Trotz der Weiterentwicklung des Stiftungsmodells, das eine komplexe SQL -Aussage generieren kann, ist das Hauptproblem das Foundation -Modell fehlt das Verständnis des Datenschemas der Organisation. Jede Organisation hat unterschiedliche Namensschreiber -Konzentration. Daher benötigen wir eine Möglichkeit, das Datenschema zu ernähren und das Foundation -Modell zu verstehen. Dieses Repository enthält das Anwendungsfallbeispiel für die Verwendung der multi-modalen Funktionen von anthropischem Claude, um NLQ (oder natürliche Sprachabfrage) auszuführen. Durch das Füttern des Entity -Beziehungsdiagramms (oder ERD) in den Bildkanal und die Frage des Benutzers in den Textkanal kann das anthropische Claude Foundation -Modell Ihr Datenschema verstehen und diese Informationen verwenden, um die spezifische SQL gemäß der Frage des Benutzers zu generieren.
Dieses Repository enthält das End-to-End-Beispiel, indem Sie die Frage des Benutzers, das Generieren von SQL-Abfragen, das Abfragen des Data Lake mithilfe von Amazon Athena und generierterer natürlicher Ausgaben anstelle von tischähnlichen Antworten von Amazon Athena.
Python -Programmiersprache und boto3 SDK finden Sie hier für Boto3 -Dokumentationboto3 Bibliothek (Sie können dies per pip install --upgrade boto3 )
Unten finden Sie das Architekturdiagramm dieser Lösung.

Weitere Informationen finden Sie unter Beitrag.
Diese Bibliothek ist im Rahmen der MIT-0-Lizenz lizenziert. Siehe die Lizenzdatei.