基于 Amazon Bedrock 托管 Claude3 实现 RAG 增强文本检索的 Text to SQL 方案
内容提要
本文介绍了基于Amazon Bedrock托管的Claude3实现RAG增强文本检索的Text to SQL方案。通过Amazon Titan实现Embedding和向量检索工具，得到有知识库背景的prompt，连同上下文一起发送给大模型，得到更精准的输出。
延伸解读
RAG 如何提升 Text to SQL 的准确性
文章指出，大语言模型对专业领域知识需要匹配的 Prompt 或 Fine-tuning，成本较高且不易控制。RAG 通过 Amazon Titan 将问答对/知识库内容向量编码并建立索引，查询时先检索相似示例，再连同问题一起发送给 Claude3。这样模型能参考预置的问答对，低成本提升回答准确度，尤其适合 HR 招聘等垂直场景。
三次 Prompt 查询的设计逻辑
方案将一次自然语言查询拆分为三次模型调用：第一次让模型从多张表中选择最相关的一张；第二次结合表结构和 RAG 检索的示例生成 SQL；第三次可选，对查询结果进行业务解读。这种分步设计降低了单次 Prompt 的复杂度，也便于在每一步注入领域知识，但需注意前后语义一致，避免注意力机制导致输出偏差。
自检查机制与输出格式约束
利用 Transformer 可看到全部已生成 Token 的特性，文章建议在第二次 Prompt 中要求模型先澄清问题、生成多个候选 SQL 并自我检查错误，最后综合生成最终 SQL。同时强制输出 JSON，包含 finalSQL、chartType 等字段，便于后续解析和可视化。这种自检查主要针对 SQL 性能和语义理解准确性，但会增加生成时间和 Token 消耗。
部署与权限准备要点
方案基于 Next.js 应用，打包为 Docker 镜像运行在 Amazon ECS 上，通过 Amazon Cognito 鉴权。使用前需准备亚马逊云科技账号，在支持的区域申请 Claude3 权限，并配置具有足够 IAM 权限的 Access Key 和 Secret Access Key。本地或 EC2 需安装 Node.js（v>=18）和 AWS SDK，并通过 aws configure 完成凭证配置。
Q&A
如何在 Amazon EC2 上部署 Next.js 服务？
在 Amazon EC2 上部署 Next.js 服务需要准备亚马逊云科技账号，配置 AWS SDK 环境，并确保安装 Node.js 和相关权限。
RAG 增强文本检索的优势是什么？
RAG 增强文本检索通过向量编码和检索提升大语言模型的回答准确度，降低了对专业工程师的依赖。
如何实现自然语言转 SQL 的过程？
自然语言转 SQL 的过程包括三次查询：选表、查询表结构和数据分析，利用大语言模型生成 SQL 查询。
项目中使用了哪些数据库表结构？
项目中使用了 recruitment_data 表和 dept_data 表，分别存储招聘信息和部门信息。
如何使用 Amazon Titan 进行文本嵌入？
使用 Amazon Titan 进行文本嵌入需要将问答对或知识库内容进行向量编码，并生成索引文件以供检索。
该方案适用于哪些场景？
该方案假定在 HR 招聘场景下，分析笔试、面试和到岗情况数据。
