人工智能
在 Amazon Bedrock Managed Knowledge Base 中使用表格检索从表格中获取答案Amazon Bedrock Managed Knowledge Base 现已支持表格检索,因此你可以通过智能体检索从表格中获取答案。当问题需要来自 CSV、XLSX 或 XLS 文件的数据时,表格检索会查找数值,并在一张或多张表或工作表的每一相关行上运行计算。随后,它会将结果与相关文档中的事实相结合,以回答需要多个步骤的分析性问题。
一个正在结账的财务团队需要知道“哪些部门必须撰写差异说明?”没有任何单一文件包含答案。答案取决于差异政策的阈值、季度结账备忘录中的预算修订,以及对损益(P&L)工作簿中每个部门进行的计算。
和这个财务团队一样,大多数团队将叙述性内容和数据保存在同一位置。例如,Microsoft SharePoint 站点将工作簿与政策放在一起,而一个 Amazon Simple Storage Service (Amazon S3) 存储桶将 CSV 导出文件与 PDF 放在一起。表格检索通过你已用于文档的同一个 AgenticRetrieveStream 请求,跨这些文件回答问题。它在隔离沙箱中对原始文件运行代码,因此答案使用整张表,而不只是检索返回的行。对于该财务团队,一个请求即可返回必须撰写差异说明的部门。答案会引用政策和备忘录,trace 会标明代码读取了哪个工作簿。
在本文中,你将了解表格检索如何回答既需要表格数据又需要文档事实的问题,以及何时其他工具更合适。你还将使用示例财务文件构建一个知识库,并使用 trace 查看代码读取了哪个文件。
为什么表格对检索来说很难
检索增强生成(RAG)返回与问题最匹配的固定数量段落,这对散文很有效。表格在被拆分为段落时会丢失信息,丢失方式取决于表格的形状:
- 长表 – 一张有数千行的表会跨越许多段落,而检索只返回与问题最匹配的少数段落。基于这些段落构建的答案只使用少量行,因此总计、比较或阈值检查可能不完整。
- 宽表 – 在一张有数百列的表里,一行所包含的文本可能超过一个段落或搜索模型一次能接收的量。因此,后面列中的值更难匹配。来自宽表的长段落还可能匹配许多不相关的问题,并将更相关的段落挤出结果。
检索还必须将问题匹配到正确的表。问题使用业务术语,例如“可控支出”,但表格中保存的是成本中心代码、账户名称和数字。草稿工作簿和最终工作簿在搜索看来几乎一样。赋予数字含义的规则通常位于单独的文档中,例如政策。
因此,表格检索将工作拆分。检索只需从正确的表格文件中返回一个段落,然后由代码读取整张表。由于检索仍必须先找到该文件,在问题中指明文件名会有帮助。
表 1 展示了普通检索和表格检索分别如何处理财务团队的问题:“哪些部门必须撰写差异说明?”
