Preparando Ficheiros de Folhas de Cálculo Microsoft Works para Pesquisa AI e RAG

TL;DR

Os pipelines LLM e RAG não podem indexar ficheiros .wks, .xlr, .wpt ou .wps diretamente. Converta localmente folhas de cálculo legadas para CSV, Markdown e XLSX antes de entrarem no pipeline. CSV e Markdown são os melhores inputs para embedding e recuperação; XLSX e PDF suportam a revisão humana do que está a ser mostrado ao modelo.

A IA não pode usar o que não consegue ler

A maioria das cadeias de recuperação e incorporação ignora silenciosamente binários de folhas de cálculo legadas. O resultado é um sistema RAG privado que responde com confiança a perguntas com base apenas em uma fracção do conhecimento real da empresa—frequentemente sem que ninguém perceba o que foi excluído.

Modernizar o ficheiro é a condição prévia pouco glamorosa, mas necessária: formatos limpos e abertos desbloqueiam a história das folhas de cálculo que os formatos antigos mantinham oculta.

Melhores formatos de destino para RAG

1. CSV para incorporação tabular

CSV é a entrada tabular mais limpa. Cada linha torna-se um pequeno bloco previsível; as colunas tornam-se metadados naturais. Emparelhe CSV com metadados a nível de linha no índice para filtragem por ano, entidade ou ficheiro de origem.

2. Markdown para separadores de narrativa

Muitos ficheiros Microsoft Works incluem separadores narrativos — pressupostos, registos de alterações, resumos executivos. Markdown é mais amigável à tokenização LLM do que o texto HTML ou PDF, por isso os separadores de resumo tornam-se melhores citações após a conversão.

3. XLSX e PDF para revisão humana

Quando um revisor precisa ver o que foi mostrado ao modelo, XLSX e PDF são os formatos que eles esperam. Mantenha-os ao lado de CSV/Markdown para que as citações do modelo possam ser rastreadas visualmente.

Mantenha a conversão privada

Se o ficheiro incluir dados financeiros, de clientes, de funcionários ou operacionais, a conversão deve ocorrer antes de qualquer etapa de IA na nuvem — e preferencialmente dentro do mesmo ambiente controlado que hospeda o resto do pipeline RAG.

Conversores gratuitos online são a dependência errada para um sistema de IA que respeita a privacidade. Eles reintroduzem exatamente as questões de residência de dados que um LLM privado é projetado para eliminar.

Dicas de indexação que compensam mais tarde

Capturar metadados por ficheiro durante a conversão: caminho de origem, caminho de saída, extensão original, carimbo de data/hora da conversão e qualquer projeto, ano ou entidade que possa ser inferido a partir da estrutura das pastas. Enviar esses metadados para a loja de vetores como campos filtráveis.

Recuperação de teste de amostra contra algumas questões históricas conhecidas antes de declarar o ficheiro pronto para RAG. A pergunta correta muitas vezes revela separadores ou pressupostos que precisam ser incluídos no índice.

Pare de construir RAG em um ficheiro parcial

Um LLM privado só é tão inteligente quanto o corpus que pode ver. Converta o ficheiro de folhas de cálculo legado uma vez, indexe-o com metadados e deixe o modelo finalmente ler o que a empresa realmente sabe.