# 优化表格Agent检索效率：Ramp Labs集成Fast Ask子代理

- 来源：Berryxia.AI (@berryxia)
- 发布时间：2026-05-08 11:23
- AIHOT 分数：68
- AIHOT 链接：https://aihot.virxact.com/items/cmoweqt44056vslcxjaekn4sm
- 原文链接：https://x.com/berryxia/status/2052590246735585699

## AI 摘要

Ramp Labs在Ramp Sheets的Spreadsheet Agent中深度集成了Fast Ask检索子代理，解决了传统表格Agent因读取范围不当导致的效率低下和成本高昂问题。该子代理能自动导航并读取最相关数据范围，仅返回精炼答案，减少上下文污染与token消耗。其基于开源Qwen3.5-35B-A3B模型，通过与Prime Intellect合作进行RL后训练优化。实际应用中，它消除了主代理17.8%的无效工具调用，延迟接近Claude Haiku 4.5，准确率比Claude Opus 4.6高4个百分点，实现了更快、更准、更经济的系统性能。

## 正文

这套设计财务/表格Agent 来说必须按头安利一下！

Ramp Labs 把 Fast Ask 深度嵌入到了 Ramp Sheets 的 Spreadsheet Agent 里。

以前的 spreadsheet agent 检索信息时，要么读太少漏掉答案，要么读太多导致又慢又贵、还容易被无关 tab 分心。

现在他们专门造了一个叫 Fast Ask 的检索子代理，彻底把这个检索循环优化掉了。

真正的核心卖点是：主 Agent 再也不用自己瞎逛 workbook。

给它一个问题（比如"2025 年 3-5 月 South land 的累计净收入是多少？"），Fast Ask 就会自动导航表格、读取最相关的 range，最后只返回精炼后的答案给主 Agent 用，大幅减少上下文污染和 token 浪费。

他们和 Prime Intellect 合作，用 RL post-training 把开源 Qwen3.5-35B-A3B（激活参数约 30 亿）打造成这个专业模型。实际效果非常炸裂：
•在生产环境里，主 Agent 之前有 17.8% 的 tool calls 都浪费在打开 tab、读无关 sheet 上，现在这个瓶颈被干掉；

•Fast Ask 延迟接近 Claude Haiku 4.5，同时在 held-out eval 上比 Claude Opus 4.6 准确率还高 4 个百分点；

•整体 agent 系统既更快、更准，还更省钱。

具体实现上也收获满满：

•用了高度仿真业务的合成数据集，设计了 14 类任务（revenue rollup、invoice reconciliation、spend analysis 等），每类还生成多种自然语言变体，防止过拟合；

•Adversarial workbook 故意塞 decoy sheet、partial helper summary、模糊 identifier，训练模型学会避坑；

•工具接口极简（只有 get_workbook_metadata、read_ranges、run_python 三个），每 rollout 限 15 步，用 GRPO + 自定义 reward（1.0 correctness + 0.1 efficiency + 0.05 concise）让模型学会又准又快地输出可解析的 ANSWER；

•整个训练在 Prime Intellect 的 RL 平台上跑了 100 step，off-policy 异步设计让 rollout 不卡训练。

完美展示了 RL post-training 在"窄而可验证"场景下的威力：把 retrieval 这种重复、延迟敏感、可精确打分的子任务交给小专精模型去做，让前沿大模型专心做判断和推理，而不是浪费算力在翻表格上。

对做 Agent、尤其是财务/表格类 Agent 的同学来说，这套环境设计、reward shaping 和 subagent 思路，值得直接拿来复用。

### 引用推文

> Ramp Labs：http://x.com/i/article/2052422965019439105