| 对比项 | 仅检索 | 使用表格检索的智能体检索 |
| 你得到的结果 | 来自政策、备忘录、业务回顾和工作簿的段落,但没有完整答案 | 一个列出销售、工程和运营部门的答案,并给出每个部门相对其修订预算的差异 |
| 修订后的差异百分比 | 不可用。没有文件存储这些数据,因此任何段落都不可能包含它们 | 根据最终工作簿中每个部门的行计算得出 |
| 来源 | 每个段落链接到其自己的文件,但其中没有一个包含答案 | 引用财务政策和结账备忘录。trace 标明代码读取了哪个工作簿 |
表 1:同一问题在普通检索和表格检索下的对比。
表格检索在智能体检索中如何工作
在 智能体检索, 中,智能体使用检索来决定哪些文档重要,然后撰写答案。表格检索是该流程的一部分,因此无需开启任何功能。
当问题需要表中的数据时,请求会经过以下阶段:
- 检索 – 返回段落,包括来自表格文件的段落。
- 规划 – 智能体使用问题和表结构来确定是否对一张或多张检索到的表运行代码。
- 暂存 – 表格检索将原始文件复制到无网络访问的隔离沙箱中。
- 计算 – 模型编写的代码在整张表或工作表上运行。
- 返回 – 智能体只取回代码打印的内容,例如总计或匹配的行。
- 回答 – 智能体根据结果和段落作答,并附上引用。
当检索到的段落来自 CSV、XLSX 或 XLS 文件,且问题需要跨行计算或查找特定值时,表格检索就会启动。
知识库、连接器和 API
一个 AgenticRetrieveStream 请求可以搜索一个或多个知识库。 Retrieve API 会继续返回段落,且不运行代码。
无论哪个 连接器 将文件带入知识库,表格检索的工作方式都相同,包括 Amazon S3、Microsoft SharePoint、Atlassian Confluence 等。
范围与权衡
表格检索专为需要对其检索到的表格文件进行计算或查找的问题而构建。运行代码至少会增加一轮智能体交互,因此使用表格数据的答案比纯文本答案耗时更长。受治理的指标、定期仪表板、仓库级联接和报告控制仍应放在你的商业智能(BI)工具中。表格检索适用于与文档一起存储的表格文件,且你无需定义架构。
解决方案概述
在此解决方案中,Amazon Bedrock Managed Knowledge Base 将您的 CSV 和 Excel 文件与相关文档(如 PDF 和 Word 文件)一起存储。您的应用程序通过智能体检索发送每一个问题。当问题需要表格数据时,答案会将基于表格的计算与文档中的事实相结合。它会引用所使用的段落,并且 trace 会标明代码读取了哪些表格文件。
在图 1 中,Amazon S3 数据源将这些文件同步到知识库,知识库会保留嵌入、文本、元数据和原始文件。当您的应用程序发送带有 AgenticRetrieveStream的问题时,智能体检索会规划工作并从知识库中检索段落。如果问题需要来自表格文件的数据,它会将需要读取的文件发送到无网络访问的隔离沙箱。在那里,模型编写的代码在原始文件上运行并返回打印结果。答案连同引用和 trace 事件会流式返回给您的应用程序。
图 1:Amazon Bedrock Managed Knowledge Base 中的表格文件和文档,以及在智能体检索中执行表格搜索。
本演练示例使用虚构的 AnyCompany Retail 财务文件:
- 最终损益工作簿 (
anycompany-pnl-fy2026.xlsx)。它包含 Notes、Actuals、Budget 和 Summary 工作表,其中 Actuals 和 Budget 工作表中每行对应一个月、一个成本中心和一个科目。 - 草稿工作簿。 一份包含不同第三季度数字的初步副本。
- 财务差异政策 (PDF)。定义了可控支出和已批准预算,并设定了审查阈值。
- 第三季度结账备忘录 (Word)。列出了已批准和已拒绝的预算修订。
- 业务回顾 (Markdown)。解释了主要差异。
这些文件位于 tabular-search 文件夹 中,该文件夹属于 sample-managed-knowledge-base-patterns GitHub 仓库。该文件夹还包含一个 AWS Cloud Development Kit(AWS CDK)应用程序,用于部署本文中的资源,以及用于提出这些问题的 Python 脚本。
先决条件
您需要以下内容:
- 创建 AWS Identity and Access Management(IAM)角色、S3 存储桶和 Amazon Bedrock 知识库的权限。
- 对于调用
AgenticRetrieveStream的身份,需要 智能体检索的权限, 包括bedrock:GetDocumentContent。智能体使用调用者的凭证读取原始表格文件。 - 在支持表格搜索的 AWS 区域中使用 Amazon Bedrock。有关区域可用性,请参阅 支持的 AWS 区域.
