使用自然语言查询 BigLake 数据

本指南将向您展示如何使用 BigQuery 中的对话式分析，通过自然语言提示查询 BigLake 表中的数据。借助Google CloudBigLake，您可以像处理标准 BigQuery 表一样处理 BigLake 中的自有数据。

对话分析的工作原理

对话式分析功能使用大语言模型 (LLM) 来理解您的自然语言问题，并将其映射到 BigLake 表的架构。该流程遵循以下步骤：

  1. 架构发现：系统从 BigLake metastore 中检索元数据，以了解表结构、列名称和数据类型。
  2. SQL 生成：LLM 生成与 BigQuery 引擎和底层数据格式兼容的 SQL 查询。
  3. 执行：BigQuery 直接针对 BigLake 中的开放格式数据执行生成的 SQL 查询。
  4. 回答：结果会返回到对话界面，通常附带摘要或可视化图表。

如需详细了解对话分析，例如管理数据代理、定价或最佳实践，请参阅对话分析概览。

支持的格式

对话式分析功能会将您的自然语言问题转换为 SQL 查询。它支持 BigLake metastore 支持的开放表格式，例如 Apache Iceberg 表。

准备工作

在查询数据之前，请先在 BigLake 元存储区中注册外部表。BigLake metastore 充当统一的枢纽，将 BigQuery Studio 连接到外部开放格式的数据。关联后，这些表将成为 BigQuery 中的可发现资产。

使用对话式分析查询表

  1. 在 Google Cloud 控制台中，前往 BigQuery Studio Agents Hub。

    前往“代理中心”

  2. 创建数据代理，或开始与现有数据代理的直接对话。

  3. 选择 BigLake 表。

    由于 BigLake metastore 统一了所有这些不同的格式，因此发现体验与查找标准 BigQuery 表相同。

    1. 搜索：添加知识来源时，在表格搜索和选择界面中查找表格名称。您可以使用搜索关键字过滤结果，包括：

      • TABLE_NAME
      • catalog: CATALOG_NAME
      • project: PROJECT_ID
      • namespace: NAMESPACE_NAME

    2. 验证来源：请注意完全限定名称的数据集部分。由外部来源创建并由 BigLake metastore 管理的 BigLake 表通常采用目录和命名空间相结合的格式。例如 PROJECT_ID.biglake_catalog.finance_namespace.my_iceberg_table 或 PROJECT_ID.sap_catalog.sales.delta_table。

    3. 选择：将所选 BigLake 表添加到当前对话上下文中。

  4. 使用自然语言提出问题。系统会自动将提示转换为联合 SQL 查询。

提高查询准确性

为了帮助对话式分析更好地了解您的 BigLake 架构和术语，请使用数据代理配置选项。这些选项包括业务术语表、经过验证的 SQL 查询和系统指令。

后续步骤