你给 InfiniSynapse 一份资料，我们把它变成一张可计算的表

先说结论：这不是"文档问答"，而是把资料变成表

很多人第一次看到文档理解或图像识别工具，会觉得这只是"对着资料聊天"——上传截图、PDF、Word、Excel，问几个问题，得到一段文字回答。

但 InfiniSynapse 做的事情更进一步。

当你上传一份资料（一张账单截图、一份财报 PDF、一个 Word 报告、一张销售报表、一个 Excel 文件、一份运营数据看板），我们不只是用模型读文档、看图片、回答问题。

我们会做一件更根本的事情：从非结构化或半结构化资料中抽取结构化表格，并把它映射成真正可计算的数据表。

这张表不一定需要落地到你的数据库，也不一定需要被持久化保存。它可以被映射在 InfiniSynapse 的引擎空间里，成为当前分析任务中的可计算对象。

然后，所有计算交给 SQL。

这就是为什么 InfiniSynapse 能给出高准确度、可复现、可审计的分析结果。

这次任务页：先从一张花费截图开始

我重新访问了这个真实任务页：用户上传了一张 API 调用花费截图，然后问了一句：how much did i spend ?

图 1：InfiniSynapse 对上传截图中的 8 条花费记录完成识别，并给出总花费。

系统首先从图片中识别出每条调用的时间、输入 token、输出 token 和成本，并计算得到：

• 总输入：396,286 tokens
• 总输出：8,562 tokens
• 总花费：$0.6067
• 最高单次调用：09:26，$0.1080

更关键的是，任务完成后页面给出了一个推荐动作：Map to table and calculate with SQL。这一步正是本文要讲的核心：从资料中的数字，走向表，再走向 SQL。

图 2：同一任务继续执行"映射成表并用 SQL 计算"的动作。

从资料到表：先把非结构化内容装进可计算上下文

InfiniSynapse 在追问中先把截图里的花费记录整理为 JSON，再把它装入会话变量。这一步看起来朴素，却是后续可靠计算的基础：每一行记录都必须有稳定字段，而不是只存在于模型的自然语言描述里。

图 3：系统将花费明细整理为结构化 JSON，为后续建表做准备。

接着，系统把 JSON 装载成表视图。此时原始资料里的数据已经不再只是像素、文本或文件内容，而是具备了表格语义：时间是一列，输入 token 是一列，输出 token 是一列，成本也是一列。

图 4：截图中的花费记录被映射成可查询的表格数据。

有了这张表，计算就不再依赖大模型"心算"。它可以被聚合、排序、求平均、找最大值，也可以继续和其它数据表做联结，完成更复杂的关联分析。

更重要的是，这里的"表"首先是 InfiniSynapse 引擎空间里的计算映射。它可以服务于当前任务的分析、联结和推理，不要求用户先建库、导表、维护数据仓库。

再到 SQL：让计算变成可复查的步骤

在这个任务里，系统随后执行了汇总计算：总花费、调用次数、平均单次成本、最大/最小成本等指标都可以从表里直接算出。

图 5：系统基于结构化表执行汇总统计，结果可以被复查。

最后，系统还可以按时间展示全部明细，让用户看到每一行数据如何参与最终结果。

图 6：明细行保留下来，最终答案不是黑箱生成，而是可以回到每条记录核验。

一份资料进入系统后，会发生什么

当一份资料上传到 InfiniSynapse，它会经历一个完整的结构化转换流程：

图 7：资料不是直接进入最终回答，而是先被解析、结构化、表格化，再交给 SQL 计算。

每一步的核心价值

1. 大模型表格理解与抽取：通过大模型理解资料中的内容，识别并抽取里面的表格结构——行列关系、合并单元格、表头层级、跨页延续、嵌入图片和附件内容。

2. 表格候选确认：一份资料里可能有多个独立表格，大模型会结合上下文判断哪些内容是真正的数据表，哪些只是排版、说明文字或装饰性信息。

3. Schema 归一化：这是最关键的一步——把大模型抽取出的表格，转化成数据库意义上的表：

   • 列名规范化
   • 数据类型推断（数字、日期、货币、百分比）
   • 单位统一处理
   • 缺失值处理

4. 引擎空间表映射：至此，资料中的数据已经成为第一公民——可以被查询、联结、聚合、开窗；它可以存在于 InfiniSynapse 的引擎空间里，而不必先落地或持久化。