- 您自己的 CSV、XLSX 或 XLS 文件及相关文档。
- 要跟随本演练:Python 3.10 或更高版本,以及 AWS SDK for Python(Boto3)版本 1.43.123 或更高版本。您也可以在 Amazon Bedrock 控制台的知识库测试窗口中或使用 AWS Command Line Interface(AWS CLI)提出问题。
调用身份需要此策略,来自智能体检索文档:
{
"Version": "2012-10-17",
"Statement": [
{
"Effect": "Allow",
"Action": "bedrock:AgenticRetrieveStream",
"Resource": "*"
},
{
"Effect": "Allow",
"Action": ["bedrock:Retrieve", "bedrock:GetDocumentContent"],
"Resource": "arn:aws:bedrock:<region>:111122223333:knowledge-base/*"
},
{
"Effect": "Allow",
"Action": "bedrock:InvokeModelWithResponseStream",
"Resource": "*"
}
]
}
有关费用,请参阅 Amazon Bedrock 定价.
将文件上传到 Amazon S3
将表格文件和相关文档放在同一个前缀下。
- 打开 Amazon S3 控制台并选择 创建存储桶.
- 输入一个全局唯一的存储桶名称(本文使用
amzn-s3-demo-bucket),保持选中 阻止所有公共访问 ,然后选择 创建存储桶. - 选择该存储桶,选择 创建文件夹, 然后输入
finance. - 打开该
finance文件夹并选择 上传. - 选择 添加文件, 选择您的表格文件和文档,然后选择 上传.
创建知识库和数据源
知识库需要一个 Amazon Bedrock 可以代入的 IAM 角色。此信任策略仅允许 bedrock.amazonaws.com 服务主体,且仅限您账户中的知识库。
{
"Version": "2012-10-17",
"Statement": [
{
"Sid": "BedrockKnowledgeBaseAssume",
"Effect": "Allow",
"Principal": {"Service": "bedrock.amazonaws.com"},
"Action": "sts:AssumeRole",
"Condition": {
"StringEquals": {"aws:SourceAccount": "111122223333"},
"ArnLike": {
"aws:SourceArn": "arn:aws:bedrock:<region>:111122223333:knowledge-base/*"
}
}
}
]
}
接下来,设置其余资源:
- 创建一个名为
kb-finance-role的角色,并使用该信任策略。 - 附加一个内联策略,允许对存储桶执行
s3:ListBucket,对其对象执行s3:GetObject。 - 创建一个类型为
MANAGED的知识库,并使用托管嵌入模型。 - 为存储桶创建一个
MANAGED_KNOWLEDGE_BASE_CONNECTOR数据源,限制在finance/前缀内。 - 将
maxFileSizeInMegaBytes设置为大于您最大文件的值。
步骤 2 的内联策略仅允许读取此存储桶:
{
"Version": "2012-10-17",
"Statement": [
{
"Sid": "ListBucket",
"Effect": "Allow",
"Action": "s3:ListBucket",
"Resource": "arn:aws:s3:::amzn-s3-demo-bucket",
"Condition": {"StringEquals": {"aws:ResourceAccount": "111122223333"}}
},
{
"Sid": "ReadObjects",
"Effect": "Allow",
"Action": "s3:GetObject",
"Resource": "arn:aws:s3:::amzn-s3-demo-bucket/*",
"Condition": {"StringEquals": {"aws:ResourceAccount": "111122223333"}}
}
]
}
此脚本运行步骤 3 到 5 并打印 ID:
import time
import boto3
agent = boto3.client("bedrock-agent")
kb = agent.create_knowledge_base(
name="finance-kb",
roleArn="arn:aws:iam::111122223333:role/kb-finance-role",
knowledgeBaseConfiguration={
"type": "MANAGED",
"managedKnowledgeBaseConfiguration": {"embeddingModelType": "MANAGED"},
},
)
kb_id = kb["knowledgeBase"]["knowledgeBaseId"]
# Wait until the knowledge base is ACTIVE before adding a data source.
status = "CREATING"
while status in ("CREATING", "UPDATING"):
time.sleep(10)
status = agent.get_knowledge_base(knowledgeBaseId=kb_id)["knowledgeBase"]["status"]
if status != "ACTIVE":
raise RuntimeError(f"Knowledge base status is {status}")
