# 前言
今年接到任務要來開發RAG相關的chatbot應用，老闆先給了我一個文件標的 - ppt，這真的比excel和word難多了，因為設計ppt實在是太自由，非常不好轉換成有結構的markdown或json。尤其是ppt很多圖形、內嵌物件、四散的文字方塊、圖片、圖表...等物件，不同物件的組合所要說的故事也都不一樣。既然接到了任務，就來好好研究一下可以怎麼做。至於有這個chatbot有什麼效益，那就...由老闆評斷。

---

# 技術分析

本來主要技能是c#，後來我選擇python來做這次的開發。原因有以下幾個：
- 網路上的範例很多。
- c#的套件用法比python的套件複雜得多，開發時程會拖很長。
- Jupyter Notebook在初期開發測試真的是很方便。 (但最後要整理成.py就有點痛苦...)

## 1. 怎麼讀取ppt的內容?
**我的目標是將ppt轉換成markdown。**
目前最通用的library是`Docling`，旨在建立一個通用的文件parser，讓大家輕鬆取得文件內容，以利後續Gen AI的開發。

然而，研究後發現`Docing`有一些缺點不太適用我的情境：
- **無法讀取內嵌物件的內容**
- 通常是圖表(柱狀圖、折線圖...etc)，這類物件的資料底層通常是內嵌excel
- **無法處理合併儲存格**
- 轉換後的合併儲存格只會在第一格出現資料
- 如果合併儲存格的row越多，對於向量DB的語意搜尋或直接將表格丟給LLM解讀，可能會被認為row 1跟row 10沒有關係，導致回應的資料有缺。
- 比較好的方式是填滿空格
| Item | Vendor | Unit Price |
| -------- | -------- | -------- |
| Banana | Vendor A | $5 |
| Banana | Vendor B | $4.5 |
| Banana | Vendor C | $4.2 |
| Banana | Vendor D | $3.8 |

- 填滿空格有以下好處：(來源：ChatGPT)

最後決定土法煉鋼，使用`python-pptx`來讀取ppt。

## 2. 轉換格式 - `json` 或 `markdown`
目前比較熱門的格式有`json`和`markdown`，我選擇的是`markdown`，原因是轉換後我可以透過vscode直接顯示結果，方便我比對、檢查跟來源ppt的差異。

## 3. 向量資料庫
技能樹一直都沒有點到向量資料庫，對這領域實在是很陌生，尤其一直在關聯式資料庫打滾，覺得語意搜尋真的是很炫的feature。

於是參考了這篇，快速了解各向量資料庫的懶人包：
{%preview https://ithelp.ithome.com.tw/articles/10344993 %}

最後選擇`Qdrant`，不只支援docker快速佈署，重點是 **免錢!!免錢!!免錢!!**
使用後，`Qdrant`最讓我滿意的地方是「RESTful API」，實在是太讓人驚豔了！甚至超出我的期望。

---

# 小結
目前規劃如下：
- python 3.12.x
- python-pptx
- requests
- Docker
- Qdrant
- LLM
- mistral
- gpt-oss-120b

後續會介紹開發的血淚史，初入AI領域的小白到底是怎麼做出一個chatbot。