5. SQL 计算引擎：所有分析需求最终都翻译成标准 SQL，由计算引擎执行，而不是让大模型直接在上下文里猜结果。这是准确度的根本保障。

为什么表格化 + SQL 会更准

我们用一张表来说明两种架构的差异：

这不是模型能力的比拼，而是架构选择的差异。

把非结构化或半结构化资料，先转换成熟悉、可靠、经过几十年工业验证的关系型数据表，再映射到 InfiniSynapse 引擎空间中进行 SQL 计算——这是 InfiniSynapse 准确性的基石。

复杂统计计算：SQL 能做的不只是求和

一旦数据变成了表，你能做的就远不止"总和是多少"这种简单问题。

举个例子，假设我们从一份销售资料中提取出了这样的数据表（示意）：

sales_data 表结构示意：

以下是一些典型的 SQL 计算场景：

1. 分组聚合 + 贡献率

-- 按区域统计销售额，并计算各区域对总销售额的贡献率
SELECT 
    区域,
    SUM(销售额) AS 区域总销售额,
    ROUND(SUM(销售额) * 100.0 / (SELECT SUM(销售额) FROM sales_data), 2) AS 贡献率_百分比
FROM sales_data
GROUP BY 区域
ORDER BY 区域总销售额 DESC;

2. 窗口函数：月度环比

-- 计算各产品线的月度环比增长率
SELECT 
    产品线,
    月份,
    销售额,
    LAG(销售额) OVER (PARTITION BY 产品线 ORDER BY 月份) AS 上月销售额,
    ROUND((销售额 - LAG(销售额) OVER (PARTITION BY 产品线 ORDER BY 月份)) * 100.0 
          / NULLIF(LAG(销售额) OVER (PARTITION BY 产品线 ORDER BY 月份), 0), 2) AS 环比增长率
FROM sales_data
ORDER BY 产品线, 月份;

3. Top N + 方差分析

-- 找出表现最好的 5 个区域-产品线组合，并计算偏差程度
WITH monthly_performance AS (
    SELECT 
        区域,
        产品线,
        AVG(销售额 / 目标额 * 100) AS 平均达成率,
        STDDEV(销售额 / 目标额) AS 达成率波动率
    FROM sales_data
    GROUP BY 区域, 产品线
)
SELECT *
FROM monthly_performance
ORDER BY 平均达成率 DESC
LIMIT 5;

这些只是 SQL 能力的冰山一角。当数据被正确表格化后，你能回答的问题复杂度只受限于你的分析思维，而不是模型能力。

多份资料怎么做多维对比

很多分析场景不是看一份资料，而是对比多份资料——比如"这个季度 vs 上个季度"、"预算 vs 实际"、"A 版本 vs B 版本"、"合同约定 vs 实际执行"。

InfiniSynapse 支持同时上传多份截图、PDF、Word、Excel 等资料，分别结构化后做联结对比。

对比前的关键步骤

1. 维度对齐：确认两张表的维度列是否可对应（比如都是"区域"、"产品线"）
2. 指标对齐：确认指标名称和口径是否一致
3. 单位归一化：自动处理货币单位、时间单位、千/万/亿等数量级
4. 缺失维度补全：一份资料有而另一份资料没有的维度如何处理

对比 SQL 示例

假设我们有两份资料分别提取出 q1_sales 和 q2_sales 两个表：

-- 两季度各区域销售额对比
SELECT 
    COALESCE(q1.区域, q2.区域) AS 区域,
    q1.总销售额 AS Q1销售额,
    q2.总销售额 AS Q2销售额,
    q2.总销售额 - q1.总销售额 AS 差额,
    ROUND((q2.总销售额 - q1.总销售额) * 100.0 / NULLIF(q1.总销售额, 0), 2) AS 增长率_百分比
FROM (
    SELECT 区域, SUM(销售额) AS 总销售额 FROM q1_sales GROUP BY 区域
) q1
FULL OUTER JOIN (
    SELECT 区域, SUM(销售额) AS 总销售额 FROM q2_sales GROUP BY 区域
) q2 ON q1.区域 = q2.区域
ORDER BY 增长率_百分比 DESC NULLS LAST;

