用 LlamaIndex 让 AI 读懂你的 Excel:三种方案详解

❝

企业 80% 的数据藏在 Excel 里。如何让大模型真正"读懂"这些表格数据?本文基于 LlamaIndex 0.14.19 源码,拆解 Excel 索引建立的完整机制。

❞

为什么 Excel 对 RAG 来说很棘手?

做 RAG(检索增强生成)时,PDF、Word 这类文档本质是"一段段文字",切分起来相对自然。

但 Excel 不一样——它是「结构化的二维表格」。直接把单元格的值拼成一串文字,AI 就丢失了"哪个值属于哪一列"的关键信息。

LlamaIndex 的解法是:「把列名(表头)和每个单元格的值绑定在一起」,让每一行数据都自带语义上下文。


方案一:PandasExcelReader(默认,开箱即用)

这是 LlamaIndex 的「内置默认方案」。当你用 SimpleDirectoryReader 加载一个目录时,框架会自动识别 .xls / .xlsx 文件,并调用 PandasExcelReader 来处理。

它是怎么工作的?

一句话概括:

「Excel → pandas 读取 → 每行转成 "列名: 值" 的文本 → 封装成 Document」

举个例子,你有这样一张表:

姓名
职位
部门
张三
工程师
技术部
李四
设计师
设计部

经过 PandasExcelReader 处理后,会变成这样的文本:

姓名: 张三, 职位: 工程师, 部门: 技术部
姓名: 李四, 职位: 设计师, 部门: 设计部

每一行数据都带上了列名,AI 就能准确理解"张三是工程师"而不是把"张三"和"设计师"搞混。

最简用法

from llama_index.core import SimpleDirectoryReader, VectorStoreIndex

# 把 Excel 文件放到 data 目录下,一行代码搞定
documents = SimpleDirectoryReader("./data").load_data()
index = VectorStoreIndex.from_documents(documents)

# 开始提问
query_engine = index.as_query_engine()
response = query_engine.query("技术部有哪些人?")

进阶配置

from llama_index.readers.file import PandasExcelReader

reader = PandasExcelReader(
    concat_rows=False,    # 每行生成一个独立 Document(适合大表格)
    sheet_name=0,         # 只读第一个 Sheet(默认读所有 Sheet)
    pandas_config={       # 传给 pandas 的参数
        "usecols": "A:D",   # 只读 A~D 列
        "nrows": 1000,       # 只读前 1000 行
    }
)

documents = SimpleDirectoryReader(
    "./data",
    file_extractor={".xlsx": reader, ".xls": reader}
).load_data()

「concat_rows 怎么选?」

  • 表格小于 100 行 → 用 True(默认),保持完整上下文
  • 表格超过 1000 行 → 用 False,每行独立成 Document,检索更精准
  • 每…
— 以上为试看内容(约 40%),开通会员后阅读全文 —