Forbereder Microsoft Works-regnearkarkiver for AI- og RAG-søk

TL;DR

LLM- og RAG-pipelines kan ikke indeksere .wks, .xlr, .wpt eller .wps filer direkte. Konverter eldre regneark lokalt til CSV, Markdown og XLSX før de går inn i pipelinen. CSV og Markdown er de beste inputene for embedding og henting; XLSX og PDF støtter menneskelig gjennomgang av hva modellen blir vist.

AI kan ikke bruke det den ikke kan lese

De fleste oppslags- og innebyggingspipelines hopper stille over eldre regnearkbinarier. Resultatet er et privat RAG-system som trygt svarer på spørsmål basert på en brøkdel av selskapets faktiske kunnskap—ofte uten at noen innser hva som ble utelatt.

Å modernisere arkivet er den uanselige, men nødvendige forhåndsbetingelsen: rene, åpne formater frigjør regnearkhistorien som eldre formater holdt skjult.

Beste målformater for RAG

1. CSV for tabellinnbygging

CSV er den reneste tabellbaserte inputen. Hver rad blir et lite, forutsigbart stykke; kolonner blir naturlig metadata. Kombiner CSV med radnivåmetadata i indeksen for filtrering etter år, enhet eller kildefil.

2. Markdown for narrative-faner

Mange Microsoft Works-filer inkluderer narrative faner—antakelser, endringslogger, sammendrag for ledelsen. Markdown er mer vennlig for LLM-tokenisering enn HTML eller PDF-tekst, så sammendragsfaner gir bedre sitater etter konvertering.

3. XLSX og PDF for menneskelig gjennomgang

Når en vurderer trenger å se hva modellen ble vist, er XLSX og PDF de formatene de forventer. Hold dem ved siden av CSV/Markdown slik at modellhenvisninger kan spores visuelt.

Hold konverteringen privat

Hvis arkivet inkluderer finans-, kunde-, ansatt- eller driftsdata, bør konvertering skje før noen skritt med sky-AI—og helst inne i det samme kontrollerte miljøet som huser resten av RAG-pipelinen.

Gratis nettbaserte konvertere er en feil avhengighet for et personvern-respekterende AI-system. De gjeninnfører akkurat de samme spørsmålene om datalagring som en privat LLM er designet for å fjerne.

Indekseringstips som gir uttelling senere

Fang metadata for hver fil under konvertering: kildebanen, utdatabanen, original filtype, konverteringstidspunkt, og eventuelt prosjekt, år eller enhet som kan utledes fra mappestrukturen. Skyv den metadataen inn i vektorlageret som filtrerbare felt.

Prøve-test hentet mot noen få kjente historiske spørsmål før arkivet erklæres RAG-klar. Det riktige spørsmålet avslører ofte faner eller antakelser som må komme inn i indeksen.

Slutt å bygge RAG på et delvis arkiv

En privat LLM er bare så smart som korpuset den kan se. Konverter det gamle regnearkarkivet én gang, indekser det med metadata, og la modellen endelig lese det selskapet faktisk vet.