ds = agent.create_data_source(
knowledgeBaseId=kb_id,
name="finance-s3",
dataSourceConfiguration={
"type": "MANAGED_KNOWLEDGE_BASE_CONNECTOR",
"managedKnowledgeBaseConnectorConfiguration": {
"connectorParameters": {
"type": "S3",
"version": "1",
"connectionConfiguration": {
"bucketName": "amzn-s3-demo-bucket",
"bucketOwnerAccountId": "111122223333",
},
"filterConfiguration": {
# In MB. Set this above your largest table.
"maxFileSizeInMegaBytes": "200",
"inclusionPrefixes": ["finance/"],
},
"aclEnabled": False,
}
},
},
vectorIngestionConfiguration={
"parsingConfiguration": {"parsingStrategy": "SMART_PARSING"}
},
)
print("knowledge base:", kb_id, "data source:", ds["dataSource"]["dataSourceId"])
同步数据源并检查文件类型
只有当知识库分配了正确的文件类型时,表格搜索才能启动,因此请在首次同步后检查文件类型。
- 为数据源启动一个摄取作业。
- 轮询该作业,直到其状态为
COMPLETE. - 查看作业统计信息中的失败文档。
- 使用您的问题运行一次
Retrieve调用。 - 确认表格段落显示
_file_type为CSV(对于 CSV 文件)或MS_EXCEL(对于 XLSX 和 XLS 文件)。
第一个脚本运行步骤 1 到 3:
import time
import boto3
agent = boto3.client("bedrock-agent")
KB_ID, DS_ID = "<your-knowledge-base-id>", "<your-data-source-id>"
job_id = agent.start_ingestion_job(knowledgeBaseId=KB_ID, dataSourceId=DS_ID)[
"ingestionJob"]["ingestionJobId"]
while True:
job = agent.get_ingestion_job(
knowledgeBaseId=KB_ID, dataSourceId=DS_ID, ingestionJobId=job_id
)["ingestionJob"]
if job["status"] in ("COMPLETE", "FAILED", "STOPPED"):
break
time.sleep(15)
print(job["status"], job.get("statistics"), job.get("failureReasons"))
第二个脚本运行步骤 4 和 5,以便您在使用智能体检索提问之前检查表格文件类型。对于您自己的文件,请提出一个将文档中的规则与基于表格的计算相结合的问题,并同时指明两者。
import boto3
runtime = boto3.client("bedrock-agent-runtime")
question = (
"In fiscal Q2 of FY2026, which cost center had the largest overspend in "
"controllable spend, as the finance policy defines it? Compare the Actuals "
"and Budget sheets of the FY2026 P&L workbook and give the cost center and "
"the overspend in US dollars."
)
response = runtime.retrieve(
knowledgeBaseId="1234567890",
retrievalQuery={"text": question},
retrievalConfiguration={"managedSearchConfiguration": {"numberOfResults": 10}},
)
for result in response["retrievalResults"]:
print(result["metadata"].get("_file_type"), result.get("documentId"))
跨表格和文档提问
通过 AgenticRetrieveStream发送相同的问题。脚本会打印答案、每个 CodeExecution 状态以及代码读取的文件。
import boto3
runtime = boto3.client("bedrock-agent-runtime")
question = (
"In fiscal Q2 of FY2026, which cost center had the largest overspend in "
"controllable spend, as the finance policy defines it? Compare the Actuals "
"and Budget sheets of the FY2026 P&L workbook and give the cost center and "
"the overspend in US dollars."
)
response = runtime.agentic_retrieve_stream(
messages=[{"role": "user", "content": {"text": question}}],
retrievers=[{"configuration": {"knowledgeBase": {"knowledgeBaseId": "1234567890"}}}],
agenticRetrieveConfiguration={
"foundationModelType": "MANAGED",
"rerankingModelType": "MANAGED",
},
)
for event in response["stream"]:
if "traceEvent" in event:
attributes = event["traceEvent"]["attributes"]
# CodeExecution steps report IN_PROGRESS, then SUCCEEDED or FAILED.
if attributes.get("step") == "CodeExecution":
print(attributes["status"], attributes.get("message"))
