гайд от AWS по написанию SQL запросов с ИИ и построения RAG
AWS выпустил гайд по созданию решения для преобразования текста в SQL запросы силами ГенИИ.
Цель - упростить доступ к данным через естественный язык.
Гайд по шагам описывает создание решения на базе Amazon Bedrock и AWS Analytics Services.
От извлечения метаданных до корректировки и выполнения SQL запросов.
В примере рассматривается возможность работы с разными источниками данных в том числе за счёт использования Athena.
AWS, традиционно, держит планку в части туториалов.
#AWS #SQL #AI
AWS выпустил гайд по созданию решения для преобразования текста в SQL запросы силами ГенИИ.
Цель - упростить доступ к данным через естественный язык.
Гайд по шагам описывает создание решения на базе Amazon Bedrock и AWS Analytics Services.
От извлечения метаданных до корректировки и выполнения SQL запросов.
В примере рассматривается возможность работы с разными источниками данных в том числе за счёт использования Athena.
AWS, традиционно, держит планку в части туториалов.
#AWS #SQL #AI
Keenable SELECT: веб как таблица, к которой пишешь SQL
Стартап Keenable, который в августе вышел из стелса с $26 млн от Accel, показал вторую большую идею: SELECT, отдельный MCP-сервер, где агент запрашивает данные из открытого веба одним SQL-запросом и получает таблицу вместо стены ссылок.
Да, по сути каждый сайт становится строкой таблицы: сервер сам гоняет поиски, скачивает страницы, вытаскивает запрошенные поля и собирает строки с источниками.
🔧 Как это работает:
Ты спрашиваешь агента по-человечески, а агент, по гайду внутри самого тула, пишет read-only SELECT на диалекте DuckDB.
В запросе живут табличные функции WEB_SEARCH и WEB_FETCH, а семантические функции SEM_EXTRACT и SEM_NORM достают и нормализуют поля силами LLM.
Реальный пример из документации: один вызов прогнал 7 поисков, слил 1 400 результатов в 1 125 страниц, вытащил три поля с каждой и сгруппировал в таблицу «модель, источники, запас хода, цена».
Ответ приезжает компактным табличным кодированием вместо JSON, поэтому таблица почти не ест контекст.
📊 Фишка для дальних сессий:
Каждый вызов возвращает id набора данных, и повторный вопрос читает сохранённое, без нового обхода веба.
«А теперь только до €30 000, отсортируй по убыванию» выполняется по сохранённой таблице за секунды, наборы данных живут до 30 дней.
💼 Зачем это агентам:
Фаундеры Андрей Стыскин и Матиас Петри по 20 лет строили поиск в Яндексе и Amazon Alexa, в Keenable уже проиндексировано 100+ млрд страниц, поиск для агентов в разы дешевле.
Схема «агент читает ссылки по одной и собирает ответ руками» становится одним tool call'ом: сервер отдаёт готовые строки с источниками.
Подключается за минуту к Claude Code, Cursor, VS Code, ChatGPT в developer mode, по одному API-ключу на всё.
Честные оговорки из документации: запрос занимает секунды-минуты, извлечение не проверяет факты, точные цифры сверяй по независимым страницам.
📎 SELECT · Документация · TechCrunch о раунде
#Keenable #агенты #SQL
———
@tsingular | Max | YouTube | RuTube
Стартап Keenable, который в августе вышел из стелса с $26 млн от Accel, показал вторую большую идею: SELECT, отдельный MCP-сервер, где агент запрашивает данные из открытого веба одним SQL-запросом и получает таблицу вместо стены ссылок.
Да, по сути каждый сайт становится строкой таблицы: сервер сам гоняет поиски, скачивает страницы, вытаскивает запрошенные поля и собирает строки с источниками.
🔧 Как это работает:
Ты спрашиваешь агента по-человечески, а агент, по гайду внутри самого тула, пишет read-only SELECT на диалекте DuckDB.
В запросе живут табличные функции WEB_SEARCH и WEB_FETCH, а семантические функции SEM_EXTRACT и SEM_NORM достают и нормализуют поля силами LLM.
Реальный пример из документации: один вызов прогнал 7 поисков, слил 1 400 результатов в 1 125 страниц, вытащил три поля с каждой и сгруппировал в таблицу «модель, источники, запас хода, цена».
Ответ приезжает компактным табличным кодированием вместо JSON, поэтому таблица почти не ест контекст.
📊 Фишка для дальних сессий:
Каждый вызов возвращает id набора данных, и повторный вопрос читает сохранённое, без нового обхода веба.
«А теперь только до €30 000, отсортируй по убыванию» выполняется по сохранённой таблице за секунды, наборы данных живут до 30 дней.
💼 Зачем это агентам:
Фаундеры Андрей Стыскин и Матиас Петри по 20 лет строили поиск в Яндексе и Amazon Alexa, в Keenable уже проиндексировано 100+ млрд страниц, поиск для агентов в разы дешевле.
Схема «агент читает ссылки по одной и собирает ответ руками» становится одним tool call'ом: сервер отдаёт готовые строки с источниками.
Подключается за минуту к Claude Code, Cursor, VS Code, ChatGPT в developer mode, по одному API-ключу на всё.
Честные оговорки из документации: запрос занимает секунды-минуты, извлечение не проверяет факты, точные цифры сверяй по независимым страницам.
📎 SELECT · Документация · TechCrunch о раунде
#Keenable #агенты #SQL
———
@tsingular | Max | YouTube | RuTube
🔥6