这种精确的维度对齐计算，在纯文档对话或纯视觉对话模式下是难以可靠完成的。

多份财报：从很多小表格到跨报告同比环比

这是企业用户最关心的场景之一。

一份标准的财报 PDF 里，可能有几十甚至上百个小表格——利润表、资产负债表、现金流量表、各业务分部数据、地区数据、附注表格等等。

如果你有连续多个季度、连续多年的财报，InfiniSynapse 可以把所有这些分散的小表格，统一映射成结构化数据表，然后在引擎空间里做跨报告的时间序列分析。

图 8：多份财报里的小表格被统一映射成结构化计算对象，再用 SQL 做同比、环比和趋势分析。

跨财报同比分析 SQL 示例

假设我们从多份财报中提取并整合出 financials 表：

-- 计算各财务指标的同比增长率
SELECT 
    报告期,
    营业收入,
    LAG(营业收入, 4) OVER (ORDER BY 报告期) AS 上年同期营收,
    ROUND((营业收入 - LAG(营业收入, 4) OVER (ORDER BY 报告期)) * 100.0 
          / NULLIF(LAG(营业收入, 4) OVER (ORDER BY 报告期), 0), 2) AS 营收同比增速,
    
    净利润,
    LAG(净利润, 4) OVER (ORDER BY 报告期) AS 上年同期净利,
    ROUND((净利润 - LAG(净利润, 4) OVER (ORDER BY 报告期)) * 100.0 
          / NULLIF(LAG(净利润, 4) OVER (ORDER BY 报告期), 0), 2) AS 净利同比增速,
    
    ROUND(净利润 * 100.0 / NULLIF(营业收入, 0), 2) AS 净利率
FROM financials
ORDER BY 报告期;

这就是为什么金融分析师、投资者、财务团队会喜欢 InfiniSynapse——你不再需要手动从几百页 PDF 里复制粘贴数据。

上传所有财报，系统自动把所有小表格变成一组可查询的引擎空间表，然后你可以用 SQL 回答任何时间序列问题。

这件事对企业数据分析意味着什么

理解了"资料 → 表 → SQL"这个架构，你就能明白 InfiniSynapse 对企业数据分析的真正价值：

1. 打通非结构化到结构化的最后一公里

企业里 80% 的数据分散在 PDF 报告、Word 文档、截图、扫描件、Excel 内嵌表格、邮件附件和业务系统导出的杂乱文件里。这些数据"看得见但用不了"——你能打开看，但没法直接计算。

InfiniSynapse 就是这最后一公里的转换器。

2. 分析结果的可审计性

SQL 是白盒的。每一个计算结果都可以追溯到原始数据和计算逻辑，这对合规要求高的行业至关重要。

3. 与现有数据栈的无缝衔接

SQL 是数据行业的通用语言。InfiniSynapse 映射出的结构化数据，既可以在引擎空间里完成即时分析，也可以按需对接你的 BI 工具、数据仓库、分析平台。不需要更换任何现有基础设施。

4. 分析思维的释放

当数据提取和表格化不再是瓶颈，分析师可以把精力真正放在"问对问题"和"解读洞察"上，而不是花 80% 的时间做数据清洗。

如何体验

InfiniSynapse 提供三种部署形态，满足不同规模和需求的用户：

同时，我们提供 Command Tools，让 Agent 生态系统可以直接调用 InfiniSynapse 的能力。你可以从这里下载二进制并放入 PATH：

👉 https://www.infinisynapse.cn/tools

无论你是手动使用，还是通过 Agent 自动化工作流集成，InfiniSynapse 的核心承诺始终不变：

给我们一份资料，还你一张可计算的表。

写在最后

今天的 AI 应用很多都在追求"看起来智能"的体验。

InfiniSynapse 选择走一条更朴素但更根本的路：把非结构化和半结构化资料，转化为工业界已经用了几十年的、经过充分验证的结构化数据基础设施。

这条路可能不那么"炫"，但它能给你真正可靠的分析结果。

因为我们相信，企业数据分析最需要的不是惊喜，而是信任。

不是"这个回答好像对"，而是"这个回答我可以拿去做决策"。

这就是 InfiniSynapse。

欢迎体验。