p-chat-to-excel 22.0

EZ way for api calling

Chat-to-Excel 智能表格分析工具

通过大模型（如通义千问）自动解析Excel文本数据，支持检索增强生成（RAG）、智能分析、结果保存与Prompt配置本地保存，支持 PDF 知识库构建和智能问答生成。

---

📌 近期更新

Prompt配置持久化 🔄

• 自动保存：每次通过info_collect()设置的prompt参数，将自动保存至本地prompt_tomb目录
• 按名称隔离：通过name参数创建不同实例角色，调取本地相应的prompt参数，实现多组独立配置共存
• 断点续用：重启程序时自动加载同名实例的历史配置，无需重复输入参数
• 灵活管理：通过例如info_collect(param='prompt')或prompt属性可单独修改特定参数，保留其他配置不变
• 细粒度控制：支持通过chat(temperature=0.7)单独调整任意参数，保持其他配置不变。支持temperature、top_p、frequency_penalty
• PDF 知识库构建：通过P_RAGKnowledgeBase将本地pdf文件转为向量数据库
• 检索增强生成（RAG）：内置P_RAGRetriever实现从知识库中找出与用户问题最相关信息的组件
• 根据知识库的智能问答：chat(kb,top_k)实现外挂知识库的智能问答
• 自主设置并发量：chat(max_workers)实现调整并发量以应对Open AI客户端请求超限

---

🚀 主要功能

1. 大模型交互

• 支持各类大模型（默认qwen-plus）
• 多线程并发处理（自动适配CPU核心数）

2. 灵活分析模式

• 全量分析：处理完整数据集
• 抽样调试：通过data_sample()抽取小样本测试Prompt效果
• 单/多字段：支持单列独立分析或多列联合分析

3、检索增强生成（RAG）

• PDF知识库构建：支持通过PDF文档构建领域知识库
• 语义检索增强：基于FAISS向量数据库实现毫秒级语义检索
• 上下文感知：自动将相关文档片段注入大模型上下文
• 混合推理：结合企业知识库与通用模型能力进行决策

3. 结果输出

• 自动插入分析结果列
• 保留原始数据结构
• 支持xlsx格式导出

---

使用示例（外挂数据库版，若不需要数据库，则无视第一步和obj.chat方法中的kb参数）

根据本地pdf搭建向量数据库

kb = P_RAGKnowledgeBase()，embedding_model_name默认为all-MiniLM-L6-v2，也可修改。默认chunk_size=500,chunk_overlap=50。 kb.build_from_pdf(r"pdf_file_path") # 替换为你的PDF路径

初始化助理

name = 'name' API_KEY = 'your_api_key' BASE_URL = 'your_base_url' obj = P_chat_to_excel(name,API_KEY,BASE_URL)

导入数据

obj.excel_info(path = r'excel_file_path',column=['COLUMN1','COLUMN2']) # 替换为你的excel路径和目标字段名

抽取小样本测试

obj.data_sample(10) # 抽取10条

配置prompt等相关信息

obj.info_collect()

针对样本数据智能问答并本地保存结果至excel

obj.chat(sample = True,temperature=0.2,top_p=0.7,kb=kb,top_k=3)

根据在样本上的输出效果修改prompt

obj.prompt = '''string''' # 替换为prompt的改善版本

若结果尚可，则保留原本配置，跑全量数据

obj.chat(sample = False,temperature=0.2,top_p=0.7,kb=kb,top_k=3)