围绕表格识别、提示词设计、复杂表处理与批量校验，给出可复现的DeepSeek数据提取流程。
表格数据散落在Excel、PDF、扫描件和业务系统导出文件里，人工转录不仅慢，还容易在金额、编号和日期上出错。DeepSeek能读文件、能按提示词整理结构，但它不是一键清洗工具，输出质量取决于输入准备、字段定义、提示词约束和校验机制。作为AI指导老师，我在课程里反复强调一个原则：先让模型把表读对，再让它把表填齐，最后用规则把结果验住。下面按四个环节拆解可复现的实操路径。
1. 场景拆解与文件预处理
很多学员一上来就问DeepSeek能不能直接读Excel并给出完整表格，真正的答案取决于文件形态、版式复杂度和目标字段。原生Excel与CSV的解析相对稳定，可复制文本的PDF次之，扫描件和手机拍照则要先做OCR，否则模型看到的是图像而不是单元格。AI指导老师在开课前应带学员做场景拆解：这份表要提取哪些字段，字段粒度是行级还是汇总级，结果用于预览、入库还是二次统计，不同用途对格式和精度的要求完全不同。
预处理阶段最容易省掉却最影响结果。多工作表文件要先确认目标sheet，合并单元格要拆成规整表头，页眉页脚、空白行、合计行和小计行要标记或剔除，扫描件要保证清晰度和正向摆放。以一个课程报名表为例，原表有合并的“班型”列和手写备注，直接上传后模型可能把备注混入姓名；先清理无关列并把表头改成“姓名、手机号、班型、缴费状态、报名日期”，提取稳定性会明显提升。
目标字段的定义也要在预处理时落成字段字典，写清中文名、英文名、数据类型、是否必填、枚举值和缺失值规则。财务报表提取科目、本期金额、上期金额时，金额要明确是否含千分位、是否保留两位小数；成绩单提取学号、姓名、科目、分数时，要明确一条记录对应一个学生一个科目。字段字典看似增加准备时间，却能让后续提示词、校验脚本和人工复核有共同依据。
2. 提示词与结构化输出设计
提示词不能只写“帮我把表格提取成Excel”，而要把任务边界、字段顺序、输出格式和异常处理一次说清。一个可用的写法是让模型扮演数据录入专员，从上传文件中逐行提取指定字段，输出为Markdown表格，列顺序固定，缺失值填写“未提供”而不是猜测，保留原始行号，金额只保留数字和小数点，日期统一为YYYY-MM-DD。这样的约束能让模型知道什么能做、什么不能做，也方便后续把Markdown转成CSV或直接粘贴进表格软件。
输出格式要跟使用场景匹配。Markdown表格适合课堂演示和快速目检，CSV适合导入Excel、数据库或BI工具，JSON适合程序化处理和字段嵌套。教学时我会让学员先用小样本跑Markdown，确认字段和行数无误后再要求CSV；如果字段需要进入业务系统，则要求JSON并固定键名。提示词里加入一两个输入输出示例比堆砌形容词更有效，例如给一行原始记录和一行期望结果，模型对日期格式和金额清洗的理解会更稳定。
结构化输出还要处理边界情况。提示词应要求模型遇到空单元格、重复行、合计行、跨页续表时明确标注，不要自行补全；对不确定的内容输出“待核”并说明原因，而不是编造。很多失败案例不是模型读不懂表，而是提示词没有规定“不知道怎么办”，于是模型用看似合理的值填满空白。作为AI指导老师，我会把提示词版本号、样本文件和首轮输出一起存档，方便复现和对比。
3. 复杂表格与异常数据的处理策略
复杂表格的难点通常不在字段多少，而在版式。多层表头、合并单元格、跨页续表、扫描倾斜、手写批注和单位混用，都会让一次性提取失真。处理合并单元格时，可以要求模型先输出表头识别结果，确认哪一行是主表头、哪些列属于合并区域，再要求把合并值向下填充到每一行；跨页表要先按页码拼接，保留页码和行号，再分段提取。扫描件则要先OCR，关键数字如金额、身份证号、发票号必须人工抽检，不能把OCR结果直接当事实。
长表还要考虑上下文长度和批次管理。一张几百行的表一次性塞给模型，容易出现后半段字段错位或行数缺失，更稳妥的做法是按50行到100行分批，给每批编号并保留原始行号，最后合并时用行号去重。发票提取是典型场景，需要字段包括发票号、开票日期、金额、税额和销售方，但手写备注、印章文字、二维码信息不应混入结构化字段；如果业务需要备注，应单独设一列并标明来源。
异常数据要有明确规则。空值、负数、合计行、重复行、单位不一致的金额，都要在提示词和校验脚本里写清处理。金额列出现“1.2万”时要统一换算成12000并记录换算规则，日期出现“3/5/2024”时要确认是3月5日还是5月3日，同一发票号重复出现时要标记而不是直接删除。教学中最有效的是让学员先列出十种可能的脏数据，再把这些情况写进提示词和抽检清单，模型输出就不会看起来整齐却经不起核对。
4. 批量流程与质量校验机制
批量提取要把单次成功变成可重复流程。文件先按业务日期和批次命名，建立批次清单，记录文件名、页数、行数、提取时间和提示词版本；网页版适合小批量演示和即时调整，API适合固定字段的批量任务，但需要处理限流、重试和失败日志。每个文件的结果单独落盘为CSV或JSON，不要全都堆在一个聊天窗口里，否则后期无法定位哪一批出错。对教学班级来说，可以让学员两人一组，一人负责跑批，一人负责抽检，形成最基础的分工。
质量校验至少覆盖完整性、类型、枚举和总量四类。完整性看必填字段是否为空、行数是否与原始表一致；类型看金额是否为数字、日期是否可解析、手机号是否为11位；枚举看缴费状态是否落在“已缴、未缴、部分缴”等约定值内；总量看金额合计与原始合计是否接近。抽检要随机抽取百分之十到百分之二十，重点核对金额、编号和姓名，发现系统性错误就回到提示词修正，而不是逐条手工改结果。一个五十份报名表的案例中，先抽五份调提示词，再全量跑，最后用脚本校验手机号和缴费状态，返工量会明显低于直接全量提取。
交付时不要只给一张结果表。字段字典、提示词版本、原始文件清单、结果文件、校验记录和未解决异常要一起归档，学员才能理解每一个数字从哪里来。AI指导老师的价值也在这里：不是替学员点一次上传按钮，而是把提取、校验、修正和归档串成闭环，让DeepSeek承担重复录入，让人负责规则和最终判断。
