Vorbereitung von Microsoft Works-Tabellenarchiven für KI- und RAG-Suche

TL;DR

LLM- und RAG-Pipelines können .wks-, .xlr-, .wpt- oder .wps-Dateien nicht direkt indexieren. Konvertieren Sie alte Tabellen lokal in CSV, Markdown und XLSX, bevor sie in die Pipeline gelangen. CSV und Markdown sind die besten Eingaben für Einbettung und Abruf; XLSX und PDF unterstützen die menschliche Überprüfung dessen, was dem Modell gezeigt wird.

KI kann nicht das verwenden, was sie nicht lesen kann

Die meisten Retrieval- und Embedding-Pipelines überspringen stillschweigend alte Tabellenkalkulations-Binärdateien. Das Ergebnis ist ein privates RAG-System, das Fragen nur aus einem Bruchteil des tatsächlichen Wissens des Unternehmens selbstbewusst beantwortet – oft ohne dass jemand merkt, was ausgeschlossen wurde.

Die Modernisierung des Archivs ist die unspektakuläre, aber notwendige Voraussetzung: Saubere, offene Formate erschließen die Tabellenkalkulationsgeschichte, die alte Formate im Dunkeln hielten.

Beste Zielformate für RAG

1. CSV für tabellarische Einbettung

CSV ist die sauberste tabellarische Eingabe. Jede Zeile wird zu einem kleinen, vorhersehbaren Abschnitt; Spalten werden zu natürlichen Metadaten. Kombiniere CSV mit Zeilenmetadaten im Index, um nach Jahr, Einheit oder Quelldatei zu filtern.

2. Markdown für narrative Tabs

Viele Microsoft Works Dateien enthalten narrative Registerkarten – Annahmen, Änderungsprotokolle, Zusammenfassungen für Führungskräfte. Markdown ist freundlicher zur LLM-Tokenisierung als HTML oder PDF Text, daher eignen sich Zusammenfassungsregisterkarten nach der Konvertierung besser als Zitate.

3. XLSX und PDF zur menschlichen Überprüfung

Wenn ein Gutachter sehen muss, was dem Modell gezeigt wurde, sind XLSX und PDF die Formate, die er erwartet. Halten Sie sie neben CSV/Markdown, damit Modellzitate visuell zurückverfolgt werden können.

Halten Sie die Unterhaltung privat

Wenn das Archiv Finanz-, Kunden-, Mitarbeiter- oder Betriebsdaten enthält, sollte die Konvertierung vor jedem Cloud-AI-Schritt erfolgen – und vorzugsweise innerhalb derselben kontrollierten Umgebung, die den Rest der RAG-Pipeline hostet.

Kostenlose Online-Konverter sind die falsche Abhängigkeit für ein datenschutzfreundliches KI-System. Sie bringen genau die Fragen zur Datenaufbewahrung wieder hinein, die ein privates LLM beseitigen soll.

Indexierungstipps, die sich später auszahlen

Erfassen Sie pro Datei Metadaten während der Konvertierung: Quellpfad, Ausgabepfad, ursprüngliche Erweiterung, Konvertierungszeitpunkt sowie jedes Projekt, Jahr oder jede Entität, die aus der Ordnerstruktur abgeleitet werden kann. Übertragen Sie diese Metadaten in den Vektorenspeicher als filterbare Felder.

Beispiel-Testabfrage gegen einige bekannte historische Fragen, bevor das Archiv als RAG-fertig erklärt wird. Die richtige Frage zeigt oft Registerkarten oder Annahmen, die in den Index aufgenommen werden müssen.

Hör auf, RAG auf einem teilweisen Archiv aufzubauen

Ein privates LLM ist nur so schlau wie der Korpus, den es sehen kann. Konvertieren Sie das alte Tabellenarchiv einmal, indexieren Sie es mit Metadaten und lassen Sie das Modell endlich lesen, was das Unternehmen tatsächlich weiß.