Terlepas dari kemajuan model yayasan, yang dapat menghasilkan pernyataan SQL yang kompleks, masalah utamanya adalah model fondasi tidak memiliki pemahaman tentang skema data organisasi. Setiap organisasi memiliki konvensi penamaan yang berbeda, karena itu kita membutuhkan cara untuk memberi makan skema data dan membuat model pondasi memahaminya. Repositori ini memberikan contoh kasus penggunaan menggunakan kemampuan multi-modal Anthropic Claude untuk melakukan NLQ (atau kueri bahasa alami). Dengan memberi makan diagram hubungan entitas database (atau ERD) ke dalam saluran gambar dan pertanyaan pengguna ke dalam saluran teks, model Yayasan Claude Antropik dapat memahami skema data Anda dan menggunakan informasi tersebut untuk menghasilkan SQL spesifik sesuai dengan pertanyaan pengguna.
Repositori ini memberikan contoh ujung-ke-ujung dari mendapatkan pertanyaan pengguna, menghasilkan kueri SQL, meminta danau data menggunakan Amazon Athena, dan menghasilkan output yang lebih alami daripada respons seperti meja dari Amazon Athena.
Python dan boto3 SDK, silakan lihat di sini untuk dokumentasi Boto3boto3 Terkini (Anda dapat melakukan ini dengan pip install --upgrade boto3 )
Di bawah ini adalah diagram arsitektur dari solusi ini.

Lihat berkontribusi untuk informasi lebih lanjut.
Perpustakaan ini dilisensikan di bawah lisensi MIT-0. Lihat file lisensi.