先规划后行动：半结构化表格问题回答的智能推理方法

《Information Processing & Management》：Planning over actions: Agentic reasoning for semi-structured table question answering

　　•将表格问答问题转化为基于可执行表格操作的结构化推理形式。•利用树搜索方法遍历不同明确表格状态下的各类假设。•引入多智能体协商机制来验证完整的推理路径。•在多种表格问答基准测试中持续提升性能。引言半结构化表格在现实世界的各种信息来源中极为常见，包括网页、电子表格和PDF报告（Gupta等人，2020年；Herzig等人，2020年；Oguz等人，2022年）。它们承载着来自商业分析、财务报告和科学交流等不同领域的丰富且多样化的信息，是信息获取、分析及决策的重要资源。半结构化表格问答任务旨在通过针对表格内容进行推理来回答自然语言问题。通过连接自然语言理解与结构化数据推理，表格问答为模型提供了从复杂的半结构化表格中解读、分析并提取有用信息的有效手段。尽管具有实际意义，但由于现实世界表格的若干固有特性，半结构化表格问答仍然是一项具有挑战性的任务。挑战1：复杂且不规则的表格布局。与结构清晰的关系型表格不同，半结构化表格通常具有复杂而不规则的布局，包括多层标题、合并单元格、非矩形区域以及隐式的层次结构，同时还存在缺失或省略的字段。因此，表格的语义不再局限于单个单元格内，而是分散在标题层级、合并关系以及行列对齐等结构要素之中，这就形成了强烈的“结构即语义”特性（Chen等人，2021年；X. Liu等人，2022年；Yin等人，2020年；Zhang等人，2020年）。如图1所示，要正确解读表格，就需要结合层级标题结构和单元格上下文来确定完整的标题路径（例如“计划数值”与“实际数值”的区分）；“成本项目”列中的合并条目会将多行数据归类到相同的类别下；而“总计”行则汇总了计划值和实际值两列的数据。此外，合并单元格会形成不规则区域，模糊明确的行列边界，同时承载多种语义功能。这种结构复杂性极大地增加了可靠解析和语义确定的难度，因为哪怕是一个数值的含义也取决于其所在的层级结构、汇总范围以及与其他表格区域的关联关系。这种相互依赖性不仅阻碍了信息的精准定位，还加剧了将自然语言问题与相关表格结构对应起来的难度（Herzig等人，2020年；X. Liu等人，2022年；Pasupat和Liang，2015年；Yin等人，2020年）。挑战2：多步骤且组合式的推理过程。除了结构上的复杂性之外，针对半结构化表格回答问题通常还需要进行多步骤推理，这些步骤包括条件过滤、跨行和跨列引用、聚合、比较以及数值计算等操作（Chen等人，2020年；Zhu等人，2021年）。这些操作受到隐含的依赖关系和优先级约束的制约，进一步扩大了推理的空间范围。其中一个核心难点在于强烈的路径依赖性：在早期推理步骤中出现的错误可能会在后续步骤中不断蔓延和放大，即便后续的计算在局部是正确的，最终也可能得出错误答案。如图1所示，对于同一个问题，可能存在多种合理的推理路径，这些路径在如何基于表格结构以及如何应用中间约束方面存在差异。然而，一些现有的方法，比如MACT，通常只采用单一的线性推理路径；一旦在早期出现偏差，该错误就无法被修正，还会影响到最终结果（Bansal等人，2025年；Tyagi等人，2025年）。相比之下，TQA-Agent能够为同一个问题明确探索多种不同的推理路径，从而识别并排除错误的路径，同时保留有效的路径，第5节中的案例研究对此进行了进一步分析。挑战3：领域特定的语义和知识。半结构化表格往往源自医学、金融、法律和工程等专业领域，在这些领域中，表格的标题和单元格内容包含着该领域的专用术语、缩写以及隐含的惯例（Agarwal等人，2025年）。在这种场景下，要准确解读表格，通常需要借助背景知识以及基于上下文的推断，而不仅仅是简单的词汇匹配，这一难题在涉及领域特性的自然语言查询中同样存在（Chen等人，2020年）。例如，CRT和TReB数据集中的财务表格常常会出现“EPS”或“CAGR”这类指标，但却没有给出明确的定义；要回答有关盈利能力或增长速度的查询，就需要理解这些符号所代表的财务含义，因为它们无法被简单地视为独立的数值字段（Agarwal等人，2025年）。如果缺乏这样的语义基础，模型可能会给出在局部看似合理但实际上概念上错误的解读，而这些错误又会进一步影响到后续的推理过程。先前的研究已经指出，术语的歧义以及领域知识的不足是导致复杂表格推理任务失败的主要原因（Zhu等人，2021年）。为了解决这些挑战，近期有一些研究开始探索基于大型语言模型的半结构化表格问答解决方案（Jiang等人，2025年；Lu等人，2025年）。一种广泛采用的思路是将表格转换为文本序列，然后直接引导大型语言模型生成答案（Zhang等人，2025年；T. Zhang等人，2024年）。更为先进的方法则引入了明确的推理流程和工具使用机制，将复杂的查询分解为多个步骤，同时结合自然语言推理与可执行的表格操作，以提高推理的透明度和表达能力（Sholehrasa等人，2024年；Tang等人，2025年；Y. Zhang等人，2025年）。尽管这些方法在实验中取得了不错的效果，但它们仍存在一些固有的局限性。最明显的是，它们通常依赖于单路径、启发式驱动的推理方式，过早地确定了对表格结构的某种特定解读或某条特定的推理路径。由于复杂的布局和多步骤操作会导致巨大的、充满不确定性的推理空间，如果在结构解读或操作范围选择上早期出现偏差，就很难再加以纠正，而且也缺乏系统地对比不同假设的机制。