Forberedelse af Microsoft Works regnearksarkiver til AI- og RAG-søgning

TL;DR

LLM- og RAG-pipelines kan ikke indeksere .wks, .xlr, .wpt eller .wps filer direkte. Konverter ældre regneark lokalt til CSV, Markdown og XLSX, før de går ind i pipelinen. CSV og Markdown er de bedste input til indlejring og hentning; XLSX og PDF understøtter menneskelig gennemgang af, hvad modellen bliver vist.

AI kan ikke bruge, hvad det ikke kan læse

De fleste hentnings- og indlejringspipelines springer stille og roligt gamle regnearksbinærer over. Resultatet er et privat RAG-system, der selvsikkert besvarer spørgsmål ud fra en brøkdel af virksomhedens faktiske viden—ofte uden at nogen bemærker, hvad der blev udeladt.

Modernisering af arkivet er den uglamourøse men nødvendige forudsætning: rene, åbne formater frigør regnearkshistorien, som ældre formater holdt skjult.

Bedste målformater for RAG

1. CSV til tabulær indlejring

CSV er den reneste tabelinput. Hver række bliver en lille, forudsigelig del; kolonner bliver naturlig metadata. Par CSV med række-niveau metadata i indekset for filtrering efter år, enhed eller kildefil.

2. Markdown for narrative faner

Mange Microsoft Works filer inkluderer narrative faner—antagelser, ændringslogfiler, ledelsesresuméer. Markdown er mere venlig over for LLM-tokenisering end HTML eller PDF tekst, så opsummeringsfaner giver bedre referencer efter konvertering.

3. XLSX og PDF til menneskelig gennemgang

Når en anmelder har brug for at se, hvad modellen blev vist, er XLSX og PDF de formater, de forventer. Hold dem ved siden af CSV/Markdown, så modelhenvisninger visuelt kan spores tilbage.

Hold konverteringen privat

Hvis arkivet inkluderer finansielle, kundemæssige, medarbejder- eller driftsdata, bør konvertering ske før ethvert cloud AI-trin—og helst inden for det samme kontrollerede miljø, der huser resten af RAG-pipelinen.

Gratis online-konvertere er den forkerte afhængighed for et AI-system, der respekterer privatliv. De genintroducerer præcis de data-bopælsspørgsmål, som en privat LLM er designet til at fjerne.

Indekseringstips, der betaler sig senere

Indfang metadata pr. fil under konvertering: kildevej, outputvej, original filendelse, konverteringstidspunkt og eventuelt projekt, år eller enhed, der kan udledes fra mappestrukturen. Skub disse metadata ind i vektorlageret som filtrerbare felter.

Prøve-test hentning mod nogle få kendte historiske spørgsmål, før arkivet erklæres RAG-klar. Det rigtige spørgsmål afslører ofte faner eller antagelser, der skal med i indekset.

Stop med at bygge RAG på et delvist arkiv

En privat LLM er kun så klog som det korpus, den kan se. Konverter det gamle regnearksarkiv én gang, indeksér det med metadata, og lad modellen endelig læse, hvad virksomheden faktisk ved.