粘贴进来，数十秒后得到一张版式一致的在线表单。使用者要准备的，仍然只是那份原表。",[14,35,37],{"id":36},"从-word-到在线表单中间发生了什么","从 Word 到在线表单，中间发生了什么",[10,39,40],{},"这条解析管线经过四个环节。第一步是版式识别，用 DOM 树映射算法把每个单元格映射为节点，按行列坐标和合并跨度重建层级，表头跨列数、合并关系、跨页表头是否重复都在这一步确定。第二步是字段匹配，解析字段名称和上下文语义，为每个字段匹配组件类型并绑定校验规则——日期对应日期选择器，金额对应数值输入并限定小数位，编号对应唯一性校验，结论对应枚举下拉。第三步是公式留存，检验记录里的合计、平均值、偏差、判定这类结果格，公式直接写在与结果对应的单元格上，随记录一并保存。第四步是数据回写，填写完成的数据按表单定义的结构输出为 JSON，通过标准 API 写入企业自有数据库。",[10,42,43],{},"这一步里有两件事值得说明。字段匹配统一了填写方式——同一字段只有一种填法，后续汇总不必再对齐\"合格\"\"合格√\"\"OK\"这类写法差异。公式留在单元格上意味着维护时改公式不需要改代码，也不需要重建数据表。",[14,45,47],{"id":46},"_92-和-75-的差距从哪来","92% 和 75% 的差距从哪来",[10,49,50],{},"FlashTable 的解析精度是 92%，行业平均约 75%。这个差距来自处理对象的不同。按文本流抽取，本质上是从已生成的文件里反推结构，能拿到的只有文字和大致位置，合并关系和表头层级要靠推断；从原表读结构，拿到的是结构本身。两种做法在简单表格上差别有限，一旦出现嵌套表头、合并单元格和跨页续排，差距就拉开——这些恰恰是文本流里信息损失最多的部分。",[10,52,53],{},"开源社区这一批项目，方向是把人的意图整理成机器可读的形式，代价是使用方要先掌握那套词汇。对已经在按既有格式填表的岗位来说，这个代价未必愿意承担。FlashTable 处理的就是这一层顾虑：不让人学新词汇，直接读人已经在用的那份表。",[10,55,56],{},"作为 AI 驱动的表单开发组件，FlashTable 以组件形态嵌入企业已有的系统，把 Word、Excel、WPS 表格按 1:1 还原成在线表单，解析表头层级与合并关系，匹配字段组件与校验规则，把公式留在单元格上，最终以结构化数据写入企业自有数据库。开源社区在给智能体编词汇表，FlashTable 让表格自己把结构说清楚。",{"title":58,"searchDepth":59,"depth":59,"links":60},"",2,[61,62,63,64,65],{"id":16,"depth":59,"text":17},{"id":23,"depth":59,"text":23},{"id":29,"depth":59,"text":30},{"id":36,"depth":59,"text":37},{"id":46,"depth":59,"text":47},"md",{"slug":68,"order":69,"date":70,"tag":71,"summary":74,"keywords":75},"github-design-vocabulary-vs-table-parsing",139,"2026年10月28日",[72,73],"行业热点","应用场景","GitHub 每日趋势榜上，一个给编码智能体做\"设计词汇表\"的仓库排到了第一，单日新增收藏接近 2900。同期上榜的还有给智能体装配技能包的框架、把设计规范拆成可调用模块的项目。这批项目指向同一个判断：AI 能做到什么程度，很大程度上取决于人能把意图说得多清楚。表格是个更典型的例子——一份 Word 检验记录表，人看一眼就知道表头有几层、哪些格是合并的，机器则需要被一条条告知。FlashTable 走了另一条路：不让人学新词汇，直接从原表读结构。本文拆解这条解析管线经过的四个环节。",[76,77,78,79,80],"表格解析","DOM 树映射","AI 组件匹配","表单开发组件","FlashTable",true,"/blog/0139-2026-10-28",{"title":5,"description":12},"blog/0139-2026-10-28","2N1k7rMvuonPOueTHJFwAgIwRFZ0Iv_k-AlLOv0czbQ",1794363091618]