# A Planning event lists the files the code will read.
for action in attributes.get("actions", []):
for doc in action.get("codeExecution", {}).get("documents", []):
print("code read:", doc["documentId"])
elif "responseEvent" in event:
print(event["responseEvent"]["text"], end="")
对于这些文件,答案结合了两个工作簿表格和两个文档:
- 来自文档。 财务政策将可控支出定义为 Contractors、Travel、Software 和 Marketing Programs 科目,这不包括薪资和设施。业务回顾解释了主要差异。
- 来自表格。 代码使用 Actuals 和 Budget 工作表中的每一行,将两者筛选为财年第二季度和这四个科目,然后比较成本中心。
- 答案。 CC-3010(Platform)超出 124,559.90 美元,实际支出为 394,859.90,而预算为 270,300.00。业务回顾将差异归因于为数据平台迁移而引入的承包商。如果改为统计所有运营费用科目,则结果为 133,434.05。
阅读 trace
Trace 事件按以下顺序到达:
- 规划。 一个
Planning事件,状态为SUCCEEDED包含一个codeExecution操作,该操作指定代码将读取的文档。 - 代码步骤。 一个
CodeExecution事件,状态为IN_PROGRESS(“正在对 1 个文档运行代码”),然后是一个状态为SUCCEEDED的事件。SUCCEEDED消息会列出代码读取的每个文件及其大小。 - 答案。 第二轮规划和响应文本之后是一个最终的
result事件,其中包含引用。引用指向答案所使用的段落,因此代码读取的表格文件并不总是出现在其中。
在此示例中, Planning 事件仅列出最终工作簿,因为政策和业务回顾是以检索到的段落形式到达的。
{
"traceEvent": {
"attributes": {
"step": "Planning",
"status": "SUCCEEDED",
"message": "Agent planning completed",
"actions": [
{
"retrieve": {},
"codeExecution": {
"documents": [
{
"documentId": "s3://amzn-s3-demo-bucket/finance/anycompany-pnl-fy2026.xlsx",
"sourceRetriever": {"identifier": "1234567890"}
}
]
}
}
]
}
}
}
在较长的调用中,流每 10 秒重复一次 IN_PROGRESS 事件,因此读取超时不会触发。无法完成的代码步骤会报告 FAILED,智能体通常会重试或回退。
表格搜索作为响应生成的一部分运行,该功能默认开启,因此脚本将 generateResponse 保持未设置。如果将 generateResponse 设置为 false,智能体会返回检索结果而不运行代码。有关详细信息,请参阅 智能体检索.
尝试更多问题
以下每个问题也都将一个文档与工作簿配对。
将备忘录修订应用于季度总计
此问题需要一个仅在备忘录修订后才存在的预算:
Did total operating expense for fiscal Q3 of FY2026 stay within the Q3 budget
as revised in the Q3 close memo? Give the actual Q3 operating expense, the
revised Q3 budget and the difference, in US dollars.
答案使用备忘录中的修订以及工作簿中的第三季度实际值和原始预算。支出比修订后的预算低 49,572.40 美元,因此答案是肯定的,尽管同样的支出超出了原始预算。普通 Retrieve 会返回备忘录和工作簿段落,但其中没有一个包含这些数字。
在预算修订后应用政策阈值
以下是引言中财务团队问题的完整版本。它需要政策的阈值、备忘录的修订以及工作簿:
Applying the budget revisions approved in the Q3 close memo, which
departments must write variance commentary for fiscal Q3 of FY2026 under
the finance policy?
政策要求当差异超过已批准预算(包括已批准的修订)的 5% 时提供评论,而备忘录批准了营销增加和工程削减。答案是销售(-6.50%)、工程(+5.79%)和运营(+6.20%)。工程之所以跨过阈值,仅仅是因为已批准的削减降低了其预算。
继续对话
表格搜索在多轮对话中也能工作。在 messages中发送较早的轮次,它会在需要表格的那一轮运行。第一个问题要求从工作簿进行计算:
Calculate the Customer Support department's actual operating expense and its
budget for fiscal Q2 of FY2026 from the Actuals and Budget sheets of the final
FY2026 P&L workbook, in US dollars.
