基于GenAI的智能体：技术文档中的表格结构设计

通过表格形式的文本来有效地呈现复杂信息。表格提供了一种简洁的方式，将大量信息浓缩并以视觉上吸引人的方式呈现。表格是一种自然的形式，可以向最终用户阐明复杂的信息结构，无需任何媒体工具。技术写作者使用表格数据来理解关键点、趋势、相似性和关系。这些数据使他们能够分析和构建文档。技术写作领域已经在内容创作过程中广泛采用了表格的使用。

表格内容以行和列的形式组织。表格通常包含标题信息，为每个单元格中的值提供上下文。任何简单的表格都可以重构为有序的层次结构，从而形成多维表格。世界上许多结构化信息都以表格形式组织。表格最简单的用例之一是目录，它以索引和主题的形式概括了整个知识库。有时，技术写作者根据内容类型以及用户体验界面限制，更倾向于使用行表或列表。列表更适合移动设备，而行表则更适合桌面设备。 大型语言模型面临挑战 大型语言模型基于互联网上大量的文本数据进行训练。这些文本数据是非结构化的，而表格的结构化特性给大型语言模型带来了独特的挑战。大型语言模型设计用于处理和解析海量的非结构化文本数据；当面对表格数据时，它面临着范式的转变。另一层复杂性在于对表格数据的数值推理和聚合，这些数据通常密集地混合了数值和文本信息。这可能导致关键细节被掩盖，从而可能影响大型语言模型的决策能力。尽管技术文档编写者倾向于以表格形式呈现某些信息，但大型语言模型在处理上的障碍，给如何利用这些表格信息来生成对客户问题（提示）的回应带来了挑战。为了帮助大型语言模型理解结构化信息，表格必须进行重构。 知识库内容中的表格需要被重构，以使其适合由大型语言模型驱动的业务应用程序摄取。以下是重构表格时应遵循的一些最佳实践： 

向 LLM 解析数据可以采用 Markdown 格式或 HTML 标签。Markdown 格式在表达表头信息和表格的多个维度方面存在局限性。HTML 标签提供了灵活性，但代价是 LLM API 施加的 Token 预算。建议避免使用表格，因为最先进的 LLM 技术仅能基于用户提示（问题）的表格内容产生 74% 准确的结果。技术作者应以文本形式而非表格形式来阐述复杂信息。现在，以表格格式（在输出/响应中）生成内容是用户的选择，而不是内容制作者的选择。因此，技术作者需要权衡这些表格，为最终用户提供更多自由。

大语言模型（LLM）能够以表格形式生成响应。如果你的组织有特定的表格结构要求，可以通过微调LLM使其适应你的组织表格格式，或者通过巧妙的用户提示工程也能实现。对于基于生成式人工智能（GenAI）的智能体生成的响应，技术作者必须针对特定用户问题（提示），依据表格内容来评估其质量。OpenAI Evals、RAGAS 和 Galileo labs 等框架为评估生成响应的质量提供了基础。

表格是表达复杂信息的优雅方式，这一点很重要。建议避免在知识库内容中添加表格。在特定情况下重构表格时，遵循上述提出的指导原则，将有助于当前的LLM技术提供商基于表格内容生成更准确的响应。鉴于基于GenAI的智能体将作为最终用户与你内容之间的接口，让最终用户自由选择他们希望响应以何种格式呈现是至关重要的。

Baklib是一款直观的知识库软件，可以轻松添加你的内容并与任何应用程序集成。立即尝试Baklib！

Baklib 可组合内容平台将内容构建块整合在一起，一次创建即可重复用于任何数字体验。随着数字体验和技术的发展，API 优先平台可轻松与数据源和新功能集成。借助内置编排、强大的应用生态系统和可轻松扩展平台的应用框架，Baklib 让整个企业的团队能够协同工作，更高效地连接、创建和扩展内容。Baklib 帮助公司释放数字内容的力量，使他们能够更快地构建和大规模交付，从而使其内容成为战略性业务资产。近 5 年来数千家公司依靠 Baklib 帮助他们将最佳创意变为现实。