Amazon Quick 打通结构化与非结构化数据

时间：2026 年 11 月 3 日（美国太平洋时间上午 8:49；北京时间 11 月 4 日 0:49）。中文媒体在 11 月 3 日夜间到 11 月 4 日凌晨跟进转载。 地点：AWS 官方机器学习博客（Amazon Machine Learning Blog）。演示发生在 Amazon Quick 控制台里，涉及 Amazon S3 存储桶，AWS 明确要求该存储桶与 Amazon Quick 位于同一区域。 人物：文章由四位 AWS 同事署名：首席技术客户经理 Puneeth Ranjan Komaragiri、技术客户经理 Sneha Gillala、驻弗吉尼亚州阿灵顿的解决方案架构师 Johana Herrera，以及专注 Amazon Quick 的首席解决方案架构师 Ramon Lopez。文中示例数据属于虚构的 AnyCompany。 事件详情：AWS 在官方机器学习博客发了一篇分步教程，主题是把结构化数据和非结构化数据放进同一个 Amazon Quick 工作空间，让一个自定义聊天代理在一次对话里同时查两类数据，并给出带引用的合并回答。 AWS 给的架构分三层。数据层：PDF、报告这类非结构化内容放在 Amazon S3 里，由知识库建索引；销售指标这类结构化数据作为带语义描述的数据集加载，代理把自然语言问题翻译成 SQL。工作区层：一个 Space 同时引用知识库和数据集，也可以挂上仪表盘、上传文件和动作连接器。代理层：自定义聊天代理把 Space 当作知识源，判断这次该查知识库、该查数据集，还是两边都查，再把带引用的答案返回。知识库可选的连接器包括 Amazon Q Business、Web Crawler、Amazon S3，以及 Google Drive、OneDrive、Microsoft SharePoint 等第三方。 教程一共八步：创建 S3 集成、创建知识库、创建并增强数据集、创建 Space、配置自定义聊天代理、跨两类数据提问、用自然语言生成报告、把代理分享给同事。示例数据是三份 PDF（业务回顾、市场分析报告、产品战略备忘）和一个 Product_Sales.csv 销售数据表。 最值得抄作业的是增强数据集这一步。先在 Transform 里把 Order Date 和 Date Key 从 String 改成 Date，把 Sales、Discount、Profit 从 String 改成 Decimal，把 Quantity 和 Unit Price 从 String 改成 Integer；再到 Output 里写数据集级描述、自定义指令和逐列说明，示例里直接写死了 Sales = Quantity x Unit Price x (1 – Discount) 这条口径。改完这份 CSV 在控制台里显示 16 列，每列都带数据类型和描述。数据集会被 Amazon Quick 导入 SPICE 这个内存计算引擎。 代理侧可以写人格（示例是 Business Intelligence Assistant）、选沟通风格（Executive、Technical、Creative 三种预设）、挂知识源（链接 Space），也可以直接用 Training Guide、Project Coordinator、Onboarding Helper 这几个模板起步。面对结构化问题它走文本转 SQL，面对文档问题做总结，遇到跨类问题则两边一起查，每个结论都带引用标记。生成的产物包括 PPT、Excel 和 Word，示例里那份 PPT 是八页的 AnyCompany_FY2025_Sales_Performance.pptx。 限制写得也很直白。跟随操作的人要有 Amazon Quick 的 Enterprise 订阅，创建数据集同样要求 Enterprise；S3 存储桶必须与 Amazon Quick 在同一区域；管理员在控制台授权时选中的桶默认只读；文档级 ACL 要在建知识库时就决定，之后不能更改；知识库可以索引全部内容，也可以按前缀筛选，前缀筛选区分大小写。直接挂在代理上的参考文档支持 PDF、TXT、HTML、MD、CSV、DOC、DOCX 这些格式，但最多只提取 10 万字符文本。Amazon Quick 自带内容安全筛查，管理员还能再加最多 50 个屏蔽词或短语。代理启动后默认私有，需要手动分享并分配 Owner 或 Viewer 权限，被分享的人还要有对应 Space、知识库和数据集的访问权。 背景：这条路不是一步到位的。Amazon Quick 的数据集问答（Dataset Q&A）在 2026 年 5 月 4 日的 AWS 官方公告里就已发布，由文本转 SQL 代理驱动，在一步对话里解释问题、识别正确的数据源并生成精确的 SQL，可用于 Redshift、Aurora 等数据资产，也严格遵守数据拥有者设定的行级和列级安全策略。这次补上的，是把非结构化文档这一侧也接进同一套代理：文档进知识库，结构化数据进数据集，两边统一收进 Space，代理自己决定查哪一侧。 另一半背景是企业 BI 的老问题。表格里放数字，文档里放解释和判断，两边不互通，就只能一个系统查数字、另一个系统翻文件、再人工对照结果。AWS 在文末给了五条最佳实践：整理好 S3 目录结构与文件命名、把人格指令写具体、用 Space 控制代理的数据范围、用建议提示词让用户知道代理能做什么、分享前先在预览面板里用真实问题测一遍。 