Excel zu Berechnungsvorschriften

Ein Python-Web-Projekt zur automatischen Generierung von menschenlesbaren Berechnungsvorschriften aus Excel-Formeln mittels LLM (OpenAI).

Überblick

Die Anwendung wandelt Excel-Formeln in strukturierte Berechnungsvorschriften um: Der LLM-Service erzeugt aus Zellendaten (Tabellenblatt, Zelle, Formel, Beschreibung) einen menschenlesbaren Pseudocode. Variablen werden automatisch mit bestehenden Berechnungsvorschriften verlinkt. Daten werden in einem RDF-Triplestore (Apache Jena Fuseki) gespeichert.

Architektur

Wartung (Benutzer-Workflow)

Der Workflow zeigt die Benutzeraktionen im Webbrowser: Suche über Metadaten, Anzeige von BV-Details und Abhängigkeiten, Bearbeiten von Formel und Metadaten, Anpassen von Verlinkungen sowie Anzeige der Versionshistorie.

Kernfunktionen

• LLM-Generierung: Excel-Formeln → menschenlesbarer Pseudocode (Name, Formel, Variablen, Metadaten)
• Automatische Verlinkung: Variablen werden per Matcher mit BVs verknüpft (Zellenidentifikator, Tabellenblatt, ggf. Excel-Identifikator)
• Cross-Sheet-Referenzen: tabellenblatt_referenz für Zellen aus anderen Blättern
• Versionierung: Jede Änderung erzeugt eine neue Version
• Abhängigkeiten: Anzeige von „verwendet“ und „verwendet in“; Zirkularitätsprüfung
• Suche: Filter nach Metadaten (Name, Kategorie, Symbol, Datentyp, Einheit, wichtig)
• Excel-Import: Halb-automatisierter Import per Script mit YAML-Config

Voraussetzungen

• Docker und Docker Compose
• OpenAI API Key

Installation

cp .env.example .env
# .env bearbeiten: OPENAI_API_KEY eintragen

docker compose up -d

Verwendung

URL	Beschreibung
http://localhost	Neue Berechnungsvorschrift erstellen
http://localhost/berechnungsvorschriften.html	Alle Berechnungsvorschriften
http://localhost/zellen-uebersicht.html	Zellen gruppiert nach Tabelle/Blatt
http://localhost:8000/docs	API (Swagger)
http://localhost:8000/redoc	API (ReDoc)

Excel-Import (im Backend-Container oder lokal mit Python):

# Dry-Run (Vorschau):
python scripts/excel_import.py --config config/excel_import_config.yaml --excel datei.xlsx

# Import (API-Aufrufe):
python scripts/excel_import.py --config config/excel_import_config.yaml --excel datei.xlsx --import

Config: backend/config/excel_import_config.yaml (Tabellenidentifikatoren, Tabellenblätter, Bereiche, formel_spalten, wichtige_zellen, beschreibung_quelle).

Projektstruktur

├── docker-compose.yml       # Frontend (nginx), Middleware (FastAPI), Fuseki
├── backend/
│   ├── main.py             # FastAPI App
│   ├── config/             # YAML (z.B. excel_import_config.yaml)
│   ├── models/             # Pydantic (Berechnungsvorschrift, Zelleneingabe)
│   ├── services/           # LLM, RDF, Matcher, Versionierung
│   ├── api/routes/         # REST-Endpunkte
│   ├── prompts/            # LLM-Prompt und Beispiel
│   └── scripts/            # excel_import.py, set_formel_original.py
└── frontend/               # HTML/JS (Bootstrap 5)

Technologie-Stack

• Backend: FastAPI (Python)
• Frontend: Vanilla HTML/JS, Bootstrap 5
• Datenbank: Apache Jena Fuseki (RDF)
• LLM: OpenAI (gpt-4.1-nano)
• Container: Docker Compose

Entwicklung

docker compose up

• Frontend: http://localhost
• Backend API: http://localhost:8000
• Fuseki: http://localhost:3030

Hinweise

• OPENAI_API_KEY in .env setzen
• Fuseki kann beim ersten Start etwas Zeit zum Initialisieren benötigen
• Logging: INFO (Standard), DEBUG für Details (LLM, SPARQL, Matcher)