作者写了什么，Agent 读到什么：企业文档摄入中的静默线索丢失
你是企业的合规官。手头有 76 份内部政策文档，每份 50 到 300 页不等，你全喂给了一个 AI Agent，问它：这份文档里哪些是必须遵守的？
目录
一个被忽视的灾难场景
你是企业的合规官。手头有 76 份内部政策文档，每份 50 到 300 页不等，你全喂给了一个 AI Agent，问它：这份文档里哪些是必须遵守的？
Agent 列了 20 条，口气相当笃定。
你去和原文一对——坏了。真正要紧的要求漏了一半，反倒是作者压根没强调的普通句子，被它标成了“必须遵守”。
这不是 Agent 笨。它跑的是 Claude Opus 5 或 GPT-5.6。毛病出在更前面的环节：.docx 转成 Agent 能读的文本时，作者拿颜色、高亮标出来的关键信息，被悄悄丢掉了。
这篇论文把这事量化了。数字相当难看。
静默丢失的三重危险
作者把这种失败称为"静默线索丢失"（Silent Cue Loss），它有三个特征让它比普通的格式丢失更危险：
1. 静默性：文档摄入管道不会报告"我丢了一些信息"。没有警告、没有错误码、没有监控触发。Agent 拿到的文本看起来完整，只是关键标记没了。
2. 反向失败模式：Agent 不是"不知道所以少回答"，而是"不知道所以乱回答"。它的假阳性率——把作者没标记为要求的句子当成要求——飙升到正确方法的四倍。Agent 不是在犹豫，是在自信地胡说。
3. 普遍性：这不是个别文档的边缘情况。在 6460 份真实 .docx 政策文档中，32.8% 带有刻意的颜色或高亮标记，10.3% 在表达义务的句子上带有标记。三分之一的文档受影响，这是企业文档的常态。
数字：从 0.690 到 0.075
实验设计很直接：76 份真实政策文档，每份有作者用红色文字或高亮标记的"要求"句子，以及未标记的"非要求"句子。让 Agent 在不同文档摄入方式下回答"列出所有要求"。
结果（micro F1）：
- 正确保留格式的方法：0.690
- docling（主流文档转换器）：0.150
- 纯文本：0.075
更糟的是假阳性率。docling 的假阳性率——把作者没标记的句子误报为要求——是正确方法的四倍。Agent 不是"少回答了"，而是"乱回答了"。
定位：不是所有格式都重要
论文做了一个精细的消融实验：逐个线索类别做留一法分析，看哪类格式线索对准确率贡献最大。
六类线索：高亮、颜色、加粗、斜体、等宽体、删除线。
结果：
- 高亮：+0.302（Holm 校正后 p < 1e-4）
- 颜色：+0.262（p < 1e-4）
- 加粗：±0.003（不显著）
- 斜体：±0.003（不显著）
- 等宽体：±0.003（不显著）
- 删除线：±0.003（不显著）
这个发现把"格式很重要"这个模糊的直觉变成了一个具体的、可操作的结论：你只需要保留颜色和高亮，其他格式线索可以扔掉而不影响 Agent 表现。
看到线索还不够，还得告诉 Agent 它是什么意思
论文还有一个预注册实验：仅仅保留颜色线索够不够，还是需要额外告诉 Agent "红色表示重要"？
结果：保留颜色 + 告诉 Agent 颜色含义比只保留颜色再提升 +0.085（Holm 校正后 p = 0.049）。
这意味着线索丢失有两层： 1. 感知层丢失：转换器把颜色扔了，Agent 根本看不到 2. 语义层丢失：即使 Agent 看到颜色，如果不知道"红色=重要"，它也不会利用
修复需要两层：先保留感知（让 Agent 看到颜色），再补上语义（告诉 Agent 颜色代表什么）。
为什么主流转换器会丢
主流文档转换器（docling、unstructured 等）的设计目标是"把文档变成干净的文本"。在这个目标下，颜色和高亮是"视觉装饰"，不是"语义内容"，自然会被丢弃。
但这个设计假设是错的。在企业文档中，颜色和高亮不是装饰，是作者明确标注的语义信号。作者用红色标记"必须遵守"，用黄色高亮标记"注意风险"——这些信号和文字内容一样重要。
更糟的是，没有任何主流文档解析基准测试颜色和高亮的保留。解析器的 benchmark 测的是"能不能正确提取文字"、"能不能识别表格"、"能不能处理公式"——但不测"能不能保留颜色"。所以解析器在 benchmark 上表现良好，但在真实场景中静默失败。
对 Agent 构建者的实用建议
论文的实践建议很明确：
1. 摄入环节是可靠性的胜负手
不要把所有精力花在推理和检索上。如果你的文档摄入丢了关键信息，再强的推理也救不回来。摄入，不是推理，是可靠性被赢或输的地方。
2. 修复成本低且可测量
保留颜色和高亮不需要复杂的 ML——只需要在 OOXML 解析时读取 run properties，把颜色信息作为结构化标记保留下来。成本极低，效果可量化（F1 从 0.150 到 0.690）。
3. 不要信任"看起来干净"的文本
纯文本看起来完整、可读、没问题。但"看起来完整"和"信息完整"是两回事。任何从 .docx 或 PDF 转纯文本的管道，都可能静默丢失关键语义信号。
更大的图景：多模态 Agent 的盲区
这篇论文指向一个更广泛的问题：当前 LLM Agent 的"多模态"能力有盲区。
我们说"多模态"时，通常指"能看图片、能听音频"。但文档也是一种模态——它有视觉结构（颜色、高亮、布局、字体），这些视觉结构承载语义信息。把文档降维成纯文本，等于扔掉了一整个模态。
这和之前 VLM（视觉语言模型）在文档理解上的发现一致：VLM 能看到文档的视觉结构，但当前大多数 Agent 框架不用 VLM 来读文档，而是用文本转换器 + 纯文本 LLM。这个管道在"颜色和高亮"这类视觉语义信号上系统性失败。
未来的 Agent 可能需要直接用 VLM 来读文档——不是"转换成文本再理解"，而是"像人一样看文档"。在那之前，至少应该在文本转换管道中保留颜色和高亮信息。
诚实评价
论文有局限：
- 任务类型单一：只测了"列出要求"这一种任务。颜色和高亮在其他任务（总结、问答、信息提取）上的重要性可能不同。
- 领域特定：政策文档可能比其他类型文档更依赖颜色标记。营销文档、技术文档、法律合同的格式语义可能不同。
- +0.085 的语义提升边际不大：p = 0.049 刚好过 0.05 线，效应不大，作者也诚实报告了这一点。
论文：arxiv.org/abs/2610.30026 代码：论文声明将开源