影响：对已经在用 Amazon Quick 的团队，这篇教程给出了一条能落地的路径，不用再自己拼检索增强加 SQL 代理的胶水，把 S3 文档喂进知识库、把 CSV 做成增强数据集、放进同一个 Space 就能用。对还在评估的团队，硬门槛要先算清：Enterprise 订阅是前提，知识库的 ACL 建完不能改，S3 与 Quick 必须同区域，参考文档还有 10 万字符上限。安全上 AWS 给的思路是最小权限：只给知识库真正需要的桶授权，管理员选中的桶默认只读，需要按用户区分文档访问就在建库时开 ACL，加密桶走 KMS，只把可信内容放进知识库，护栏当成一层而不是全部。 需要提醒的是，这篇文章只给了操作步骤，没有公开这套组合查询的准确率、延迟或成本数据，中文转载方也点出了这一点。文本转 SQL 在真实业务数据上到底答得准不准、多快多贵，AWS 没有给出答案，想上生产的团队得自己压测。另外文章里的清理清单也说明这类实验并不便宜：代理、Space、数据集、知识库和 S3 集成都是各自计费的资源，用完要手动删。 总结：AWS 这篇教程把 Amazon Quick 的一个代理查两类数据讲成了八步可执行流程，核心是知识库接非结构化、增强数据集接结构化、Space 把两者合到一起、自定义聊天代理在上面做文本转 SQL 并给出带引用的合并回答。真正的门槛不在技术上，而在订阅和数据权限上：Enterprise 订阅、S3 同区域、ACL 不可后改、参考文档 10 万字符上限，以及内置的内容安全筛查加最多 50 个屏蔽词。 常见问题： 问：Amazon Quick 要什么订阅才能用这套组合查询？ 答：需要 Enterprise 订阅，创建数据集同样要求 Enterprise；用户订阅费和账号费与这些资源分开计费。 问：这套组合查询准确率怎么样？ 答：AWS 这篇教程只给了操作步骤，没有给出准确率、延迟或成本数据。 参考来源： AWS 官方机器学习博客原文（2026 年 11 月 3 日发布） https://aws.amazon.com/blogs/machine-learning/bring-structured-and-unstructured-data-together-with-amazon-quick/ AWS 官方公告：Amazon Quick 推出数据集问答功能，用于针对企业数据进行对话式分析 https://aws.amazon.com/cn/about-aws/whats-new/2026/05/amazon-quick-dataset-qa/ Amazon Quick 官方社区同文转载（2026 年 11 月 3 日） https://community.amazonquick.com/t/bring-structured-and-unstructured-data-together-with-amazon-quick/54050 ScopeAI 中文解读：AWS 发布 Amazon Quick 操作指南 https://scopeai.cc/stories/aws-%e5%8f%91%e5%b8%83-amazon-quick-%e6%93%8d%e4%bd%9c%e6%8c%87%e5%8d%97-%e7%94%a8%e5%8d%95%e4%b8%80%e5%af%b9%e8%af%9d%e4%bb%a3%e7%90%86%e5%90%8c%e6%97%b6%e6%9f%a5%e8%af%a2%e7%bb%93%e6%9e%84%e5%8c%96%e4%b8%8e%e9%9d%9e%e7%bb%93%e6%9e%84%e5%8c%96%e6%95%b0%e6%8d%ae-mw0ya6xh 奇点 AI 索引中文摘要：使用 Amazon Quick 整合结构化与非结构化数据 https://ai.qidiandaohang.com/news/11676656/ 超级智能 SI163 中文摘要：如何用 Amazon Quick 统一结构化与非结构化数据 https://www.si163.com/news/%e5%a6%82%e4%bd%95%e7%94%a8-amazon-quick-%e7%bb%9f%e4%b8%80%e7%bb%93%e6%9e%84%e5%8c%96%e4%b8%8e%e9%9d%9e%e7%bb%93%e6%9e%84%e5%8c%96%e6%95%b0%e6%8d%ae Qiita 日文版：Amazon Quick で構造化データと非構造化データを統合し AI エージェントで横断分析する方法 https://qiita.com/goyle/items/dd684ef39e29e956b4d0 Saipien 英文解读：Amazon Quick For Sales — The Data Work Behind A Cross-Source Agent https://saipien.org/amazon-quick-for-sales-the-data-work-behind-a-cross-source-agent/ AWS 官方文档：How Amazon Quick works https://docs.amazonaws.cn/en_us/quick/latest/userguide/how-quicksuite-works.md