此外，中间阶段的推理结果往往得不到充分评估，不同的推理策略也很少被整合起来，因此当半结构化表格存在多种合理的解读方式时，这类方法的稳定性就会降低。为了克服这些局限性，我们提出了TQA-Agent，这是一种用于半结构化表格问答的智能体推理框架。与遵循单一的线性推理路径不同，TQA-Agent将表格问答问题重新定义为基于明确表格状态和可执行表格操作的结构化状态-动作推理。它采用了基于UCB算法的树搜索框架，直接在结构化的表格状态上进行搜索，从而能够迭代地探索、评估并回溯不同的结构假设。为了进一步提升推理的可靠性，我们还引入了一种基于推理路径层面的协商机制，通过对比完整的可执行推理路径，在选择最终解决方案之前进行基于语义依据的验证。我们在四个半结构化表格问答基准测试集——CRT、TReB、SciTab和SSTQA上对TQA-Agent进行了测试，使用的核心模型分别是DeepSeek-V3、GPT-4o和Qwen2.5-7B-Instruct。实验结果表明，无论在何种数据集或核心模型条件下，TQA-Agent的表现都始终优于所有基线方法。具体而言，使用DeepSeek-V3时，TQA-Agent的平均答案准确率为71.56%，而使用GPT-4o时这一数值为73.38%，相比那些性能较强的基于大型语言模型的基线方法，分别实现了4.39%–13.62%和3.97%–13.10%的准确率提升。在使用Qwen2.5-7B-Instruct时，TQA-Agent的平均准确率为60.06%，比配置相当的自我一致性基线方法高出3.07个百分点。在不同的领域，包括金融、科学以及通用表格领域，以及在结构复杂程度不同的情况下，TQA-Agent的性能提升都十分稳定，这表明其优势主要来自于我们所提出的结构化搜索和智能体推理机制，而更强大的核心模型则起到了补充作用。总之，我们的贡献主要有三点：•我们将半结构化表格问答问题转化为基于明确表格状态和可执行表格操作的结构化状态-动作推理形式，从而实现了可解释且可执行的推理过程。•我们提出了一种基于树搜索的推理框架，该框架通过为半结构化表格量身定制的可组合语义动作来探索结构化的表格状态。•我们设计了一种基于推理路径层面的协商机制，通过对比完整的可执行推理路径来进行基于语义依据的验证，从而在复杂的表格结构下实现更可靠的推理。相关研究早期关于半结构化表格问答的研究主要依靠手工设计的规则和模板来实现问题的解析和答案检索（Pasupat & Liang，2015年）。虽然这类符号化方法具有很强的可解释性，但其在面对不同类型的表格结构和查询模式时，适应性和扩展性较差。后来，神经网络技术的出现部分缓解了这些问题，它通过端到端的训练方式，实现了对问题和表格的联合表示学习（Pan概述我们研究的是半结构化表格问答任务，该任务的目标是在给定半结构化表格T和自然语言问题Q的情况下，生成一个既忠实于表格内容又符合语义要求的答案Y。所谓忠实，指的是答案必须以表格的内容和结构为依据；而语义正确则要求答案必须满足问题中提出的所有约束条件。从形式上来看，这个任务可以被定义为学习一个映射函数：Y=f(Q,T)。为了解决这个问题，TQA-Agent对任务进行了重新定义实验我们通过实验来评估TQA-Agent的有效性及其内部工作机制，旨在回答以下研究问题：•RQ1：在不同的半结构化表格问答数据集和核心模型条件下，TQA-Agent是否能够持续展现出相较于强大基于大型语言模型基线方法的性能提升？•RQ2：不同类别的推理动作对TQA-Agent的整体性能有何影响？•RQ3：各个关键组件的设计选择在多大程度上影响了TQA-Agent的推理能力案例研究我们以图1中的示例为例，该示例要求找出计划总成本和实际总成本，以此来说明MACT与TQA-Agent之间的差异。MACT将这项任务视为单一路径的顺序推理过程，一旦做出某个中间决策就不再修改。在这个案例中，尽管MACT正确地找出了计划总金额（294,000），但在提取实际金额时却出现了对表格结构的误解，错误地选择了变动成本那一行的数值为什么TQA-Agent更有效？我们认为，TQA-Agent之所以更有效，主要是因为它在半结构化表格问答问题的处理方式上进行了根本性的转变：从单一次的启发式推理转变为在明确的操作空间内进行结构化的、有状态搜索的推理方式。TQA-Agent并非过早地确定对表格结构的固定解读或单一的推理路径，而是将推理视为在明确动作空间内的顺序决策过程。这种重新定义的方式直接解决了三个关键挑战结论在本文中，我们提出了TQA-Agent，这是一种多智能体推理框架，它将半结构化表格问答问题重新定义为在由可执行语义动作构成的明确空间内的结构化搜索问题。为了能够有效地处理复杂的半结构化表格，TQA-Agent借助由树搜索引导的探索过程来构建和优化多种推理路径，同时通过基于推理路径层面的协商机制来对比不同的路径，从而找到最可靠的答案。详尽的CRediT作者贡献说明黄江红：撰写——初稿、可视化、验证、项目管理、方法设计。云尚波：撰写——审阅与编辑、调研、形式分析、数据整理、概念构思。陈思琳：撰写——审阅与编辑、指导工作。顾晓东：撰写——审阅与编辑、指导工作。沈贝军：撰写——审阅与编辑、指导工作、软件开发、资源协调、资金筹措。利益冲突声明作者们声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢本研究得到了中国国家自然科学基金（项目编号62232003）以及上海市自然科学基金（项目编号25ZR1401175）的支持。黄江红|云尚波|陈思琳|顾晓东|沈贝军