对于后续问题,将第一个问题、其答案("role": "assistant")以及新问题放在 messages:
Under the finance policy, does that variance need written commentary, and does
anyone besides the Controller have to review it?
中发送。差异超出预算 12.40%,因此需要书面评论。由于超过 10%,政策还要求首席财务官 Nikki Wolf 进行审查。在这里,第一轮通常对工作簿运行代码,第二轮根据历史记录回答政策问题。
对于较长的会话,您可以通过在请求上设置 memoryConfiguration ,将对话历史保存在 Amazon Bedrock AgentCore 内存资源中,而不是重新发送较早的轮次。有关详细信息,请参阅 智能体检索.
针对表格提问的最佳实践
措辞提问时要谨慎,因为检索会决定代码读取哪个表格。指明来源的聚焦问题有助于检索选择正确的表格。
- 将一条规则与一个表格配对。 指明包含该规则的文档,例如“按照第三季度结账备忘录中的修订”。
- 当存在多个版本时指明文件。 例如,“使用最终的 FY2026 损益工作簿 anycompany-pnl-fy2026.xlsx”。
- 需要计算时明确要求计算。 如果汇总表包含某个数字,智能体可以从该表回答。说“根据 Actuals 和 Budget 工作表计算每个部门的差异”,以从明细行进行计算。
- 提出聚焦的问题。 通过多轮对话构建更大的分析。
一些数据和应用程序选择也有帮助:
- 将表格保存在 CSV、XLSX 或 XLS 文件中。 先从 PDF 或 Word 文档中导出表格。
- 将文件大小筛选器设置为大于您最大的表格。 大于
maxFileSizeInMegaBytes的文件不会被摄取,因此代码无法读取它们。 - 将 Excel 工作表保持在 200 MB 以内。 截至本文撰写时,表格搜索对最大 500 MB(摄取限制)的 CSV 文件运行代码,但对 Excel 工作表仅支持最大 200 MB。您仍然可以摄取更大的 Excel 文件,因此在依赖全表计算之前请检查工作表大小。
- 使用表格搜索进行分析。 运行代码会增加一轮智能体交互,因此对于文本中的快速查找,请保留普通
Retrieve。 - 使用元数据筛选器限定文件范围。 在
retrievalOverrides下的筛选器,例如针对_document_title,控制代码可以读取哪些文件。 - 使用 trace 进行审计。 生成的代码按设计不会返回,因为它可能回显单元格值。trace 会显示代码读取了哪些文件。
清理
为避免持续产生费用,请按顺序删除这些资源:
- 在 Amazon Bedrock 控制台中,选择 知识库,然后选择
finance-kb. - 选择该
finance-s3数据源并选择 删除. - 删除该
finance-kb知识库。 - 在 Amazon S3 控制台中,选择该存储桶,选择 清空,然后选择 删除,除非其他工作负载使用它。
- 在 IAM 控制台中,选择 角色,选择
kb-finance-role,然后选择 删除.
如果您使用仓库中的 AWS CDK 应用进行部署,请在其 npx cdk destroy 文件夹中运行 infra ,而不是执行这些步骤。它会删除堆栈创建的所有内容。
结论
财务团队成员需要知道“哪些部门必须撰写差异评论?”借助 Amazon Bedrock Managed Knowledge Base 中的表格搜索,您可以通过一个智能体检索请求同时使用工作簿、政策和备忘录来回答该问题。
在本文中,您了解了表格搜索如何回答既需要表格数据又需要文档事实的问题,以及何时其他工具更合适。您还使用示例财务文件构建了一个知识库,并通过 trace 查看代码读取了哪个文件。
要开始使用,请参阅 Amazon Bedrock 用户指南中的 构建托管知识库 和 智能体检索 ,以及 Amazon Bedrock API 参考中的 AgenticRetrieveStream 。要了解更多信息,请阅读 AWS 人工智能博客上的 使用 Amazon Bedrock Managed Knowledge Base 为智能体构建企业搜索 。