想请教一下如何检索excel文件

[leezpeng]

我尝试把excel转成json格式放进向量数据库，但是检索效果很差。放进prompt里又太长了。想问一下怎么实现对excel文件的问答

[tpoisonooo]

方便给个例子么？

我这边也是把表格 pack 成 json，不出 bug 的话，精度和普通文本没区别才对。

关于 prompt 太长

• 我们在论文（arxiv 2401.08772）里，基于 llama2 实现了不训练 40k context length 优化
• 现在用的 local internlm2、 remote kimi 模型都支持 200k 上下文

完全可以满足长文本需求

[tpoisonooo]

希望给个文件 + 问题，我测一下。

[leezpeng]

好的。 2023年分数线.xlsx 例如这个表格，我将其转换成json格式以后放进Chroma数据库中，这个数据库除了这个表格以外还有其他很多关于学校信息的内容。当我询问“学校23年分数线是多少”的时候，数据库检索到的信息并不包括这个表格的json格式。我个人猜测是json内容大部分都是符号，数字，和query的相似度太低导致无法检索到？

关于prompt太长：我们最开始把json放进prompt里交给大模型（我们使用的是文心4.0的接口），虽然他回答的很好，但表格很多，全放进prompt里面的话响应时间太长，费用也太高。所以我们想到把json放进向量数据库中检索的方法，于是产生了上述的问题。

非常感谢您的解答！

[tpoisonooo]

https://openxlab.org.cn/apps/detail/tpoisonooo/huixiangdou-web

账号： 20240329版本测试 密码：123

1. 好答案来自好问题。 “学校23年分数线是多少” 这句有效信息量是 “23年 / 分数线 ”，没提先进制造学院。 如果其他文档也包含 23年分数线，肯定优先用其他文档。

2. 按豆哥的处理逻辑，我们弄成了 json 形式； text2vec 也能命中这个文档

3. 这里答复 517。 你的文档里 517 是最高分、566 是最低分。 模型按逻辑来

[leezpeng]

感谢您的回复。此外还有一个问题想要询问，就是数据库在检索时会将json段落“截断”，导致模型无法识别这个表格。我该怎么做才能让数据库在检索的时候不要把json给切断呢？非常感谢！

[tpoisonooo]

这个切断不影响。

1. text2vec / rerank 模型表达能力有限，你不可能保证整个 json 就在一个 chunk 内部。
2. rerank 的作用是找到目标文件，然后靠 longcontext 读整个文件，而不只是一个 chunk。 只读一小片必然丢失上下文导致幻觉

[tpoisonooo]

碰到大文件，一个 json 几十 MB 很正常。