提示工程解决不了所有办公任务

办公 Agent 的早期产品常用通用模型加提示词控制 Excel 或 Sheets。简单任务可以跑通：改个格式、写个公式、筛个数据。但复杂工作簿会暴露问题。

表格任务的难点在于状态和工具。Agent 要知道该读哪个 sheet、选哪个区域、用什么函数、是否保留格式、公式是否跨表引用。一步错，后面都可能错。

Spreadsheet-RL 的判断是：真实表格工作流需要专门训练，而不只是更长 prompt。

论文的训练环境

论文提出 Spreadsheet Gym，在现实 Microsoft Excel 环境中训练表格 Agent。它通过 Python sandbox 暴露 Excel 功能，并设计工具集和 tool-routing rules，让 Agent 能多轮操作表格。

数据方面，论文从在线论坛收集 paired start-goal spreadsheets，构造可扩展训练管线；同时编译 Domain-Spreadsheet benchmark，覆盖金融、供应链管理等领域任务。

这种设计的让训练目标更贴近真实文件变化，而不是让模型只在文本里描述该怎么做。

结果说明了什么

论文报告，Spreadsheet-RL 把 Qwen3-4B-Thinking-2507 在 SpreadsheetBench 上的 Pass@1 从 12.0% 提高到 23.4%，在 Domain-Spreadsheet 数据集上从 8.4% 提高到 17.2%。

提升幅度很明显，但绝对数值也提醒我们：真实表格 Agent 仍然很难。即使经过强化学习，Pass@1 也远未到可以无监督接管高风险表格的程度。

这恰恰是它的价值。它把办公 Agent 从「看起来能操作软件」的演示，拉回可量化训练和评测。

对应用开发的启发

第一，垂直办公场景可能需要小而专的 Agent，而不是只把最大通用模型接到工具上。第二，训练环境要能反映真实软件状态，不能只用抽象 API。

第三，评测应关注最终文件质量。用户不会因为模型思路正确就接受一个损坏公式的工作簿。

对中国企业软件团队来说，表格 Agent 是很现实的落点。但上线策略应该保守：先做低风险修订、批量检查、公式解释和辅助生成，再逐步进入自动改表和审批流。