为什么表格是 Agent 的硬场景

企业软件里最难替代的界面，常常重点是表格。财务模型、预算表、供应链台账、投研测算和运营报表，都在 Excel 或 Google Sheets 里长期存在。

这类任务对 Agent 很不友好。它不是一次问答，也不是单步工具调用。Agent 要读懂表结构，识别公式，处理跨 sheet 引用，保留格式和业务含义，还要避免把已有模型改坏。

WorkstreamBench 值得关注，是因为它把评测对象放到金融表格工作流上。金融因为它天然要求准确性、可追溯和业务语境。

端到端比单步更重要

很多 spreadsheet benchmark 评测的是单个操作：写公式、筛选数据、生成图表、修改单元格。它们有价值，但离真实工作还有距离。真实任务通常是一串动作：理解目标、检查输入、补齐数据、调整公式、生成结果、解释变化。

端到端任务的难点在于中间状态会累积。前一步选错区域，后面的公式就全错；一次格式破坏，用户可能无法信任结果；一个隐藏 sheet 没读到，结论就可能偏。

这类评测比普通问答更能暴露 Agent 的实际可用性。一个模型会解释财务概念，不等于它能改好一张真实工作簿。

对产品团队的提示

如果要做金融或企业办公 Agent，评测集不能只来自通用能力榜单。团队需要把真实工作簿、真实流程、真实错误类型整理成内部 benchmark。

指标也不能只看最终答案。至少要看文件是否可打开，公式是否保留，关键单元格是否正确，格式是否破坏，修改是否越界，解释是否能对上实际差异。

这会把产品路线从「聊天助手」推向「工作流执行器」。用户真正愿意付费的，重点是它能在一份复杂表里稳定完成可检查的修改。

需要警惕的地方

金融表格评测容易遇到数据代表性问题。公开样本往往比企业内部表格干净，真实文件里会有历史遗留公式、手工批注、合并单元格、隐藏行列和非标准命名。

另外，端到端任务越真实，评分也越难。完全自动化评分可能漏掉业务合理性，纯人工评分又成本太高。未来这类 benchmark 很可能要结合规则检查、文件 diff、业务断言和人工抽查。

WorkstreamBench 的意义是把方向摆正：企业 Agent 不该只在浏览器和代码仓库里证明自己，表格工作流会是它必须跨过的一道门槛。